quant-factor-to-kunquant

Stars16

Forks4

UpdatedJune 1, 2026 at 03:37

将 markdown 中包含 LaTeX 公式的量化因子描述自动转换为 KunQuant C++ 算子风格的 Python 代码。支持单个文件转换和批量转换，自动调用 quant-factor-naming 进行标准化命名，按分类放入对应目录，生成完整可运行的因子函数。触发场景：需要将日历因子转换为 KunQuant 代码、将 markdown 因子描述转换为可执行代码、批量生成因子文件、1095日历因子转换。

Installation

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

Source

StarlightDamian

StarlightDamian/seagull

View GitHub Repository View Creator Repositories

Download

Related occupationsSOC

Based on SOC occupation classification

Software DevelopersComputer and Mathematical Occupations·SOC 15-1252

File Explorer

2 files

SKILL.md

readonly

量化因子转 KunQuant 代码 Skill

概述

这个 skill 将 markdown 格式的量化因子描述（包含 LaTeX 计算公式）自动转换为符合 KunQuant 算子风格的 Python 代码，完整支持 Seagull 项目的 1095 个日历因子转换工作流：

自动标准化命名：调用 quant-factor-naming skill 对因子进行标准化命名
自动分类存放：根据一级分类自动放入对应目录 (pv/, hf/, fund/, flow/, event/, style/, others/)
LaTeX 公式解析：从 markdown 中提取 LaTeX 公式并转换为 KunQuant 算子组合
生成完整代码：每个因子独立一个 Python 文件，包含结构化 docstring 和完整的算子计算逻辑
遵循项目规范：严格遵循 Seagull 项目的代码风格、命名规范和目录结构

触发条件

当用户提到以下内容时必须触发本 skill：

"将因子描述转化为KunQuant代码"
"转换日历因子"
"1095日历因子"
"markdown 因子转 python"
"LaTeX 公式转 KunQuant"
"批量生成因子文件"
"生成日历因子代码"

工作流程

输入

用户提供：

单个文件：markdown 文件路径（如 nas/markdown/calendar/calendar_20240101.md）
或批量目录：包含多个 markdown 文件的目录路径（如 nas/markdown/calendar/）

步骤

第一步：因子标准化命名

调用 quant-factor-naming skill，根据因子描述内容确定：

标准化命名：calendar_{l1_code}_{l2_code}_{calc}_{freq}_{window}_{neutral}_v{version}
一级分类中文名称和编码
二级分类中文名称和编码

命名格式（遵循 quant-factor-naming 规范）：

calendar_{category_l1}_{family}_{calc}_{freq}_{window}_{neutral}_v{version}

示例：calendar_pv_mom_raw_1d_1300d_raw_v1

注意这个是因子函数的命名，而不是python文件命名，python文件命名filename仍然保持calendar_20240101.py

第二步：因子分类存放

根据一级分类，自动确定目标目录：

一级分类	目录路径
价格成交因子	`src/seagull/technical/calendar/pv/`
高频微观结构因子	`src/seagull/technical/calendar/hf/`
基础面因子	`src/seagull/technical/calendar/fund/`
资金流向因子	`src/seagull/technical/calendar/flow/`
事件与预期因子	`src/seagull/technical/calendar/event/`
风格与风险因子	`src/seagull/technical/calendar/style/`
不确定/难以分类	`src/seagull/technical/calendar/others/`

目标文件路径：{target_dir}/{filename}.py

第三步：解析因子描述和公式

从 markdown 文件中提取：

因子中文名
一级分类（验证与命名结果一致）
二级分类（验证与命名结果一致）
计算方式文字描述
LaTeX 计算公式
因子来源（通常是 calendar + 日期）
参考文献（如果有）

第四步：生成 KunQuant 算子表达式

参考资料：

nas/factor_mining/KunQuant/KunQuant算子.md - 可用算子列表
src/seagull/technical/alpha_daily.py - 日频因子常用算子
src/seagull/technical/alpha_minute.py - 分钟频高频因子常用算子
src/seagull/technical/calendar/{l1}/common.py - 当前分类已定义的通用工具函数

