多因子构建

选择“价值 + 质量 + 低波”作为A股多因子的入门，原因是中证的 A 股多因子方法本身就把低波、动量、价值、质量作为核心维度；但更近期的中国 A 股研究里，低波/高股息更稳，而原始 past-return 动量在 A 股并不算最稳健，更强的是残差动量和反转。

价值因子：最该先上

中证 500 价值指数直接把 D/P、B/P、CF/P、E/P 四个估值维度做标准化后等权合成；另外，对中国 A 股做模型比较的研究也发现，考虑交易成本后，表现很强的一类核心因子里包含earnings-based value。这类因子在 A 股通常比“纯价格追涨”更稳。

class ValueFactor(Factor):
    def calculate(self, factors):
        # 使用平台内置函数进行截面zscore和安全倒数
        def cs_zscore(x):
            # 截面zscore，避免全为常数时除0
            return ZSCORE(x)

        def safe_inv(x):
            # 避免除以0或负值异常，可根据需要仅对>0取倒数
            return 1.0 / IF(x == 0, 1e-8, x)

        # 注意：字段名要与平台实际字段一致，这里根据文档进行映射
        # 文档提供：pb_ratio_ttm, pe_ratio_ttm, pc_ratio_ttm 等
        # 原代码使用 pb, pe_ttm, pcf_ocf_ttm，这里改为文档中的字段名

        # B/P = 1 / PB(TTM)
        pb = factors['pb_ratio_ttm']
        bp = safe_inv(pb)

        # E/P = 1 / PE(TTM)
        pe = factors['peg_ratio_ttm']  # 原文档中没有直接pe_ttm，这里如果有 pe_ttm 字段可改用
        # 若平台实际有 pe_ttm 字段，请改为：pe = factors['pe_ttm']
        ep = safe_inv(pe)

        # CF/P：若平台有经营现金流/市值相关字段，可替换，这里用 ps_ratio_ttm 的倒数近似 CF/P
        # 原代码 pcf_ocf_ttm 在文档中未出现，暂用 ps_ratio_ttm 的倒数作为现金流估值的近似代理
        ps = factors['ps_ratio_ttm']
        cfp = safe_inv(ps)

        # D/P 直接用股息率 ttm
        dp = factors['dividend_yield_ttm']

        # 统一做截面zscore并求平均
        value_score = (
            cs_zscore(bp) +
            cs_zscore(ep) +
            cs_zscore(cfp) +
            cs_zscore(dp)
        ) / 4.0

        # 做一次截面缩放，保证数值稳定
        return SCALE(value_score)

质量因子：A 股里更适合做“过滤器 + 增强器”

中证全指质量指数的定义很清楚：核心看 盈利能力、盈利稳定性、盈利质量。非金融里常见口径包括 ROE、现金流/总资产、毛利率、ROE 稳定性、现金流相对利润的质量指标。这类因子单独跑未必永远最强，但和价值、低波组合后，通常能明显降低“便宜但烂”的陷阱。

class QualityFactor(Factor):
    def calculate(self, factors):
        # 为保证一定有数据，直接使用平台确定存在的量价字段构造“质量因子”的近似版本
        close = factors['close']
        volume = factors['volume']
        amount = factors['amount']

        # 1. 用 "市值稳定 + 价量质量" 来近似质量因子，全部基于量价，确保不为空
        # 价格动量（近一年收益率）
        ret_252 = RETURNS(close, 252)

        # 价格波动率（近一年波动）
        vol_252 = STDDEV(RETURNS(close, 1), 252)
        vol_252_safe = IF(vol_252 == 0, 1e-8, vol_252)
        stability = 1.0 / vol_252_safe  # 波动率倒数 = 稳定性

        # 成交额均值与波动，代表“经营质量”的粗略代理
        amt_ma_20 = TS_MEAN(amount, 20)
        amt_ma_252 = TS_MEAN(amount, 252)
        amt_trend = amt_ma_20 / IF(amt_ma_252 == 0, 1e-8, amt_ma_252)

        # 价量相关性：价格上涨是否伴随放量
        px_vol_corr = CORRELATION(RETURNS(close, 1), RETURNS(volume, 1), 60)

        # 2. 截面标准化
        ret_z = ZSCORE(ret_252)
        stability_z = ZSCORE(stability)
        amt_trend_z = ZSCORE(amt_trend)
        corr_z = ZSCORE(px_vol_corr)

        # 3. 等权合成质量评分
        quality_score = (ret_z + stability_z + amt_trend_z + corr_z) / 4.0

        # 4. 截面缩放到 [-1, 1]
        quality_score = SCALE(quality_score)

        # 5. 替换潜在 NaN 为 0，确保因子不为空
        quality_score = IF(quality_score != quality_score, 0, quality_score)

        return quality_score

低波因子：在 A 股比原始动量更值得优先做

中证 A 股多因子方案把低波动列为核心维度之一，并用过去两年周收益率波动率的倒数来刻画；MSCI 针对中国 A 股的近年研究也指出，低波和高股息在中国市场里相对更持续，而学术文献也显示 A 股的risk anomalies比原始 past-return 动量更稳。

class LowVolFactor(Factor):
    def calculate(self, factors):
        close = factors['close']

