quant-factor-screener

name	quant-factor-screener
description	使用正式因子模型进行系统化多因子A股筛选，识别具有有利因子暴露的个股。当用户询问因子投资、多因子筛选、价值/动量/质量因子分析、因子打分、因子择时、Smart Beta策略、量化选股或基于学术因子的系统化选股时使用此技能。
license	Apache-2.0

量化因子筛选器

扮演量化权益分析师。使用基于学术因子研究的系统化多因子框架筛选A股——对价值、动量、质量、低波动、规模和成长因子进行评分和排名。

工作流程

第一步：确定参数

与用户确认：

输入	选项	默认
选股池	沪深300 / 中证500 / 中证1000 / 全A / 自定义	中证800
因子	全部6个或特定因子	全部
因子权重	等权或自定义	等权
行业约束	行业中性或不约束	行业中性
结果数量	前N只	前20只
宏观研判	当前因子择时评估	自动判断
排除项	行业、概念、特定个股	无

第二步：计算因子得分

对选股池中每只股票计算各因子得分。详细定义参见 references/factor-methodology.md。

因子	主要指标	默认权重
价值	盈利收益率、PB倒数、FCF收益率、EV/EBITDA	1/6
动量	12-1月价格动量、盈利预期修正动量	1/6
质量	ROE、盈利稳定性、低杠杆、应计质量	1/6
低波动	已实现波动率（1年）、Beta、下行偏差	1/6
规模	市值（越小得分越高）	1/6
成长	营收增速、盈利增速、利润率扩张	1/6

对每个因子：

1. 计算每只股票的原始指标
2. 在行业内（行业中性时）或全选股池内排名
3. 将排名转换为百分位得分（0–100）
4. 将子指标合成为综合因子得分

第三步：合成得分

综合得分 = Σ (因子权重 × 因子得分)

按综合得分从高到低排列所有股票。

第四步：因子择时评估

评估当前宏观环境及其对因子表现的影响。参见 references/factor-methodology.md。

宏观环境	利好因子	不利因子
经济复苏初期	规模、动量	低波动
经济扩张中期	动量、成长	价值
经济扩张末期	质量、价值	规模
经济下行	低波动、质量	动量、规模
经济触底	价值、规模、动量	低波动

基于当前研判，提供因子择时叠加以调整权重。

第五步：因子拥挤度分析

评估热门因子是否过度拥挤：

信号	拥挤	不拥挤
估值价差	因子内高低分组估值差收窄	估值差扩大
因子收益相关性	高（许多人跟随相同信号）	低
ETF/基金资金流入	因子相关产品大量净申购	净赎回
媒体/分析师关注	被广泛讨论	被忽视

标记拥挤的因子——收益可能被压缩。

第六步：呈现结果

格式参见 references/output-template.md：

1. 宏观环境研判 — 当前阶段和因子择时观点
2. 因子拥挤度面板 — 哪些因子拥挤/不拥挤
3. 精选个股表 — 前N只股票的各因子得分和综合得分
4. 行业分布 — 精选结果的行业分布
5. 因子暴露汇总 — 精选列表的整体因子特征
6. 个股简介 — 每只精选个股的简要画像
7. 风险提示 — 因子回撤历史和当前风险
8. 免责声明

数据增强

如需实时市场数据支撑分析，请使用金融数据工具包技能（findata-toolkit-cn）。该工具包提供A股实时行情、财务指标、董监高增减持、北向资金、宏观数据等功能，所有数据源免费，无需API密钥。

重要注意事项

• 因子不是万能的：因子有长期跑输的时候。A股的价值因子在2019–2020年严重跑输。动量因子会周期性崩溃。设定合理预期。
• 行业中性很重要：不做行业约束的因子筛选常常产出伪装成因子赌注的行业集中赌注。
• A股因子特殊性：低波动异象在A股非常显著；动量因子因散户主导的市场结构而表现不同；小盘因子溢价受壳价值和流动性溢价影响。
• 换手率因子：A股中换手率是一个独特且有效的负向因子（低换手率→高收益），这在成熟市场中不那么显著。
• 多因子更稳健：没有单一因子永远有效。组合因子可降低回撤、平滑收益。
• 交易成本：动量策略换手率高。需考虑现实的交易成本（印花税0.05%+佣金）。
• 非个人化建议：因子筛选是分析工具，不构成投资建议。个人情况各异。