| name | factor-blend |
| description | Use when an agent needs to blend multiple evaluated quantitative factor signals into a single composite alpha signal (signal-level merge, not portfolio-level combination). Covers factor selection, redundancy removal, weighting, and composite evaluation. |
| quantSkills | {"project_type":"skill","category":"factor","tags":["factor-blending","signal-merge","composite-alpha","factor-weighting","correlation-control","equal-weight","icir-weight","score-weight","z-score-synthesis","pandadata"],"platforms":["claude-code","codex","openclaw","cursor"],"status":"stable","validation_level":"production","maintainer_type":"community","summary_zh":"多因子信号层合并：去冗余（相关矩阵 + Top-bucket overlap）→ 等权/ICIR/Score 三种加权方案 → 逐日截面 z-score 合成 → 重新评价复合因子。信号层操作（产出 composite_signal），非组合层资金分配。","summary_en":"Multi-factor signal-level blending: redundancy removal via correlation matrix and top-bucket overlap, three weighting schemes (equal/ICIR/score), daily cross-sectional z-score synthesis, and composite re-evaluation. Signal-level only — outputs composite_signal, not portfolio weights.","license":"GPL-3.0","repository":"https://github.com/quantskills/skill-factor-blend"} |
{
"version": 1,
"task": {
"placeholder": "说明待合并的因子及其评估报告，或上传因子矩阵和 ScoreReport",
"required": true
},
"fields": [
{
"key": "universe",
"label": "股票池",
"type": "select",
"default": "000300.SH",
"options": [
{ "value": "000300.SH", "label": "沪深300" },
{ "value": "000905.SH", "label": "中证500" },
{ "value": "399006.SZ", "label": "创业板指" },
{ "value": "000852.SH", "label": "中证1000" }
]
},
{
"key": "horizon",
"label": "预测周期",
"type": "select",
"default": "5",
"options": [
{ "value": "1", "label": "未来 1 日" },
{ "value": "5", "label": "未来 5 日" },
{ "value": "10", "label": "未来 10 日" }
]
},
{
"key": "weighting",
"label": "加权方式",
"type": "select",
"default": "equal",
"options": [
{ "value": "equal", "label": "等权" },
{ "value": "icir", "label": "ICIR 加权" },
{ "value": "score", "label": "综合评分加权" }
]
}
],
"prompt_template": "{{#task}}任务与材料：\n{{task}}\n\n{{/task}}{{#attachments}}用户上传的材料（已放入工作区）：\n{{attachments}}\n\n{{/attachments}}在 {{universe}}、未来 {{horizon}} 日的统一口径下合并多个已评估因子，先按相关性和 Top-bucket overlap 去冗余，再采用 {{weighting}} 生成逐日截面 z-score 复合信号；不得把信号合并误作组合资金配置，并重新评估复合因子的贡献、稳定性、换手与风险，输出中文报告。"
}
多因子合并 (Factor Signal Blending)
给定多个候选因子 [date × symbol × factor] 和各自评价报告，将多个因子信号合并为一个可评价、可解释、可复现的复合 Alpha 信号。
⚠️ 这是信号层合并，不是组合层操作：产出是 composite_signal[date × symbol]（截面 z-score），不涉及资金分配、仓位优化或组合权重。如需从信号生成持仓，请另行处理。
核心规则
- 只合并已评价因子：每个输入因子必须有
factor-evaluate 报告或项目内等价 ScoreReport。
- 先去冗余，再给权重：相关性过高的因子不能靠优化器”自动解决”。
- 权重来自 train / val，不看 test：test 段严格不可见，不能用来挑因子或调权重。
- 同口径才可合并：horizon、label kind、universe、mask、截面标准化口径必须一致。