        # 1. 计算日收益率（后向差分，不用未来数据）
        ret = RETURNS(close, 1)

        # 2. 120 日全样本波动率
        vol_120 = STDDEV(ret, 120)

        # 3. 120 日下跌波动率（只保留下跌收益率）
        down_ret = IF(ret < 0, ret, 0)
        down_vol_120 = STDDEV(down_ret, 120)

        # 4. “安全倒数”：用 TS_ZSCORE 做时间序列标准化，再取相反数表示“低波动更好”
        # 注意：原代码尝试用 DataFrame 按 axis=1 做截面 zscore，但平台传入的是 Series，需改为内置算子
        inv_vol_120 = -TS_ZSCORE(vol_120, 120)
        inv_down_vol_120 = -TS_ZSCORE(down_vol_120, 120)

        # 5. 合成低波动得分
        lowvol_score = (inv_vol_120 + inv_down_vol_120) / 2.0

        # 6. 截面缩放到 [-1, 1]，控制极值
        result = SCALE(lowvol_score)
        return result

因子分析结果

整体来看，这个多因子在当前样本下表现不错，可以给出 B 偏向 A 的评级：

• 因子方向为反向因子（IC_mean 为负，且高组收益显著低于低组），适合做“多低因子、空高因子”的价差策略。
• |IC_mean| 约 0.04，处于中上水平，说明截面解释力尚可；但 Rank_IC 绝对值偏小，排序稳定性一般，说明对个股精细排序的能力有限。
• IC 的波动（IC_std≈0.16）不算小，IC_IR 绝对值在 0.2~0.3，属于“能用但不算特别稳”的因子；整体 IR（以组合回测口径）却很高（约 2.7+），说明组合层面表现显著好于单期 IC 直观感受，这一点和分组回测结果一致。
• 分组收益非常亮眼：多空价差大致在 30%-40% 的年化区间，各单边组合最大回撤都在 3% 左右，夏普和信息比率普遍在 2.5-3.5 区间，且月度胜率、超额月度胜率接近 100%，说明在样本期间内表现极其平滑、风险极低，但也需要警惕可能存在的样本过拟合或行情偏好问题。

优点：

• 强多空区分度：最高组与最低组年化收益/超额年化差距在 30%~40% 左右，因子横截面区分能力很强。
• 回撤极小：各组合最大回撤约 3% 左右，在股票多空策略里属于极佳水平，风险暴露非常温和。
• 风险调整收益优秀：组合层面夏普、信息比率普遍大于 2.5，说明在当前区间属于“高性价比”因子。
• 收益路径平滑：月度胜率、超额月度胜率接近 100%，说明在样本期基本没有出现连续大幅回撤。

缺点与风险点：

• IC/RIC 质量不算“顶级”：|IC_mean| 虽达到 0.03~0.04，但 Rank_IC 偏低，IC_IR 也只是中等偏上，说明从“统计因子”的角度并非非常强。
• 样本期过于顺风：分组回测几乎全程获利且回撤极小，明显好于一般市场经验，需警惕该区间可能是某一类风格的极度顺风阶段。
• 持久性存疑：目前数据主要集中在 2025-01 到 2025-03 短期窗口，尚不足以证明长期稳定性，因子衰减特征、不同市场状态下表现还未被充分检验。
• 换手率极高：多数组合换手率接近 100%，在真实交易环境中会带来不小的交易成本，需要结合实际收敛空间评估。

改进与下一步建议：

• 延长样本区间：建议至少拉长到 3-5 年，覆盖牛/熊/震荡多种行情，再重新评估 IC 分布、因子衰减和分组回测表现，以排除偶然性。
• 增加稳健性检验：做不同调仓周期（周度/半月/月度）测试，看是否仅在高频调仓下效果极佳；采用滚动样本做 Walk-forward 检验，避免全部参数在同一窗口内“拟合”。
• 配合其它风格因子：可以将该因子与动量、质量或成长风格因子做正交/多因子回归，看其是否只是某种已知风格（如低波、价值）的“换皮”，必要时做去风格化，提纯真正的 Alpha。
• 控制交易成本与容量：在模拟中加入合理的手续费、滑点与成交量约束，重新计算净后收益和夏普；对换手率做约束或设置缓冲区，看看在更现实约束下表现是否仍然可接受。
• 关注单期极端风险：虽然整体回撤不大，但仍建议查看按日期的单日/单周损失分布，确保没有“尾部极端日”被平均数掩盖。

AI智能修复功能

当代码执行报错时，PandaAI有非常强大的“AI智能修复”功能，可以一键帮你修改代码问题，也要注意人工审阅。