转换规则：

尽量复用 common.py 中已定义的工具函数
使用 KunQuant 内置算子进行组合，避免 Python 循环
所有算子都是向量化计算，保持 KunQuant 的计算特性
最终返回结果前必须调用 SetInfOrNanToValue() 处理异常值
如果公式涉及滚动窗口递归计算（如 CGO），使用 KunQuant 支持的迭代方式实现

第五步：生成完整 Python 文件

文件结构：

# -*- coding: utf-8 -*-
"""
@Date: {current_date}
@Author: {author}
@Description: 1095日历因子 - {factor_name}
"""
from .common import *

def {factor_name}(d: AllData):
    """
    因子中文名：{chinese_name}
    一级分类: {l1_chinese_name}
    二级分类: {l2_chinese_name}
    计算方式: {description}
    计算公式: {formula_latex}
    大白话解释: {plain_text_explanation}
    收益来源: {return_source}
    因子来源: {source}
    参考文献: {references}
    状态: 测试未通过
    """
    # 算子计算逻辑
    # ...
    return SetInfOrNanToValue({result})

关键点：

从 common.py import * 导入所有通用算子和 AllData
docstring 严格按照上面格式填充所有字段
计算逻辑完全基于 KunQuant 算子组合
最后必须处理异常值

第六步：测试验证

项目已有的集中 pytest 测试框架 tests/unit/technical/calendar/test_calendar_factors.py 会自动测试所有日历因子，无需为每个因子单独创建测试文件。

测试机制:

自动扫描：pytest 自动发现 src/seagull/technical/calendar/{category}/calendar_*.py 所有因子
参数化测试：每个因子自动运行测试
测试验证三个核心断言:
1. assert callable(factor_func) - 因子函数可调用
2. result = factor_func(mock_data) - 能正常执行不报错
3. assert isinstance(result, OpBase) - 返回正确的算子类型

精简测试框架（项目已有，无需重复创建）:

import pytest
from pathlib import Path
from seagull.contrib.KunQuant.KunQuant.Op import OpBase
from seagull.contrib.KunQuant.KunQuant.ops import ConstantOp

def get_all_calendar_factors():
    """Get all (category, factor_name) pairs for testing."""
    base_dir = Path('src/seagull/technical/calendar')
    categories = ['pv', 'hf', 'fund', 'flow', 'event', 'style', 'others']
    result = []
    for cat in categories:
        cat_dir = base_dir / cat
        for py_file in cat_dir.glob('calendar_*.py'):
            factor_name = py_file.stem
            result.append((cat, factor_name))
    return result

@pytest.mark.parametrize("category, factor_name", get_all_calendar_factors())
def test_calendar_factor_import(category: str, factor_name: str):
    """Test that each calendar factor can be imported and executed."""
    # Import common from this category
    common_module = __import__(f'seagull.technical.calendar.{category}.common', fromlist=['AllData'])
    AllData = getattr(common_module, 'AllData')
    
    # Import the factor module
    module = __import__(f'seagull.technical.calendar.{category}.{factor_name}', fromlist=[factor_name])
    factor_func = getattr(module, factor_name)
    
    assert callable(factor_func), f"Factor {factor_name} is not callable"
    
    # Create mock AllData with dummy Operators
    mock_data = AllData(
        open=ConstantOp(1.0),
        close=ConstantOp(100.0),
        high=ConstantOp(101.0),
        low=ConstantOp(99.0),
        volume=ConstantOp(1000000.0),
        amount=ConstantOp(100000000.0),
    )
    
    # Call the factor
    result = factor_func(mock_data)
    
    # Verify result is an OpBase instance
    assert isinstance(result, OpBase), f"Factor {factor_name} did not return an OpBase instance"

运行测试:

# 运行所有日历因子测试
pytest tests/unit/technical/calendar/test_calendar_factors.py -v

# 运行单个因子测试（使用 -k 过滤）
pytest tests/unit/technical/calendar/test_calendar_factors.py -k calendar_20240101 -v

测试通过标准:

