a-share-multifactor-model

# A股多因子模型 ## 数据源 ```bash SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts" # 个股K线（计算动量/波动率因子） python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期] # 实时行情（市值/PE/PB等） python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],... # 财务指标（ROE/营收增速等基本面因子） python "$SCRIPTS/cn_stock_data.py" finance --code [CODE] ``` **量化计算**： ```bash QSCRIPTS="$SKILLS_ROOT/a-share-multifactor-model/scripts" # 多因子回归 python "$QSCRIPTS/multifactor_builder.py" --returns returns.csv --factors "size,value,momentum" --method ols ``` ## Workflow ### Step 1: 确定因子体系 根据用户需求选择因子集： - **Barra CNE5 风格**：Size/Beta/Momentum/ResidVol/NLSize/BP/Liquidity/EarningsYield/Growth/Leverage - **自定义因子**：用户指定的因子组合 - 通过 cn-stock-data 获取原始数据（行情+财务） ### Step 2: 因子计算与标准化 1. 从原始数据计算因子值 2. 去极值（MAD 法 ±3 倍） 3. 标准化（Z-score） 4. 缺失值处理（行业均值填充） ### Step 3: 截面回归估计因子收益 1. 每期对股票收益 vs 因子暴露做 OLS 回归 2. 回归系数即为因子收益率 3. 计算因子收益的 t 统计量 ### Step 4: 构建风险模型 1. 因子协方差矩阵（指数加权） 2. 特质风险估计（回归残差的波动率） 3. 股票层面的风险分解 ### Step 5: 输出 | 维度 | formal（完整因子报告） | brief（快速分析） | |------|---------------------|-------------------| | 因子定义 | 完整因子体系说明 | 仅列出因子名 | | 因子收益 | 完整时序+统计检验 | 近期因子收益排名 | | 暴露分析 | 个股因子暴露详表 | 关键因子暴露值 | | 风险模型 | 协方差矩阵+特质风险 | 无 | | 图表 | 因子收益累计曲线 | 无 | 默认风格：brief。用户要求"详细"/"完整模型"时切换为 formal。 ## 关键规则 1. 因子暴露需经行业和市值中性化处理 2. 因子协方差使用半衰期 90 天的指数加权 3. 特质收益率需检验正态性假设 4. A 股需剔除 ST 股和次新股（上市<60日） 5. 行业分类默认使用申万一级（31 个行业）