Alphalens笔记

关注

原创最新推荐文章于 2026-03-21 00:43:13 发布 4.4k 阅读 AI 写同款· GEO 优化 ›

金融学习之三——晕头转向的alphalens alphalens分析是一个进行单因子分析的开源项目。alphalens需要的数据有自己要求的格式，因此整个过程就分为两个部分：（a）处理数据，形成所需的格式（b）计算并理解数据的结果。下午跑了一遍前文书中提到的alphalens单因子有效性分析，程序是跑完了，可结果还有待看懂，大概的过程如下：（1）获取数据，进行初步处理 import tushare as ts ts.set_token('*********************************') pro=ts.pro_api() dat 阅读详情

一、Alphalens 简介

Alphalens是用于因子分析的Python工具包，是Quantopian公司旗下三大开源包之一，另外两个分别是 Zipline（回测）和Pyfolio（绩效和风险分析）。

Github-Zipline：回测
Github-Alphalens：因子分析
Github-Pyfolio：绩效和风险分析

Alphalens的主要功能：

Returns Analysis
Information Coefficient Analysis
Turnover Analysis
Grouped Analysis

二、Alphalens 安装

alphalens 0.3.6
使用pip安装：

pip install alphalens

使用conda安装：

conda install -c conda-forge alphalens

三、Alphalens 使用

1、数据预处理

factor_data = utils.get_clean_factor_and_forward_returns(factor_df, price_df, 
quantiles=5, bins=None,periods=(1, 5, 10, 20), max_loss=0.5)

factor_df:
在这里插入图片描述
price_df:

factor_data:

2、主要功能 alphalens.tears.create_full_tear_sheet

def create_full_tear_sheet(factor_data,
                           long_short=True,
                           group_neutral=False,
                           by_group=False):
	# 因子分组统计结果
    plotting.plot_quantile_statistics_table(factor_data)
    # 因子收益率分析
    create_returns_tear_sheet(factor_data,
                              long_short,
                              group_neutral,
                              by_group,
                              set_context=False)
    # 因子IC分析
    create_information_tear_sheet(factor_data,
                                  group_neutral,
                                  by_group,
                                  set_context=False)
    create_turnover_tear_sheet(factor_data, set_context=False)

1）因子分组统计结果

plotting.plot_quantile_statistics_table(factor_data)

生成Quantiles Statistics，因子值factor_data[‘factor’]按不同分组factor_data[‘factor_quantile’]进行统计分析。
在这里插入图片描述

２）因子收益率分析

create_returns_tear_sheet

def create_returns_tear_sheet(factor_data,
                              long_short=True,
                              group_neutral=False,
                              by_group=False):

	# weights = factor_weights(factor_data, demeaned, group_adjust, equal_weight)
	# weights = (factor - factor.mean())/sum(abs((factor - factor.mean())))
	# 某一交易日所有股票的因子值，去中心化(factor - factor.mean())后得到权重weights
	# 该交易日的factor_returns=factor_data中的收益率按照weights加权平均
	# factor_returns相当于是因子值加权的收益率，其中weights和为0。 
    factor_returns = perf.factor_returns(factor_data,
                                         long_short,
                                         group_neutral)


	# Compute mean returns for factor quantiles across provided forward returns columns.
	# 首先，对同一横截面上的收益率去中心化处理(x - x.mean())
	# 然后，对不同分组factor_quantile(level)计算去中心化收益率的均值(mean_quant_ret)和
	# 标准差(std_quantile)
    mean_quant_ret, std_quantile = \
        perf.mean_return_by_quantile(factor_data,
                                     by_group=False,
                                     demeaned=long_short,
                                     group_adjust=group_neutral)
                                     
	# period_ret.add(1).pow(conversion_factor).sub(1)
	# 将收益率按照base_period统一计算维度
    mean_quant_rateret = \
        mean_quant_ret.apply(utils.rate_of_return, axis=0,
                             base_period=mean_quant_ret.columns[0])

	# compute quantile bucket returns separately for each date.
	# 首先，对横截面上的收益率去中心化(x - x.mean())
	# 然后，对不同分组和不同日期分别计算去中心化收益率的均值(mean_quant_ret_bydate)
	# 和标准差(std_quant_daily)
    mean_quant_ret_bydate, std_quant_daily = \
        perf.mean_return_by_quantile(factor_data,
                                     by_date=True,
                                     by_group=False,
                                     demeaned=long_short,
                                     group_adjust=group_neutral)

    mean_quant_rateret_bydate = mean_quant_ret_bydate.apply(
        utils.rate_of_return, axis=0,
        base_period=mean_quant_ret_bydate.columns[0]
    )

    compstd_quant_daily = \
        std_quant_daily.apply(utils.std_conversion, axis=0,
                              base_period=std_quant_daily.columns[0])
	