✅ 因子模块导入成功
✅ 因子函数可调用
✅ 因子函数返回 OpBase 实例
✅ 无语法错误

测试通过后，将因子状态从 测试未通过 修改为 已通过测试。

KunQuant 算子转换速查表

常用数学公式到 KunQuant 算子映射

数学表达式 / LaTeX	KunQuant Python 写法	说明
`x + y`	`Add(x, y)`	加法
`x - y`	`Sub(x, y)`	减法
`x * y`	`Mul(x, y)`	乘法
`x / y`	`Div(x, y)`	除法
`x + c`	`AddConst(x, c)`	加常数
`x - c`	`SubConst(x, c)`	减常数
`x * c`	`MulConst(x, c)`	乘常数
`x^2`	`Mul(x, x)`	平方
`\sqrt{x}`	`Sqrt(x)`	平方根
`\log(x)`	`Log(x)`	自然对数
`	x	`
`\text{sign}(x)`	`Sign(x)`	符号函数 (-1/0/1)
`x > y`	`GreaterThan(x, y)`	逐元素大于
`x < y`	`LessThan(x, y)`	逐元素小于
`x >= y`	`GreaterEqual(x, y)`	逐元素大于等于
`x <= y`	`LessEqual(x, y)`	逐元素小于等于
`x == y`	`Equals(x, y)`	逐元素等于
`cond ? x : y`	`Select(cond, x, y)`	条件选择
`\max(x, y)`	`Max(x, y)`	逐元素最大值
`\min(x, y)`	`Min(x, y)`	逐元素最小值
`x > c`	`GreaterThanConst(x, c)`	大于常数
`x < c`	`LessThanConst(x, c)`	小于常数
`\sum_{i=t-n+1}^{t} x_i`	`WindowedSum(x, n)`	滚动窗口求和
`\max_{i=t-n+1}^{t} x_i`	`WindowedMax(x, n)`	滚动窗口最大值
`\min_{i=t-n+1}^{t} x_i`	`WindowedMin(x, n)`	滚动窗口最小值
`\frac{1}{n}\sum_{i=t-n+1}^{t} x_i`	`WindowedAvg(x, n)`	滚动窗口平均（简单移动平均 SMA）
`\sqrt{\frac{1}{n}\sum (x_i - \bar{x})^2}`	`WindowedStddev(x, n)`	滚动窗口标准差
`\text{corr}(x, y)` 窗口n	`WindowedCorrelation(x, n, y)`	滚动窗口相关系数
`\text{cov}(x, y)` 窗口n	`WindowedCovariance(x, n, y)`	滚动窗口协方差
`x_{t-1}`	`BackRef(x, 1)` 或 `delay(x, 1)`	滞后1期
`x_{t-n}`	`BackRef(x, n)` 或 `delay(x, n)`	滞后n期
`\text{rank}(x)` 截面	`Rank(x)`	横截面排序
`\text{ts_rank}(x)` 窗口n	`TsRank(x, n)`	时间序列排序
`\text{argmax}(x)` 窗口n	`TsArgMax(x, n)`	时间序列最大值索引
`\text{argmin}(x)` 窗口n	`TsArgMin(x, n)`	时间序列最小值索引
`EMA(x, n)`	`ExpMovingAvg(n)(x)`	指数移动平均
`SMA(x, n)`	`WindowedAvg(x, n)` 或 `sma(x, n)`	简单移动平均
`\Delta x = x_t - x_{t-n}`	`Sub(x, BackRef(x, n))` 或 `delta(x, n)`	差分
`\text{quantile}(x, q)` 窗口n	`WindowedQuantile(x, n, q)`	滚动窗口分位数
`\text{decay_linear}(x, n)`	`DecayLinear(x, n)`	线性衰减加权平均
`\text{scale}(x)`	`Scale(x)`	标准化缩放

