--- 一、问题的提出：因子表现为什么不稳定？ 做量化的朋友应该都有这样的体会：一个因子上个月还能选出一堆牛股，这个月突然就不灵了。你以为是因子失效了？其实很可能只是市场风格变了。 打个比方，这就像开车——你在高速公路上可以踩油门开到120，但进了市区还这么开，那就是找事了。动量因子也是一样，牛市里追涨杀跌没问题，但到了震荡市或者熊市，这套玩法就容易踩坑。 问题在于，我们现在用的大部分因子都是"一根筋"的——不管市场是涨是跌，是疯狂还是恐慌，它们都用同一套逻辑在选股。这就像不管春夏秋冬都穿同一件衣服，肯定有时候会不合适。 所以我们需要让因子变得"聪明"一点，能够感知到市场的冷暖，知道...

作者：AionX 时间：2026-03-12 多因子模型的构建依赖于经过合理处理的单因子。那么，如何处理单因子使之可用？又该经历哪些处理步骤？本文基于pandaAI多因子实战营第5节课的学习，完整复现了因子处理的全流程，以市值因子为例进行详细说明，期望为读者提供实践参考。 市值因子的概念相对直观。A股市场常说"盘子太大拉不动"，这里的"盘子"即指总市值。其计算方式为： 总市值=流通股本×当前股价 一.市值对数化处理 选取2019年某一交易日的全市场数据，将各上市公司市值绘制成分布直方图： ...

1.前提提要 前面已经可以让AI助手生成可以跑通的期货回测的工作流，以下截图展示结果，仅供参考。   2.本周内测任务 我利用上面提到工作流连接了仿真盘，并成功启动，但因为在非交易时间，没有数据显示，但能迅速的连接和启动  下次我将在交易时间测试...

篇分享研报中提及的几个由高频数据构建的因子，以及由当天1分钟K线的形态偏离正态的假设做的检定值构建的因子 研报重点分享 高频因子v.s.高频因子低频化 高频策略通常是基于level2的行情数据包含个股分钟K线、盘口快照、委托队列、成交明细等，在实盘利用实时数据计算结果后在极小时间内做买卖。 高频因子相较于低频因子的挑战有以下幾點 1.<fontsize=4IC衰减快</font，需要更频繁的更新因子值以捕捉高频信息，带来的代价是换手率的增加。 下图为研报中对收益率方差的高低频衰减对比，可以看...

市场状态感知因子：方法论与实现指南（以动量&波动率为例） 前言 上一篇《自适应市场状态感知因子的构建》的文章中，我们提出了在因子层面构建市场状态感知因子的思路，不同于在模型层面对因子权重动态调整的因子择时方法，我们的设计思路希望在因子构建层面能够动态感知市场状态的变化。本篇研究继续上篇文章的思路，构建方法层面更加严谨，特别是动量因子及其线性组合形式的衍生因子，可以参照CAMP形式的构建方式构建具备市场动量感知的因子。虽然不是严格的数学推到，但是也尽量从逻辑层面尽量严谨。本篇主要以动量因子为例，...

一因子分析和回测策略 1.1由生成一个期货因子分析的框架：因子是关于量价方面的，在2024-2025年分析，并给出分析结果 生成如下工作流  GroupReturn; Summary; 1.2由Ai生成一个期货回测的框架：策略核心逻辑是根据布林带突破策略，在2025年分析 生成如下工作流  1.回测结果; 2.结果分析; 整体来看，...

本周（2026-02-232026-03-02）主要围绕策略迁移与因子研究推进三件事： 1.将已有策略迁移到PandaAI，并跑通基础回测； 2.明确“因子分析”和“策略回测”的边界与衔接； 3.在可运行框架上，先完成一批基础因子拆分与验证。 本周聚焦两条策略线： 1.JSG策略（股票） 2.价值趋势策略（股票） --- 二、本周实际完成情况 2.1已完成 1.两条策略已完成基础迁移，并在平台侧完成回测运行；   2.已搭...