	# reg_fit = OLS(y, x).fit()
	# alpha, beta = reg_fit.params
	# x为横截面上所有个股的平均收益率，x代表市场表现
	# x = add_constant(x)
	# y为因子值加权的收益率(factor_returns)
    alpha_beta = perf.factor_alpha_beta(factor_data,
                                        factor_returns,
                                        long_short,
                                        group_neutral)

	# Top组的mean_quant_rateret_bydate - Bottom组的mean_quant_rateret_bydate
    mean_ret_spread_quant, std_spread_quant = \
        perf.compute_mean_returns_spread(mean_quant_rateret_bydate,
                                         factor_data['factor_quantile'].max(),
                                         factor_data['factor_quantile'].min(),
                                         std_err=compstd_quant_daily)

    fr_cols = len(factor_returns.columns)
    vertical_sections = 2 + fr_cols * 3
    gf = GridFigure(rows=vertical_sections, cols=1)

	# 表格Returns Analysis(不同周期下的收益率结果)：
	# alpha、beta、mean_quant_rateret.iloc[-1]、mean_quant_rateret.iloc[0]、
	# mean_ret_spread_quant.mean()
    plotting.plot_returns_table(alpha_beta,
                                mean_quant_rateret,
                                mean_ret_spread_quant)
                                
	# 柱形图Mean Period Wise Return By Factor Quantile：
	#　mean_quant_rateret，分组平均超额收益（收益去中心化处理）
    plotting.plot_quantile_returns_bar(mean_quant_rateret,
                                       by_group=False,
                                       ylim_percentiles=None,
                                       ax=gf.next_row())
	# 小提琴图violin
    plotting.plot_quantile_returns_violin(mean_quant_rateret_bydate,
                                          ylim_percentiles=(1, 99),
                                          ax=gf.next_row())
	# <CustomBusinessDay>
    trading_calendar = factor_data.index.levels[0].freq
    if trading_calendar is None:
        trading_calendar = pd.tseries.offsets.BDay()
        warnings.warn(
            "'freq' not set in factor_data index: assuming business day",
            UserWarning
        )

    for p in factor_returns:
    # p遍历factor_returns的列名1D、5D、10D、20D

        title = ('Factor Weighted '
                 + ('Group Neutral ' if group_neutral else '')
                 + ('Long/Short ' if long_short else '')
                 + "Portfolio Cumulative Return ({} Period)".format(p))
		
		# 因子加权的多空累计收益净值曲线
		# Factor Weighted Long/Short Portfolio Cumulative Return (1D Period)
		# factor_returns = perf.cumulative_returns(factor_returns, period, freq)
        plotting.plot_cumulative_returns(
            factor_returns[p],
            period=p,
            freq=trading_calendar,
            title=title,
            ax=gf.next_row()
        )
		
		# 因子分组超额收益净值曲线
        plotting.plot_cumulative_returns_by_quantile(
            mean_quant_ret_bydate[p],
            period=p,
            freq=trading_calendar,
            ax=gf.next_row()
        )

    ax_mean_quantile_returns_spread_ts = [gf.next_row()
                                          for x in range(fr_cols)]
    plotting.plot_mean_quantile_returns_spread_time_series(
        mean_ret_spread_quant,
        std_err=std_spread_quant,
        bandwidth=0.5,
        ax=ax_mean_quantile_returns_spread_ts
    )

    plt.show()
    gf.close()

去中心化因子的加权收益率

demeaned = True
weights = factor_weights(factor_data, demeaned, group_adjust, equal_weight)

weights = (factor - factor.mean())/sum(abs((factor - factor.mean())))
同一横截面上所有股票的因子值，去中心化(factor - factor.mean())后得到权重weights
该交易日的因子加权收益率factor_returns=factor_data中的收益率按照weights加权平均

factor_returns = perf.factor_returns(factor_data, long_short, group_neutral)

在这里插入图片描述

mean_quant_rateret

首先，对同一横截面上的收益率去中心化处理(x - x.mean())，factor_data[]