日频因子常用工具函数（参考 alpha101.py）

在 src/seagull/technical/calendar/{l1}/common.py 中已经预先定义了这些常用工具函数，可以直接使用：

函数名	参数	返回值	功能
`returns(v)`	`v: OpBase`	`OpBase`	计算日收益率 `(v / v_prev) - 1`
`stddev(v, window)`	`v: OpBase, window: int`	`OpBase`	时间窗口标准差 `WindowedStddev(v, window)`
`ts_sum(v, window)`	`v: OpBase, window: int`	`OpBase`	时间窗口求和 `WindowedSum(v, window)`
`ts_mean(v, window)`	`v: OpBase, window: int`	`OpBase`	时间窗口平均 `WindowedAvg(v, window)`
`ts_max(v, window)`	`v: OpBase, window: int`	`OpBase`	时间窗口最大值 `WindowedMax(v, window)`
`ts_min(v, window)`	`v: OpBase, window: int`	`OpBase`	时间窗口最小值 `WindowedMin(v, window)`
`ts_argmax(v, window)`	`v: OpBase, window: int`	`OpBase`	时间序列最大值索引 `TsArgMax(v, window)`
`ts_argmin(v, window)`	`v: OpBase, window: int`	`OpBase`	时间序列最小值索引 `TsArgMin(v, window)`
`ts_rank(v, window)`	`v: OpBase, window: int`	`OpBase`	时间序列排序 `TsRank(v, window)`
`correlation(v1, v2, window)`	`v1: OpBase, v2: OpBase, window: int`	`OpBase`	时间窗口相关系数
`covariance(v1, v2, window)`	`v1: OpBase, v2: OpBase, window: int`	`OpBase`	时间窗口协方差
`delta(v1, window=1)`	`v1: OpBase, window: int`	`OpBase`	差分 `v1 - BackRef(v1, window)`
`rank(v)`	`v: OpBase`	`OpBase`	截面排序 `Rank(v)`
`sign(v)`	`v: OpBase`	`OpBase`	符号函数 `Sign(v)`
`sma(v, window)`	`v: OpBase, window: int`	`OpBase`	简单移动平均 `WindowedAvg(v, window)`
`bool_to_10(v)`	`v: OpBase`	`OpBase`	布尔转 0/1：`Select(v, 1, 0)`

分钟频高频因子常用工具函数（参考 alpha_minute.py）

函数名	参数	返回值	功能	适用场景
`returns(v)`	`v: OpBase`	`OpBase`	计算收益率 `(v / v_prev) - 1`	任何频率
`ts_quantile(v, window, q)`	`v: OpBase, window: int, q: float`	`OpBase`	滚动窗口分位数	日内高低百分位
`vwap(d, window=48)`	`d: AllData, window: int`	`OpBase`	滚动窗口 VWAP 成交量加权平均价格	日内分钟线 VWAP
`next_pct99_high(d, window=48)`	`d: AllData, window: int`	`OpBase`	预测日内 99% 分位最高价	高频因子
`next_pct01_low(d, window=48)`	`d: AllData, window: int`	`OpBase`	预测日内 1% 分位最低价	高频因子
`next_min_max_direction(d, window=48)`	`d: AllData, window: int`	`OpBase`	最大值出现时间晚于最小值返回 1，否则 -1	日内走势方向

日频因子实现示例（来自 alpha101.py）

示例 1：条件选择波动率

# 公式: 如果收益<0，取20日收益波动率，否则取收盘价，然后平方，取5日时间最大值排序
cond = LessThanConst(d.returns, 0.0)
sel = Select(cond, stddev(d.returns, 20), d.close)
sel = Mul(sel, sel)
return Rank(ts_argmax(sel, 5))

示例 2：负相关性

# 公式: -6 * 相关系数(排序(delta(log(成交量), 2)), 排序((close-open)/open))
v = MulConst(WindowedCorrelation(Rank(delta(Log(d.volume), 2)), 6, 
                                 Rank(Div(Sub(d.close, d.open), d.open))), -1)
return SetInfOrNanToValue(v)

高频因子实现示例（来自 alpha_minute.py）

示例：VWAP 计算

# 公式: VWAP = sum(tp * volume) / sum(volume), tp = (high + low + close)/3
tp = Div(Add(Add(d.high, d.low), d.close), ConstantOp(3.0))
pv = Mul(tp, d.volume)
sum_pv = WindowedSum(pv, window)
sum_vol = WindowedSum(d.volume, window)
return Div(sum_pv, AddConst(sum_vol, 1e-8))

