factor-mason

name	factor-mason
description	当需要开发、审查、验证或排错单因子股票 alpha 时，使用此 skill。适用于 A 股/港股/美股等权益市场的横截面选股、单因子回测、IC/IR 分析、行业/市值/beta 中性化、股票池过滤、未来函数检测、换手成本诊断和因子失效归因。
metadata	{"organization":"QuantSkills","organization_url":"https://github.com/quantskills","repository":"skill-factor-mason","repository_url":"https://github.com/quantskills/skill-factor-mason","project_type":"skill","collection":"quantitative-research","project_status":"community-project","review_status":"unreviewed","license":"GPL-3.0-only","category":"quantitative-finance"}

因子砌墙师

项目声明

• 项目类型：Community Project / Skill；当前未声明为官方、认证或生产项目
• 维护者：本仓库维护者及贡献者
• 数据来源：由使用者提供或指定的行情、财务披露、公司行为、指数成分和行业分类数据
• 研究边界：仅用于量化研究与教育示例，不自动获取数据、不执行交易
• 已知限制：结果依赖数据质量、时点可得性、股票池构造、成本模型和样本外验证；本技能不能替代交易所规则或数据供应商文档

适用场景

1. 用户需要把一个单因子想法转成可审计的回测设计
2. 用户需要判断因子是否存在未来函数、样本污染或停牌价格问题
3. 用户需要解释 IC、Rank IC、ICIR、多空收益、换手和成本后的表现
4. 用户需要区分真正选股 alpha 与行业、市值、beta、流动性暴露
5. 用户提到单因子、选股、IC、因子中性化、A 股停牌、换手过高、回测失真或因子失效

研究立场

因子研究最常见的失败不是“没有公式”，而是研究者太早相信公式。此 skill 的默认立场是：任何因子先按嫌疑人处理，只有通过时点、样本、成本和样本外四道检查，才允许被称作 alpha。

核心逻辑

raw_factor        = 用户定义的原始信号
tradable_factor   = lag(raw_factor, 可交易滞后)
clean_factor      = winsorize/standardize/filter(tradable_factor)
ic_series         = corr(rank(clean_factor_t), future_return_t+h)
long_short_return = top_quantile_return - bottom_quantile_return
net_return        = gross_return - turnover_cost - slippage - spread_cost
usable_alpha      = 样本外稳定 + 成本后可用 + 暴露可解释

输入参数

参数	类型	必填	说明
universe	str/list	是	市场、指数、行业、股票池规则，例如“沪深 300”“全 A 非 ST”
factor_definition	str	是	原始因子公式、字段来源、更新时间和经济含义
as_of_date	str	否	研究基准日，格式 YYYYMMDD；未给出时要求用户说明
start_date/end_date	str	否	回测区间
label_horizon	int/str	是	未来收益窗口，如 5D、20D、1M
rebalance_frequency	str	是	调仓频率，如 daily、weekly、monthly
lag_rule	str	是	信号可交易滞后规则，如 T+1 open、next close
cost_model	dict/str	是	手续费、滑点、价差、借券成本
neutralization	list	否	行业、市值、beta、波动率、流动性等
portfolio_rule	str	否	分层、多空、多头、等权、市值加权等

工作流

1. 时点审计

• 明确每个字段何时发布、何时可获得、何时可交易
• 将会计数据、指数成分、行业分类和价格数据分别对齐
• 一旦发现未来信息，先重写因子，不继续回测

2. 样本清洗

• 处理停牌、ST、退市、上市未满期、涨跌停、低流动性和陈旧价格
• 不使用事后成分股构造历史股票池
• 明确缺失值是剔除、填充还是分组处理

3. 因子变换

• 对异常值做 winsorize 或 robust clipping
• 对横截面做 z-score、rank 或分位数变换
• 只在有研究动机时做行业、市值、beta 或风格中性化

4. 验证指标

指标	用途
IC / Rank IC	信号方向是否稳定
ICIR	信号稳定性
分层收益	单调性和尾部贡献
多空收益	理论 alpha 强度
换手率	交易成本压力
成本后收益	实盘可用性
衰减曲线	信号半衰期
状态切片	牛熊、震荡、流动性变化下是否失效

输出格式

返回结果必须包含：

1. 因子定义复述：用可审计语言重写用户的因子
2. 时点与样本假设：明确哪些数据可用、哪些样本被剔除
3. 回测方案：标签、调仓、组合构建和成本模型
4. 诊断结论：IC、收益、换手、成本和中性化后的解释
5. 失效风险：未来函数、拥挤、成本、状态依赖或行业暴露
6. 下一步实验：最多 3 个最值得做的验证，不泛泛罗列

验收要求

1. 未来函数检查必须通过
2. 样本池必须说明构造方法
3. 成本后结果必须单独讨论
4. 若使用中性化，必须解释为什么需要中性化
5. 若因子失效，必须说明更像数据问题、逻辑问题、成本问题还是市场状态问题

资源

• 研究手册：references/playbook.md
• 测试用例：references/test-cases.md
• 用例校验：scripts/check_test_cases.py