一、引言 近年来，随着A股市场机构化率的显著提升，指数增强策略（IndexEnhancement）逐渐成为量化投资领域的重要研究方向。与传统被动指数投资不同，指数增强策略旨在在严格跟踪基准指数风格、行业权重和风险暴露的前提下，通过系统化的选股、因子构建与组合优化获取稳定的超额收益（Alpha），从而在风险可控的条件下增强整体收益率。 中证1000指数作为反映中国中小市值公司整体表现的宽基指数，其成分股数量多、行业分散度高、个股波动性强，为基于量化因子进行指数增强提供了广阔空间。尤其是在近年来的市...

LLM自动生成交易策略初体验 1.1量化书籍推荐《因子投资-方法与实践》 《因子投资：方法与实践》（作者：石川、刘洋溢、连祥斌）是pandaAI不白总在公众号推荐的，这是一本系统介绍因子投资理论与实证方法的中文专著，既有理论深度，又注重可操作性，特别适合想从实证与“量化建模”角度理解因子投资的读者。 📘主要内容概要 1.因子投资基础与框架 书中从统一视角出发，解释了什么是“因子”，为什么要用因子来构建投资组合，并介绍因子投资在金融和资产配置中的作用机制。 2.因子投资方法论 系统介绍因...

上一篇文章我们介绍了高频因子的高阶特征因子，这一篇继续介绍流动性因子、量价相关性因子，并在因子分析的基础上加入策略回测。 研究环境利用聚宽因子分析API，构建因子函数类；研究在日内高频分钟级数据中挖掘构建高频因子，对该因子进行有效性检验，并利用回测平台进行回测。 一流动性因子 1.1因子介绍 第四大类因子为流动性因子。流动性刻画股票交易所需要的时间和成本，一般来说，流动性较差的个股通常有更高的预期收益，这是对流动性风险的风险补偿。因此，流动性因子通常表现为流动性越低，未来收益越高的特征（也会...

多因子实操总体结构 1.1总体流程 数据获取； 构造因子； 数据处理； 单因子测试； 多因子集中测试； 共线性分析； 因子变换； 因子组合； 构建策略； 1.2数据获取 1.数据说明：27×个中国市场指数（日期、收盘价、成交量等）； 2.周期：20年以上的日频数据； 3.输入：原始行情数据Excel； 4.输出：整理后的因子原始数据Excel； 1.3构造因子 因子来源：价量顺势、反转、波动率、估值、盈利、成长等； 计算工具：通过Python/Jupyter计算并写回Excel； 示例：构造单个价格斜率因子（slope类），如past_5_price_slope； 1.4数据处理 1....

多账户仿真测试 pandaAI能创建三个仿真实盘，这点我非常喜欢。作为以波段交易为主的交易者，我需要一个持续跑波段策略的账户，但如果只有这一套在跑，就很难同时测试其他想法。pandaAI很好地解决了这个痛点——可以为不同策略分配独立账户，做到并行验证与实盘演练。  我目前同时运行三个方向的策略：短线、波段和日内高频。波段策略负责抓住中期趋势，作为我的主力；短线策略则专注日内机会，保持频繁参与市场；日内高频策略...

上一篇文章我们介绍了高频因子的流动性因子、量价相关性因子，这一篇继续介绍筹码分布因子，并在因子分析的基础上加入策略回测。 研究环境利用聚宽因子分析API，构建因子函数类；研究在日内高频分钟级数据中挖掘构建高频因子，对该因子进行有效性检验，并利用回测平台进行回测。 一筹码分布因子 1.1因子介绍 第六大类因子为筹码分布因子。筹码分布旨在刻画股票持有人的持仓成本分布情况。筹码分布能够直观地展示不同价格区间上的持仓数量，从而帮助投资者判断市场的平均持仓成本。如果大部分筹码集中在较低的价格区间，说...

