因子研究 · PowerQuant

因子是量化选股的核心——用一个可计算的指标给股票打分，分数高的未来更可能跑赢。聚宽内置了数百个因子（质量、成长、动量、情绪、风险等），并提供完整的取值和分析 API。本章讲清怎么查因子、取因子值、做因子分析。

一、因子是什么

因子本质上是一个「股票 → 数值」的映射。例如：

PE 因子：每只股票的市盈率，PE 低的可能被低估。
动量因子：过去 N 天的涨幅，强者恒强。
质量因子：ROE 高的公司基本面好。

研究因子的核心问题是：**这个指标打分高的股票，未来是否真的跑赢？**聚宽的因子库和因子看板就是帮你回答这个问题的。

二、查看所有因子 — get_all_factors

聚宽因子库包含质量、基础、情绪、成长、风险、风格、技术、动量等大类，几百个因子：

from jqfactor import get_all_factors

df = get_all_factors()
# 列：factor（因子代码）、factor_intro（中文名）、category（分类）

返回一个 DataFrame，你可以按分类筛选：

# 筛选动量类因子
momentum_factors = df[df['category'] == 'momentum']

三、取因子值 — get_factor_values

拿到因子代码后，取具体数值：

from jqfactor import get_factor_values

factor_data = get_factor_values(
    securities=['000001.XSHE', '000002.XSHE'],
    factors=['Skewness60'],        # 60 日收益偏度
    start_date='2024-01-01',
    end_date='2024-03-01'
)

# 返回 dict，key 是因子名，value 是 DataFrame（index=日期，column=股票）
df = factor_data['Skewness60']

每次请求的 因子数 × 股票数 × 交易日 不超过 200000，数据量大时分批取。

四、因子看板 — get_factor_kanban_values

因子看板直接给你因子回测后的绩效指标（IC、夏普、收益、回撤等），不用自己写回测：

from jqfactor import get_factor_kanban_values

df = get_factor_kanban_values(
    universe='hs300',           # 股票池：hs300/zz500/zz1000
    bt_cycle='month_3',          # 周期：近 3 月/1 年/3 年/10 年
    model='long_only',           # 纯多头或多空
    category=['quality', 'growth', 'momentum'],  # 因子分类
    skip_paused=False,           # 是否过滤涨停/停牌
    commision_slippage=0         # 0=无成本 1=佣金+税 2=再加滑点
)

返回的每行是一个因子的完整绩效摘要，关键列：

列	含义
`ic_mean`	IC 均值（因子值与未来收益的相关性），>0.02 有效
`ir`	信息比率（IC 的稳定性）
`good_ic`	IC 绝对值 >0.02 的占比
`sharpe_5q`	五分组的夏普比率
`annualized_return_1q` / `5q`	第一/五分位的年化收益
`max_drawdown_5q`	五分位最大回撤
`turnover_ratio_5q`	换手率

IC（Information Coefficient）是因子值与未来收益的 Rank 相关系数。IC 均值 > 0.03 且 IR 高的因子，选股能力较强。

五、自定义因子

除了内置因子，你可以继承 Factor 类定义自己的因子，然后在组合优化中使用：

from jqfactor import Factor

# 定义因子：人气指标 5 日均值
class AR_M5(Factor):
    name = 'ar_m5'
    max_window = 5               # 取过去 5 天
    dependencies = ['AR']        # 依赖的数据

    def calc(self, data):
        return data['AR'].mean()

六、因子在组合优化中的应用

把因子值作为打分，喂给组合优化的目标函数：

# 用因子值给股票打分
scores = pd.Series(
    [...],    # 因子值列表
    index=stock_list
)

# 优化器：因子值大的给更高权重
weights = portfolio_optimizer(
    date=context.previous_date,
    securities=stock_list,
    target=MaxScore(scores=scores),
    constraints=[AnnualStdConstraint(limit=0.15)],
    bounds=[Bound(0, 0.1)]
)

七、因子研究的工作流

一个完整的因子研究流程通常是：

查因子库 → get_all_factors() 找候选因子。
取因子值 → get_factor_values() 拉历史数据。
看因子看板 → get_factor_kanban_values() 快速评估有效性。
筛选 → 挑 IC 高、IR 稳定、回撤可控的因子。
组合 → 用 MaxScore 或 MaxFactorValue 喂给优化器落地。

因子有时效性，过去有效不代表未来有效；单因子不如多因子组合稳健。建议做 IC 衰减分析和样本外验证。

小结

聚宽因子库提供数百个现成因子：get_all_factors 查目录，get_factor_values 取数值，get_factor_kanban_values 看绩效。有效因子通过组合优化的 MaxScore / MaxFactorValue 落地为权重。到此，聚宽从研究环境、策略结构、数据交易到回测优化的完整链路已覆盖——左侧导航可随时回查任一章节。