问题

单因子的分组数据提取及结果的解读

视频

https://www.bilibili.com/video/BV1zb4y1Q7Q3?share_source=copy_web

策略源码

[https://bigquant.com/experimentshare/c17b3c96500d4d79a60a488b9714a40c](https://bigquant.com/experimentshare/c17b3c96500d

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版因子分析代码：

https://bigquant.com/wiki/doc/5zug5a2q5yig5p6q5luj56cb-Od7rjBTNDQ

策略案例

[https://bigquant

import dai
import statsmodels.api as sm
import pandas as pd

factors = dai.query("""
    pragma enable_pushdown_window;
    select a.date, a.instrument, a.total_market_cap, b.returns
    from cn_stock_factors AS a
    INNER JOIN (
        SELECT date, instrument, m_lag(close,-1)/close - 1 

中性化之前的输入数据加了date索引列或不加都会报错，这个该怎么处理呢，劳烦大师了 
https://bigquant.com/user/c49efd44-64c0-4184-a7ba-766de05caa19/lab

'date' is both an index level and a column label, which is ambiguous

![](/wiki/

本文导读

待测因子：传统的1个月反转等因子，以及改进的动量因子动量因子是一类非常重要的风格因子，本报告中我们选取了十三个具有代 表性的动量因子进行测试，包括 HAlpha（个股 60 个月收益与上证综指线 性回归的截矩项）， return_Nm（个股最近 N 个月的收益率，N=1、3、6、 12），wgt_return_Nm（个股最近 N 个月的日换手率加权平均日收益率， N=1、3、6、12），exp_wgt_return_Nm（个股最近 N 个月的指数衰减权 重乘以日换手率加权平均日收益率，N=1、3、6、12）。经实证检验，两种 改进方式都对传统的 N 个月反转因

摘要

一致预期因子及其衍生因子长期来看具有较稳定的选股能力分析师一致预期数据归纳总结了市场上卖方分析师报告对个股的财务指标预测、评级以及关注情况，是除公司财报数据、交易数据以外重要的第三方数据，我们基于朝阳永续一致预期数据库，进行一致预期因子的构建和测试。本文主要测试了两大类一致预期因子：财务指标类一致预期因子和关注度类一致预期因子，总共19个因子。根据测试结果，一致预期因子及其衍生因子长期来看具有较稳定的选股能力。

结论

财务指标类一致预期因子的衍生因子选股表现相比原始因子各有优劣对于财务指标类的一致预期因子，我们都构建了两个衍生因子：原始因子的同行业位序和原始因子的季度环

摘要

估值因子在不同行业、不同规模上市公司间差异较大

估值因子是一类非常重要的风格因子，本报告中我们选取了十个具有代表性的估值因子——EP、EPcut、BP、SP、NCFP、OCFP、FCFP、DP、EV2EBITDA、PEG，首先经实证分析发现，不同一级行业间估值因子差异较大，并且随时间推移同一行业的估值水平也在不断变化。同时，估值因子在不同规模的上市公司间差异也比较大，近两年EP、EPcut、BP、SP、NCFP、OCFP、DP明显与市值因子呈现正相关性，FCFP、EV2EBITDA与市值因子略微负相关，PEG与市值因子相关性不明显。

**各估值因子间也

摘要

成长因子在不同行业间差异较大，与市值相关性不大

成长因子是一类非常重要的风格因子，本报告中我们选取了十二个具有代表性的成长因子——Sales_G_q、Sales_G_ttm、Sales_G_3y、Profit_G_q、Profit_G_ttm、Profit_G_3y、OCF_G_q、OCF_G_ttm、OCF_G_3y、ROE_G_q、ROE_G_ttm、ROE_G_3y，首先经实证分析发现，不同一级行业间成长因子差异较大，并且随时间推移同一行业的成长因子水平也在不断变化。通过计算成长因子与市值因子的相关性发现，除四个长期增长率因子Sales_G_3y、Prof

摘要

“不以规矩，不能成方圆”。没有系统的因子评价体系，难以筑起多因子研究的高楼。

本篇报告专注于单因子评价体系的介绍，挖掘能产生 alpha 的因子是量化选股的核心竞争力！主流的因子评价包括 IC 体系和分组测试两大块，两者共涉及到二十余项因子评价指标，共同构建了一套完整的体系。

IC 评价体系的核心在于 IC，其基石是主动管理基本定律 IR=IC*√𝐵𝑅。IC 的衍生指标有 RankIC、IC 胜率等，IC 衰减可分为时间衰减、市值衰减和行业衰减，我们引入因子半衰期，市值衰减速率等指标来衡量。

分组测试是弱化版的回归，相较于 IC 体系，能更好展现指标

摘要

待测因子：流入类、净主动流入类、主力净流入类等

资金流向因子通过委托流数据构建, 反映了股票的微观供求信息。本文通过对资金流向因子进行相关强度分析并结合因子的定义，将Wind五十个资金流向因子分为八类，分别为流入类、流出类、主动净买入类、开盘主动净买入类、尾盘主动净买入类、主力净流入类、开盘主力净流入类以及尾盘主力净流入类，类内因子相关强度较高，类间因子相关强度较低。本文对八类因子进行单因子测试，发现其中四类因子（流入类因子、流出类因子、主力净流入类因子、开盘主力净流入类因子）在选股上存在一定的实用性。

单因子测试框架：分层回测、回归法、因子IC值分析

摘要

因子评价方法从多角度影响多因子策略

因子评价体系在多因子策略中有筛选有效因子的作用，筛选的功能体现在两个方面。首先是选择哪些因子纳入到收益模型中，其次是收益模型中的因子权重该如何分配。本文着重探讨了因子评价方法对因子权重分配的影响。

组合优化视角进行单因子研究

因子投资的本质是通过构造投资组合的方法实现对目标因子的投资，获取因子的超额收益。因此，从因子投资的本质出发，低成本、可复制是因子评价有意义的前提。以此为出发点来看，传统的因子评价方法均存在一定缺陷。综合考虑传统因子评价方法的优缺点后，我们认为，本着收益可复制的原则，在单因子测试的过程中控制风险暴露能够

问题

单因子分析，点击因子追踪后，无法保存，并且报错，如图所示

# 本代码由可视化策略环境自动生成 2021年8月25日 15:32
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


m1 = M.input_features.v1(
    features="""
# #号开始的表示注释，注释需单独一行
# 多个特征，每行一个，可以包含基础特征和衍生特征，特征须为本平台特征
pb_lf_0"""
)

m2 = M.factorlens.v1(
    features=m1.data,
    title='因子分析: {factor_name}',