量化研究---小果因子分析系统使用教程，可转债macd因子为例子

文章链接 量化研究---小果因子分析系统使用教程，可转债macd因子为例子 (qq.com)

因子分析是一种多维变量统计分析方法，用于从多个变量中提取少数公共因子。

具体来说，因子分析的核心目的是通过研究变量之间的相关性，将多个相关联的变量归结为几个较少的公共因子。这些公共因子能够代表原始变量中的大部分信息，而每个原始变量则可以表示为这些公共因子和一个特殊因子（独特性）的线性组合。以下是因子分析的几个关键点：

1. 提取共性因子：因子分析最早由心理学家C.E.斯皮尔曼提出，他在研究学生的各科成绩时发现，不同科目之间存在一定的相关性，即一科成绩好的学生往往在其他科目上也有不错的表现。这种相关性启发了他从中提取共性因子的想法。

2. 可观测变量与隐变量：在因子分析中，可观测的变量通常受到背后的公共因子（也称为隐变量）的影响。样本在公共因子上的取值变化会影响其在可观测变量上的取值。

3. 降维处理：因子分析常用于对多个观测变量进行降维处理，例如将多个问卷题目降维为几个公共因子，这有助于简化数据结构，更容易地进行后续分析。

4. 多元统计分析方法：它是一种多元统计方法，通过研究指标相关矩阵内部的依赖关系，将信息重叠、具有复杂关系的变量归结为少数几个不相关的综合因子。

5. 计算因子权重和综合得分：除了用于降维，因子分析还可以用来计算因子权重，以及基于这些权重计算加权的综合得分。

股票因子分析是量化交易中用于评估因子有效性的一种方法。

在股票投资领域，因子分析是一种重要的量化研究手段，它通过对各种可能影响股票价格和收益率的因素进行分析，来预测股票的未来表现。这些因素被称为“因子”，它们可以是宏观经济数据、公司基本面信息、市场情绪指标等。以下是一些常见的股票因子：

1. 规模因子：通常指的是公司的总市值，它是衡量公司大小的一个指标。

2. 估值因子：如市盈率（Price to Earnings Ratio, P/E），用以评估股票的估值水平。

3. 成长因子：例如营业利润同比增长率，反映公司的成长性。

4. 盈利因子：如净资产收益率（Return on Equity, ROE），衡量公司的盈利能力。

5. 动量反转因子：以前1个月的涨跌幅来衡量，反映股票的价格动量。

6. 交投因子：以前1个月日均换手率来表示，反映股票的交易活跃程度。

7. 波动因子：以前1个月的波动率来衡量，反映股票的价格波动性。

8. 股东因子：如户均持股比例变化，显示股东结构的变化情况。

1导入因子分析框架

from trader_tool.unification_data import unification_datafrom factor_analysis_frame.factor_analysis_frame import factor_analysis_framefrom trader_tool import jsl_datafrom finta import TAfrom tqdm import tqdmimport pandas as pddata=unification_data(trader_tool='ths')data=data.get_unification_data()

2获取全部的可转债代码

#计算计算指标bond=jsl_data.get_all_cov_bond_data()bond

3计算可转债全部的macd因子

#macd为例子 # factor_data:pandas.DataFrame格式,形如        #   instrument  date      hf_fz_ykws        # 0  000001.SZ  2017-01-03  1.564644        # 1  000001.SZ  2017-01-04  1.521567        # 2  000001.SZ  2017-01-05  1.519973        # 3  000001.SZ  2017-01-06  1.553225        # 4  000001.SZ  2017-01-09  1.367971'''factor_return数据格式instrument  date daily_ret  127005  2018-03-12  NaN  127005  2018-03-13  NaN  2  127005  2018-03-14  NaN  3  127005 2018-03-15  NaN  4  127005 2018-03-16  NaN  .84620  110095 2023-08-25  0.0'''stock_list=bond['转债代码'].tolist()factor_data=pd.DataFrame()factor_return=pd.DataFrame()for i in tqdm(range(len(stock_list))):    factor_data_df=pd.DataFrame()    factor_return_df=pd.DataFrame()    stock=stock_list[i]    instrument=stock    hist=data.get_hist_data_em(start_date='20160101',end_date='20500101',stock=stock)    macd=TA.MACD(hist)    hist['MACD']=macd['MACD']    factor_data_df['date']=pd.to_datetime(hist['date'])    factor_return_df['date']=pd.to_datetime(hist['date'])    factor_data_df['MACD']=hist['MACD']    factor_return_df['daily_ret']=hist['close'].pct_change()    factor_data_df['instrument']=instrument    factor_return_df['instrument']=instrument    factor_data=pd.concat([factor_data,factor_data_df],ignore_index=True)    factor_return=pd.concat([factor_return,factor_return_df],ignore_index=True)    

因子数据

收益数据

分组参数

#group_num分组#factor_field因子名称#instruments参考市场#benchmark参考指数#factor_direction因子方向params = {'group_num':5, 'factor_field':'MACD', 'instruments':'全市场',"benchmark":'00300', 'factor_direction':1}

执行因子回测框架

models=factor_analysis_frame(params=params,factor_data=factor_data,factor_return=factor_return)models.render()

分析的结果

完美看因子最大的值的标的

***********因子值最大的标的**************              date   factor  instrument137083  2024-04-18  17.9279      113615101673  2024-04-18  13.5632      123118283583  2024-04-18   8.9575      123018121191  2024-04-18   8.6597      12310689769   2024-04-18   8.6009      123127***********因子值最小的标的**************              date   factor  instrument1604    2024-04-18 -16.6805      1270971803    2024-04-18 -13.1377      127096296804  2024-04-18 -10.0244      123013300924  2024-04-18  -6.7810      1280411503    2024-04-18  -5.4322      123230(              date   factor  instrument 137083  2024-04-18  17.9279      113615 101673  2024-04-18  13.5632      123118 283583  2024-04-18   8.9575      123018 121191  2024-04-18   8.6597      123106 89769   2024-04-18   8.6009      123127,               date   factor  instrument 1604    2024-04-18 -16.6805      127097 1803    2024-04-18 -13.1377      127096 296804  2024-04-18 -10.0244      123013 300924  2024-04-18  -6.7810      128041 1503    2024-04-18  -5.4322      123230)

因子分析选股交易