摘要 本研究报告基于聚宽量化平台，构建并验证了两种不同的多因子选股策略。通过对A股市场2015年1月1日至2025年1月1日的实证研究，我们发现策略一(ARBR技术指标策略)表现显著优于策略二(多因子打分策略)。策略一实现了2345.02%的策略收益，年化收益率高达38.92%,夏普比率为0.456,最大回撤为31.70%,展现了卓越的风险调整后收益。策略二则获得30.79%的策略收益，年化收益率为2.80%。研究证实了技术指标与基本面因子结合的有效性，为量化投资实践提供了重要参考。 一、引言 ...

细读研报（因子切割论） 因子切割论核心框架的三要素为对象、工具、产出，三者构成因子切割与优化的完整逻辑链，且每个要素有明确的定义、要求和应用特征，具体如下： 1.对象：具有可加性的目标变量 这是因子切割的基础，要求被切割的指标具备时间轴上的可加性——对“整体”指标在时间维度分割后，得到的各“部分”变量含义保持不变，且可重新组合加总。 有效对象：涨跌幅、换手率、成交量、日均振幅等常见量价指标（如理想反转因子以“涨跌幅”为切割对象）； 无效对象：流通市值、市盈率等不具备时间可加性的指标。 2.工具：有区分能力的切割指标 这是因子切割论的核心，如同切割的“大斧”，要求该指标能有效区分市...

摘要 本报告对基于不同逻辑框架的两套股指期货量化策略进行了为期十年（2015年1月1日至2025年1月1日）的全面实证分析。 （一）策略一（动态趋势跟踪模型）与策略二（优化版本，跨期套利统计套利模型）​在相同的市场环境下展现出截然不同的风险收益特征。策略一以214.35%​的总收益率、12.50%​的年化收益率及-34.21%​的最大回撤，展现了趋势跟踪策略的进攻性；而策略二则以1675.78%的总收益、34.43%​的年化收益及-17.13%​的最大回撤，实现了风险与收益的完美平衡。 （二）核...

工作流自动生成 1.1因子分析框架的工作流自动生成和调试 根据课程提示可以简单的制作因子分析的框架，并根据日志提示进行自动调整; 但当想要构建多因子分析框架时，就会产生很多错误，还需要进一步的探索是什么思路的问题以及进一步如何引导工作流的成功运行;  如图所示，可以根据官网提供的各种错误代码进行逐一的耐心调试，并且可以把日志的错误复制给AI助手进行修改。 1.2策略回测的工作流自动生成和调试 1.根据课程提...

一、引言 在A股市场中，中证500指数作为表征中小盘成长股的核心指数，兼具高弹性与高成长属性，长期以来受到量化投资者的广泛关注。本研究构建了一套创新的多策略融合量化投资体系，将指数增强策略与期货CTA策略有机结合，通过基本面选股与趋势跟踪相结合的方式，在控制风险的前提下追求稳健的超额收益。 随着市场有效性的逐步提升，单一策略的超额收益空间逐渐收窄，而多策略融合的投资框架展现出更强的适应性。本文基于Python量化交易框架，构建了一套以中证500指数为基准的股期混合策略，通过基本面多因子选股筛选优...

上一篇文章我们介绍了高频因子的波动率类因子，这一篇继续介绍高阶特征因子，并在因子分析的基础上加入策略回测。 研究环境利用聚宽因子分析API，构建因子函数类；研究在日内高频分钟级数据中挖掘构建高频因子，对该因子进行有效性检验，并利用回测平台进行回测。 一高阶特征因子 1.1构建方法 第三大类因子为高阶特征因子。高阶特征利用股票高阶矩与其未来收益建立联系，刻画日内价格分布以及快速变化的特征，能够有效反映价格的除动量和波动率这样一阶和二阶特征外更高阶的特征。  将分...