示例：日内高低方向

# 返回 1 表示 max_index(high) 在时间窗口中晚于 min_index(low)，否则 -1
v1 = TsArgMax(d.high, window)
v2 = TsArgMin(d.low, window)
diff = Sub(v1, v2)
return Sign(diff)

通用规则

除法保护：除法运算时一定要给分母加一个小常数 1e-8 避免除零：
```
# 正确写法
result = Div(numerator, AddConst(denominator, 1e-8))
```

异常值处理：返回结果前一定要处理 NaN/Inf：

# 所有因子最后都要加上
return SetInfOrNanToValue(result)

数据字段访问：通过 AllData 对象访问基础数据：
- d.open - 开盘价
- d.close - 收盘价
- d.high - 最高价
- d.low - 最低价
- d.volume - 成交量
- d.amount - 成交额
- d.vwap - 成交量加权均价（自动计算如果未提供）
- d.returns - 日收益率（预先计算好） |

KunQuant 算子速查（完整列表参考 `nas/factor_mining/KunQuant/KunQuant算子.md`）

算子类别	常用算子
算术运算	`Add`, `Sub`, `Mul`, `Div`, `AddConst`, `SubConst`, `MulConst`, `Max`, `Min`, `Abs`, `Sqrt`, `Log`, `Sign`
比较运算	`GreaterThan`, `LessThan`, `GreaterThanConst`, `LessThanConst`, `GreaterEqual`, `LessEqual`, `Equals`
窗口聚合	`WindowedSum`, `WindowedAvg`, `WindowedMax`, `WindowedMin`, `WindowedStddev`, `WindowedCorrelation`, `WindowedCovariance`, `WindowedQuantile`, `FastWindowedSum`
时序操作	`BackRef` (delay), `TsRank`, `TsArgMax`, `TsArgMin`, `ExpMovingAvg`, `DecayLinear`
截面操作	`Rank`
条件选择	`Select`
异常处理	`SetInfOrNanToValue`

示例

输入

文件: nas/markdown/calendar/calendar_20240101.md

内容:

# 资本利得突出量 CGO

- 分类：价格成交因子 / 动量
- 计算公式：
$$RP_t = \frac{1}{k} \sum_{n=1}^{T} (V_{t-n} \prod_{\tau=1}^{n-1} (1 - V_{t-n+\tau}) P_{t-n})$$
$$CGO_t = \frac{P_{t-1} - RP_t}{P_{t-1}}$$

输出

文件: src/seagull/technical/calendar/pv/calendar_pv_mom_raw_1d_1300d_raw_v1.py

# -*- coding: utf-8 -*-
"""
@Date: 2026/4/12
@Author: StarlightDamian
@Description: 1095日历因子 - calendar_pv_mom_raw_1d_1300d_raw_v1
"""
from .common import *

def calendar_pv_mom_raw_1d_1300d_raw_v1(d: AllData):
    """
    因子中文名：资本利得突出量
    一级分类: 价格成交因子
    二级分类: 动量
    计算方式: 换手率加权参考价格
    计算公式: RP_t = 1/k * sum_{n=1}^{T} (V_{t-n} * prod_{τ=1}^{n-1} (1 - V_{t-n+τ}) * P_{t-n}, CGO_t = (P_{t-1} - RP_t) / P_{t-1}
    大白话解释: 参考价格代表了当前的平均成交价格（价格前基于换手率的权重衡量了股票持有至今仍未被交易的概率，CGO衡量了当前时点投资者的平均盈亏情况
    收益来源: 处置效应带来的错误定价，CGO越大表示投资者平均盈利越高，卖出压力越大，股价更有可能被低估，未来收益更高
    因子来源: calendar_20240101
    参考文献: Huijun W., Jinghua Y., Jianfeng Y., 2016, Reference-dependent preferences and the risk-return trade-off, JFE; Grinblatt, M., B. Han, 2005, Prospect theory, mental accounting, and momentum, JFE
    状态: 已生成
    """
    price = d.close
    turnover = d.turnover
    
