主题：因子挖掘功能介绍

日期：2026-03-15 19:29:14 GMT+8

第五周操作指导教程视频：因子挖掘

（多因子挖掘和机器学习支持使用官方模版）

• 因子挖掘功能及大赛介绍

  • 功能概述

    • 因子挖掘方式：可自行挖掘熟悉因子，也可用 AI 机器学习模型辅助挖掘。此次重点介绍因子分析过程中的功能点、结果查看及指标细节。
    • 因子大赛：第三届因子大赛已开启，参会者了解功能细节后可参赛。

  • 单因子工作流

    • 因子生成：通过 AI 助手生成基础因子框架，如基础动量因子，用于参加大赛。
    • 节点介绍：包含公式输入、线性因子构建、因子分析和解因子分析结果四个节点。输入因子可用公式或 Python 代码，线性因子构建节点计算指定时间内所有股票的因子值，并进行排序。
    • 参数设置：调仓周期上限 30 组，分组数量影响每组股票数量，因子方向选择 0 或 1 会影响 IC 值和数据展示。
    • 因子正负判断：根据因子值正负判断因子正负向，可通过加负号将负向因子调正。
    • 参赛连接：确定调仓、分组和因子方向后，连接参赛节点，运行无报错即可提交工作流参赛。

  • 多因子工作流

    • 权重节点：多因子框架需增加权重节点，避免因子合并时仅进行线性数字加和。
    • 相关性分析：可连接因子分析相关性，查看构建因子的相关性。
    • 参赛连接：与单因子类似，将因子值连接到参赛节点，保持信息一致。

  • 非线性机器学习模型工作流

    • 输入方式：支持因子编写文档中的输入方式，以基础数据或处理后的数据作为多因子输入。
    • 模型训练：基于输入数据构建训练集，进行特征工程，调整模型参数。
    • 后续流程：与单因子逻辑一致，连接因子分析和参赛节点。

  • 因子评判与参赛

    • 评判指标：评判因子好坏看 IC 均值和 ICIR 值。
    • 参赛提交：每人可提交三个工作流，选择训练好的模型或表现不错的因子提交。

步骤 1｜了解因子分析工作流的基本构成

• 目标：熟悉因子分析所涉及的核心节点及其作用，建立完整的工作流认知。
• 操作步骤：
  1. 登录官网，进入 AI 工作流，点击已创建的工作流（或新建一个）。
  2. 在画布中观察默认生成的四个核心节点：
  • 公式输入节点：用于输入因子计算表达式（如 rank(close)/rank(volume)）或 Python 代码。
  • 线性因子构建节点：根据公式和指定时间范围（不超过 3 年），计算所有标的（股票/期货）的每日因子值，并可选进行排序（rank）。
  • 因子分析节点：设置调仓周期、分组数量、因子方向等参数，对因子值进行分层回测。
  • 因子分析结果节点：展示分析结果，包括分层收益曲线、IC 序列、夏普比率、年化收益等指标。
  3. 通过左侧伸缩边框可切换至 专家模式，查看每个节点背后的代码逻辑，加深理解。
• 输出结果：
  • 掌握了因子分析工作流的四个基本节点及其功能，为后续参数设置和结果解读打下基础。

步骤 2｜设置因子分析参数并理解其含义

• 目标：学会配置因子分析节点的关键参数，理解它们如何影响分析结果。
• 操作步骤：
  1. 点击 因子分析节点，在右侧参数面板中设置：
  • 调仓周期：即多长时间重新计算一次因子并进行分组调仓，上限为 30 组。例如设置为 5，表示每 5 天进行一次调仓。
  • 分组数量：将全部股票（如沪深全 A 约 5000 只）分成多少组。分组越多，每组股票越少。通常设为 5 组，每组约 1000 只股票。
  • 因子方向：选择 0 代表展示第一组（因子值最小的一组）的表现，选择 1 代表展示最后一组（因子值最大的一组）的表现。该参数会影响后续 IC 值的符号和展示的分组。
  2. 运行工作流，观察不同参数设置下分层收益曲线的变化。