- 复合因子必须重新评价：合并完成后把 composite signal 当作新因子跑完整评价。
- 合并不是刷分器：报告必须展示单因子贡献、相关性、换手变化和合并稳定性。
工作流（标准 8 步）
1. 校验输入因子契约：shape、horizon、label、universe、z-score、coverage
2. 读取每个因子的 ScoreReport：score、rank_ic_ir、Sharpe、MDD、turnover、monotonicity
3. 过滤不可用因子：score <= 0、IC 不稳、MDD 过深、turnover 过高、coverage 过低
4. 计算因子间相关矩阵：rank corr / residual corr / top-bucket overlap
5. 去冗余：同簇只保留质量最高或先做 factor-orthogonalize
6. 选择权重方案：equal / score-weighted / IR-weighted / constrained optimizer
7. 生成 composite_signal = Σ weight_i * factor_i，并逐日 z-score
8. 调 factor-evaluate 重新评价 composite_signal，输出合并报告
权重方案选择
⚠️ Agent 执行时必须反问用户选择权重方案，不能自行决定。若用户未明确指定，默认用 equal 作为基准并告知用户。
| 场景 | 推荐方案 |
|---|
| 因子数量少，质量接近 | Equal weight |
| 评价报告质量差异明显 | Score-weighted |
| IC 稳定性是主目标 | IR-weighted |
| 因子多且相关性复杂 | Constrained optimizer |
| 样本短、噪声大 | Equal 或 shrinked score-weighted |
默认推荐：先做去冗余，再用 score-weighted；如果样本少于 2 年，用 equal weight 作为基准。
交互式询问流程：
1. Agent 展示可用权重方案及适用场景
2. Agent 列出各因子的 ICIR/Score 速览
3. Agent 反问："请选择权重方案: equal / icir / score？"
4. 用户确认后，Agent 按选定方案执行合成
CLI 调用时可通过 --weight 跳过交互：
python scripts/blend.py --weight icir
python scripts/blend.py
与多因子组合的区别
| 多因子合并（本 skill） | 多因子组合 (Portfolio Combination) |
|---|
| 操作层 | 信号层 (signal-level) | 组合层 (portfolio-level) |
| 输入 | 多个因子 z-score | 多个策略的收益或权重 |
| 产出 | composite_signal[date × symbol] | 持仓向量或净值曲线 |
| 核心问题 | 去冗余 → 加权 → 合成一个信号 | 风险预算 → 优化器 → 分配资金 |
| 后续步骤 | 信号 → 选股 → 组合构建 | 已是最终持仓 |
接口映射
| 本 skill 概念 | 你的项目对应 |
|---|
| 输入因子库 | [date × symbol × factor] 或多个 [date × symbol] DataFrame |
| 单因子评价 | factor-evaluate 的 ScoreReport |
| 权重 | factor_name → weight |
| 复合因子 | composite_signal[date × symbol] |
| 最终评价 | 调 factor-evaluate 或项目内 primary_score() |
按需加载
| 何时读 | 文件 |
|---|
| 想看权重算法 | references/weighting.md |
| 输出报告格式 | references/report-format.md |
| 常见误区与危险信号 | references/anti-patterns.md |
项目实现
权重计算逻辑：
- equal：所有去冗余后因子权重 = 1/n
- icir：权重 ∝ max(0.01, ICIR)，确保负 ICIR 因子不被完全排除但有惩罚
- score：权重 ∝ ICIR × √coverage / (1 + turnover)，综合平衡预测力、覆盖率、交易成本
管线连接
data/factors/F*.parquet（或 factors_orthogonalized/）
→ skill-factor-evaluate（单因子评价）
→ 去冗余（corr > 0.7 同簇去重）
→ skill-factor-blend（等权/ICIR/Score 加权合成）
→ data/composite_*.parquet
→ skill-factor-evaluate（复合因子重新评价）
→ skill-factor-decay（复合因子衰减分析）
QA 检查清单
跨工具适配
- Cursor →
agents/cursor-rule.mdc
- 无原生 skill 机制 →
agents/portable-loader.md
项目边界（量化研究合规声明）
按 QUANTSKILLS 社区规则 §8 声明。
- 数据来源：本 skill 不附带任何市场数据、因子数据或评价结果；使用者需自行准备合法数据和 ScoreReport。
- 假设与参数：默认合并对象是同 horizon、同 universe 的截面因子信号；默认权重在 train / val 上确定，test 严格不可见。
- 已知限制：复合信号容易过拟合；合并表现依赖样本期、交易成本、股票池和单因子质量，不能保证未来有效。
- 风险边界：合并权重、回测净值和综合评分仅反映历史数据 + 假设条件下的统计表现，不代表未来表现。合并结果仅为信号（截面 z-score），不构成持仓建议。
- 用途定位：仅供量化研究、教育与方法论参考。不构成任何形式的投资建议、交易信号或获利保证。