    # CGO 计算使用递推方式实现，等价于原公式
    # RP_t = V_t * P_t + (1 - V_t) * RP_{t-1}
    rp = zeros_like(price)
    rp[0] = price[0]
    
    for i in range(1, len(price)):
        rp[i] = Add(Mul(turnover[i], price[i]), Mul(Sub(ConstantOp(1.0), turnover[i]), rp[i-1]))
    
    rp_prev = BackRef(rp, 1)
    price_prev = BackRef(price, 1)
    cgo = Div(Sub(price_prev, rp_prev), AddConst(price_prev, 1e-8))
    
    return SetInfOrNanToValue(cgo)

约束与要求

必须调用 quant-factor-naming：第一步必须调用该 skill 获得标准化命名，不能自行命名
一个因子一个文件：每个因子独立一个 .py 文件，文件名保持原名
分类正确：严格根据一级分类放入对应目录
复用通用函数：优先使用 common.py 中已定义的工具函数
结构化 docstring：必须包含所有要求的字段，格式不能错
遵循项目代码风格：中文注释，PEP 8 规范

批量处理

当用户提供目录进行批量处理时：

遍历目录下所有 .md 文件
逐个处理，每个文件生成对应的 .py 文件
记录处理日志：成功/失败/需要人工确认
输出处理总结：成功多少，失败多少，哪些需要人工处理
处理完一个因子完成测试后才可进行下一个

错误的表述

    # 注：本因子这里作为占位符实现
    if hasattr(d, 'num_shareholders'):
        # 使用对数变换，处理不同市值股票的尺度差异
        # 保证输入大于0再取对数
        result = Log(Max(d.num_shareholders, ConstantOp(1.0)))
    else:
        # 如果没有该字段，返回常数0占位
        result = ConstantOp(0.0)

    return SetInfOrNanToValue(result)

正确的做法

1.先自己尝试把因子拆分，看现有算子是否支持，如果支持部分或者全部逻辑，则优先生成该逻辑

2.如果该算子你认为经常需要，尝试实现算子，写在common.py中，并且调用该算子

quant-factor-to-kunquant

More from this repository

量化因子转 KunQuant 代码 Skill

概述

触发条件

工作流程

输入

步骤

第一步：因子标准化命名

第二步：因子分类存放

第三步：解析因子描述和公式

第四步：生成 KunQuant 算子表达式

第五步：生成完整 Python 文件

第六步：测试验证

KunQuant 算子转换速查表

常用数学公式到 KunQuant 算子映射

日频因子常用工具函数（参考 alpha101.py）

分钟频高频因子常用工具函数（参考 alpha_minute.py）

日频因子实现示例（来自 alpha101.py）

高频因子实现示例（来自 alpha_minute.py）

通用规则

KunQuant 算子速查（完整列表参考 nas/factor_mining/KunQuant/KunQuant算子.md）

示例

输入

输出

约束与要求

批量处理

错误的表述

正确的做法

量化因子转 KunQuant 代码 Skill

概述

触发条件

工作流程

输入

步骤

第一步：因子标准化命名

第二步：因子分类存放

第三步：解析因子描述和公式

第四步：生成 KunQuant 算子表达式

第五步：生成完整 Python 文件

第六步：测试验证

KunQuant 算子转换速查表

常用数学公式到 KunQuant 算子映射

日频因子常用工具函数（参考 alpha101.py）

分钟频高频因子常用工具函数（参考 alpha_minute.py）

日频因子实现示例（来自 alpha101.py）

高频因子实现示例（来自 alpha_minute.py）

通用规则

KunQuant 算子速查（完整列表参考 nas/factor_mining/KunQuant/KunQuant算子.md）

示例

输入

输出

约束与要求

批量处理

错误的表述

正确的做法

More from this repository

KunQuant 算子速查（完整列表参考 `nas/factor_mining/KunQuant/KunQuant算子.md`）

KunQuant 算子速查（完整列表参考 `nas/factor_mining/KunQuant/KunQuant算子.md`）