factor-engine

name	factor-engine
version	1.0.0
description	A股阿尔法因子研究与构建引擎。支持定义和计算A股专属的Alpha因子（动量反转、市值、换手率、资金流、事件驱动等），提供因子IC分析（含行业中性化处理）、分层回测、相关性去冗余、多因子融合等功能。底层技术指标计算支持TA-Lib和pandas_ta双后端切换（默认pandas_ta）。支持表达式引擎声明式因子定义、Alpha158扩展因子库、提前期偏差检测、IC衰减分析。可选接入惊泥因子库(jingni-datafeed)获取已沉淀因子数据。
author	quant-team
license	MIT
tags	["quant-trading","A股","factor-engine","alpha-factor","talib","pandas-ta","jingni-datafeed"]
dependencies	["pandas>=2.0.0","numpy>=1.24.0","scipy>=1.10.0","scikit-learn>=1.3.0","statsmodels>=0.14.0","alphalens-reloaded>=0.4.5","polars>=0.20.0","ta-lib (可选，C 语言依赖)","pandas-ta (可选，纯 Python 替代)"]
environment_variables	[{"name":"FACTOR_BACKEND","description":"因子计算后端（pandas_ta / talib），默认 pandas_ta（纯 Python）","required":false,"default":"pandas_ta"},{"name":"QUANT_WORK_DIR","description":"工作目录根路径","required":false,"default":"./workspace"},{"name":"IC_TYPE","description":"IC计算方式（normal / spearman / rank）","required":false,"default":"normal"},{"name":"JINGNI_URL","description":"惊泥因子库服务地址（启用 jingni-datafeed 时需要）","required":false},{"name":"JINGNI_TOKEN","description":"惊泥因子库 API Token（启用 jingni-datafeed 时需要）","required":false},{"name":"QUANT_ALPHALENS_REPORT","description":"是否生成 alphalens 完整因子分析报告（0/1），默认 0；启用后每个因子输出 4 PNG + 1 HTML + 1 JSON","required":false,"default":"0"},{"name":"QUANT_FACTOR_BACKEND","description":"DataFrame 后端（pandas / polars / auto），作用于 IC 计算/中性化/IC Decay/相关性分析等热路径。默认 pandas，polars 缺失时自动回退","required":false,"default":"pandas"}]
language	python
python_version	3.9+
entry_point	engine.py
trigger_keywords	["因子","因子研究","Alpha因子","IC分析","因子挖掘","因子中性化","因子相关性","多因子","表达式引擎","因子DSL","提前期偏差","惊泥因子库"]

factor-engine

概述

factor-engine 是 A 股量化投研的因子研究与构建引擎，提供：

1. A股专用Alpha因子：动量反转、市值、换手率、资金流、波动率等
2. 行业中性化处理：市值+行业中性回归
3. 因子IC分析：Spearman Rank IC / Pearson IC / 向量化IC分析
4. 因子相关性分析：去冗余处理
5. 多因子融合：等权/IC加权融合（含 NaN 隔离）
6. 表达式引擎：声明式因子定义（如 RANK(DELTA($close, 5))）
7. Alpha158 扩展因子库：47 个因子，覆盖 6 大类
8. 提前期偏差检测：自动检测因子计算中的未来数据泄露
9. 惊泥因子库集成：可选从 jingni-datafeed 获取已沉淀因子数据

技术指标后端

后端	实现	特点
pandas_ta（默认）	pandas_ta_calculator.py	纯 Python，无需 C 编译，150+ 指标完整对齐
talib	talib_calculator.py	需 C 依赖（TA-Lib），性能更优

通过 FACTOR_BACKEND 环境变量切换，代码使用 try/except 自动 fallback。

高性能 DataFrame 后端（可选）

IC 计算 / 中性化 / IC Decay / 相关性分析等热路径支持 pandas / polars 双后端，通过 QUANT_FACTOR_BACKEND 环境变量切换。

后端	适用场景	性能（5000 股 × 1000 日）
pandas（默认）	兼容性最广，零额外依赖	基线
polars	大规模截面计算（5000+ 股票）	IC 提速 5-15×，中性化提速 3-5×
auto	自动检测 polars 可用性	polars 可用时自动启用

覆盖模块

模块	文件	提速来源
Pearson IC	scripts/optimizations/ic_vectorized.py	polars 多线程 Rust 引擎
Spearman IC	scripts/optimizations/ic_vectorized.py	polars 窗口函数 + rank
中性化	scripts/optimizations/vectorized_neutralize.py	polars group_by 批量截面求解
IC Decay