• 输出结果：
  • 明确了调仓周期、分组数量、因子方向三个参数的实际作用，能够根据研究目的灵活调整。

步骤 3｜解读因子分析结果并调整因子

• 目标：学习如何从分析结果中判断因子的有效性、方向性，并掌握调整因子的方法。
• 操作步骤：
  1. 观察分层现象：查看分层收益曲线。若各组曲线从高到低排列清晰（如第一组收益最高，第五组收益最低），说明因子有良好的分层能力。
  2. 判断因子方向：
  • 查看 IC 均值（例如 -0.05）。若为负数，表示因子值为负向因子（因子值越小，未来收益越高）；若为正数，则为正向因子。
  • 也可观察第一组和最后一组的累计收益曲线：若第一组表现最好，则因子为正向（因子值越大收益越高）；若最后一组表现最好，则为负向。
  3. 调整因子方向：
  • 方法一：在公式前加负号（如 -rank(close)/rank(volume)），将因子值取反。
  • 方法二：在因子分析节点的 因子方向 参数中，若原本展示第一组（0），可改为展示最后一组（1），但注意这仅改变展示分组，不改变因子值本身。最佳实践是直接在公式中调整方向。
  4. 重新运行，验证调整后的 IC 均值变为正数，且分组曲线符合预期。

• 输出结果：
  • 掌握了通过分层曲线和 IC 值判断因子方向的方法，并能够正确调整因子，使其成为正向有效因子。

步骤 4｜构建多因子组合

• 目标：学会将多个单因子组合成复合因子，并分析因子间的相关性。
• 操作步骤：
  1. 准备多个单因子：复制多个“公式输入+线性因子构建”节点，分别构建不同的因子（如动量因子、价值因子等）。
  2. 引入权重节点：在每个因子构建节点后连接一个 因子权重节点（自定义权重，如 0.5、0.3、0.2），用于分配各因子的权重。若不使用权重节点，默认等权线性相加。
  3. 合并因子：将所有带权重的因子连接至 因子合并节点，生成复合因子值。
  4. 因子相关性分析：将合并前的多个单因子值连接至 因子相关性分析节点，查看因子间的相关系数矩阵，避免多重共线性。
  5. 后续流程：将合并后的因子值连接至 因子分析节点 进行回测，得到复合因子的表现。

• 输出结果：
  • 掌握了多因子组合的搭建方法，能够使用权重节点自定义因子权重，并通过相关性分析优化因子组合。

步骤 5｜使用机器学习模型挖掘非线性因子

• 目标：了解如何利用平台内置的机器学习节点挖掘非线性因子。
• 操作步骤：
  1. 准备基础数据：通过 公式输入节点 输入多个基础特征（如 close、volume、turnover 等），或使用因子编写文档中支持的函数生成衍生特征。
  2. 连接因子构建节点：将该节点作为 特征工程节点，指定训练集的时间范围（例如 start_date 到 end_date），它会基于该段数据构建特征矩阵。
  3. 连接机器学习模型节点：将特征工程节点的输出连接到机器学习模型节点（如 LightGBM、XGBoost），并在节点内调整模型参数（如树的数量、学习率等）。
  4. 生成非线性因子：机器学习模型节点会自动训练并输出预测值，作为新的非线性因子。
  5. 后续分析：将该因子连接至 因子分析节点，与单因子相同的方式进行回测评估。

• 输出结果：
  • 学会了使用机器学习模型挖掘非线性因子，拓展了因子挖掘的深度和可能性。

步骤 6｜提交因子到因子大赛

• 目标：将表现优异的因子工作流提交至第三届因子大赛，参与评选。
• 操作步骤：
  1. 确认因子表现：通过因子分析结果，选择表现最好的分组（如分组五夏普比率最高），记录其参数设置。
  2. 连接参赛节点：在因子分析结果节点后，连接 因子大赛参赛节点。
  3. 保持参数一致：确保参赛节点中的调仓周期、分组数量等参数与因子分析节点中的设置完全一致。
  4. 运行并检查：重新运行整个工作流，确保无报错，且参赛节点成功接收到因子值。
  5. 提交工作流：在因子大赛页面，点击“提交工作流”，选择已调试完成的工作流，填写相关信息后提交（每人可提交最多 3 个工作流）。

• 输出结果：
  • 成功将有效因子提交至因子大赛，获得参赛资格，并可角逐丰厚奖励。
    进阶探索与后续建议
• 后续建议：
  1. 编程进阶：熟悉 Python 的用户可在专家模式下自定义复杂节点，如实现独特的因子计算公式、自定义机器学习模型等。
  2. 多资产尝试：将因子构建节点中的标的切换为“期货”，探索期货市场的因子策略。
  3. 深入回测：对于表现优异的因子，可进一步连接 策略回测节点，模拟完整交易流程，评估收益风险特征。