# factor_data['5D']=factor_data.groupby('date')['5D'].transform(lambda x: x - x.mean())
factor_data = utils.demean_forward_returns(factor_data)

然后，对不同分组factor_quantile(level)计算去中心化收益率的均值(mean_quant_ret)和标准差(std_quantile)

grouper = ['factor_quantile', factor_data.index.get_level_values('date')]
mean_quant_ret = factor_data.groupby(grouper)['1D','5D','10D','20D'].mean()

将收益率按照base_period统一计算维度

mean_quant_rateret = mean_quant_ret.add(1).pow(conversion_factor).sub(1)

在这里插入图片描述

表格Returns Analysis(不同周期下的收益率结果)：

alpha、beta、 mean_quant_rateret.iloc[-1]、mean_quant_rateret.iloc[0]、mean_ret_spread_quant.mean()

plotting.plot_returns_table(alpha_beta,
                           mean_quant_rateret,
                           mean_ret_spread_quant)

在这里插入图片描述

分组平均超额收益Mean Period Wise Return By Factor Quantile：

mean_quant_rateret，分组平均超额收益（收益去中心化处理）

plotting.plot_quantile_returns_bar(mean_quant_rateret,
                                   by_group=False,
                                   ylim_percentiles=None,
                                   ax=gf.next_row())

在这里插入图片描述

因子加权的多空累计收益净值曲线

# Factor Weighted Long/Short Portfolio Cumulative Return (1D Period)
# factor_returns = perf.cumulative_returns(factor_returns, period, freq)
plotting.plot_cumulative_returns(
    factor_returns[p],
    period=p,
    freq=trading_calendar,
    title=title,
    ax=gf.next_row()
)

在这里插入图片描述

因子分组超额收益净值曲线

plotting.plot_cumulative_returns_by_quantile(
    mean_quant_ret_bydate[p],
    period=p,
    freq=trading_calendar,
    ax=gf.next_row()
)

在这里插入图片描述

mean return spread 分布

Top组的mean_quant_rateret_bydate - Bottom组的mean_quant_rateret_bydate
在这里插入图片描述

３）IC分析

create_information_tear_sheet

def create_information_tear_sheet(factor_data,
                                  group_neutral=False,
                                  by_group=False):
            
    # Computes the Spearman Rank Correlation between factor values and
    # N period forward returns for each period in the factor index.
    # 计算每个横截面上,因子值与不同周期收益率的spearman相关系数                 
    ic = perf.factor_information_coefficient(factor_data, group_neutral)

	# 生成IC表Information Analysis:
    plotting.plot_information_table(ic)

    columns_wide = 2
    fr_cols = len(ic.columns)
    rows_when_wide = (((fr_cols - 1) // columns_wide) + 1)
    vertical_sections = fr_cols + 3 * rows_when_wide + 2 * fr_cols
    gf = GridFigure(rows=vertical_sections, cols=columns_wide)

    ax_ic_ts = [gf.next_row() for _ in range(fr_cols)]
    plotting.plot_ic_ts(ic, ax=ax_ic_ts)

    ax_ic_hqq = [gf.next_cell() for _ in range(fr_cols * 2)]
    plotting.plot_ic_hist(ic, ax=ax_ic_hqq[::2])
    plotting.plot_ic_qq(ic, ax=ax_ic_hqq[1::2])

    plt.show()
    gf.close()

计算IC

ic = perf.factor_information_coefficient(factor_data, group_neutral)

计算同一横截面上收益率与因子的spearman相关性

stats.spearmanr( factor_data['5D'], factor_data['factor'])

在这里插入图片描述

生成IC表 Information Analysis

def plot_information_table(ic_data):
    ic_summary_table = pd.DataFrame()
    ic_summary_table["IC Mean"] = ic_data.mean()
    ic_summary_table["IC Std."] = ic_data.std()
    ic_summary_table["Risk-Adjusted IC"] = \
        ic_data.mean() / ic_data.std()
    t_stat, p_value = stats.ttest_1samp(ic_data, 0)
    ic_summary_table["t-stat(IC)"] = t_stat
    ic_summary_table["p-value(IC)"] = p_value
    ic_summary_table["IC Skew"] = stats.skew(ic_data)
    ic_summary_table["IC Kurtosis"] = stats.kurtosis(ic_data)

    print("Information Analysis")
    utils.print_table(ic_summary_table.apply(lambda x: x.round(3)).T)