factor-research-review

name	factor-research-review
description	负责从量化研报、学术论文中提取因子构造思路，转化为可测试的 Qlib 因子表达式，并生成结构化的因子假设卡片。用于因子创意来源拓展、文献回顾和外部信号引入。

因子研报研究（Factor Research Review）

本 skill 负责从外部研究资料中系统性提取因子构造思路，并转化为 SFA 流程的输入。

核心流程

1) Source（来源识别）

1. 识别研报 / 论文中的因子构造逻辑。
2. 分类来源类型：
   • 券商金工研报：国内量化因子类研报
   • 学术论文：JFE/RFS/JF 等顶刊 anomaly 研究
   • 开源社区：WorldQuant Alpha101、聚宽因子库等

2) Extract（信息提取）

从研报中提取结构化信息：

1. 因子名称与分类（动量/反转/波动率/流动性/微观结构等）
2. 构造逻辑：文字描述 + 数学公式
3. 市场假设：因子背后的经济学逻辑（行为金融/风险补偿/信息不对称等）
4. 适用范围：市场/频率/市值范围
5. 历史表现：研报中报告的 IC/ICIR/收益等（仅作参考，不作为决策依据）

3) Translate（转化为 Qlib 表达式）

1. 将高级描述转化为 Qlib Expression Engine 语法
2. 可用算子：Mean, Std, Corr, Rank, Ref, Min, Max, Sum, Abs, Log, Power, Sign, If, Greater, Less
3. 可用字段：$open, $close, $high, $low, $volume, $amount, $vwap, $change, $factor
4. 确保表达式可解析、无除零风险

4) Hypothesize（生成因子假设卡片）

输出结构化的因子假设卡片，作为 SFA Generate 阶段的输入：

factor_hypothesis:
  name: "CSTM_XXX"
  expression: "..."
  category: "momentum|volatility|liquidity|..."
  source: "研报名称/论文引用"
  market_logic: "因子背后的经济学假设"
  expected_direction: "positive|negative"  # 预期 IC 方向
  expected_horizon: "1d|5d|20d"  # 预期最佳持有期
  priority: "high|medium|low"
  risks: "潜在失效风险"

因子分类体系

价量类（Price-Volume）

大类	子类	典型因子	经济学逻辑
动量	短期反转	1-5日反转	流动性溢价/过度反应
动量	中期动量	20-60日动量	趋势跟随/信息扩散
波动率	特质波动	残差波动率	博彩偏好/波动率异象
波动率	波动率变化	波动率扩张/收缩	风险预期修正
流动性	成交量异动	量比/换手率偏离	知情交易/注意力
流动性	量价关系	量价相关/Amihud	信息不对称
微观结构	日内模式	高低价位置/缺口	交易行为/情绪

基本面类（Fundamental，需额外数据）

大类	子类	典型因子
估值	PE/PB/PS	需 PIT 数据
成长	ROE变化/营收增速	需财务数据
质量	应计/现金流	需财务数据

常见研报因子转化示例

1. 聪明钱因子（Smart Money）

• 逻辑：大单/高金额交易蕴含更多信息
• Qlib 表达式：

  Mean(($close/Ref($close,1)-1) * $amount, 10) / (Mean($amount, 10) + 1e-8)
  

• 预期方向：正（高聪明钱得分→预期上涨）

2. 波动率压缩因子

• 逻辑：波动率收窄后通常伴随方向性突破
• Qlib 表达式：

  Std($close/Ref($close,1)-1, 5) / (Std($close/Ref($close,1)-1, 20) + 1e-8)
  

• 预期方向：负（低波动压缩比→即将突破）

3. 量价背离因子

• 逻辑：价格上涨但成交量萎缩，趋势可能反转
• Qlib 表达式：

  Corr($close/Ref($close,1)-1, $volume/Ref($volume,1)-1, 10)
  

• 预期方向：负（低量价相关→反转信号）

研报解读要点

阅读研报时关注：

1. 样本外表现：区分 IS vs OOS 结果
2. 过拟合风险：因子个数/参数搜索空间
3. 交易成本：是否考虑了滑点和冲击成本
4. 市值偏差：因子是否仅在小市值有效
5. 时变性：因子有效性是否随时间衰减
6. CSI1000 适用性：研报可能基于全A/CSI500，需评估在 CSI1000 上的有效性

不要盲目复制：

1. 研报的回测环境可能与当前框架不同
2. 因子在不同市值/行业/市场阶段表现差异大
3. 必须通过本框架 SFA 流程验证后才能 Promote

因子创意工作台

在 docs/factor_ideas/ 目录维护因子创意池：

• backlog.md：待测试的因子假设列表
• literature_notes.md：研报/论文阅读笔记
• rejected_ideas.md：已测试但无效的想法（避免重复）

输出

1. 因子假设卡片（YAML 格式）→ 供 SFA Generate 使用
2. 研报阅读笔记 → docs/factor_ideas/literature_notes.md
3. 因子创意 backlog → docs/factor_ideas/backlog.md

临时脚本边界

1. 本 skill 不包含运行脚本，仅产出因子假设和文档。
2. 因子测试由 qlib-single-factor-mining skill 执行。
3. 因子假设卡片可批量传递给 test_new_factor_batch.py 进行快筛。