factor-backtester

name	factor-backtester
description	Use when testing factor signals, running long-short spread backtests, checking hit rate and turnover, or sanity-checking whether a ranking signal survives basic transaction cost assumptions.
zh_description	用于factor、回测，支持投资研究、风险评估和报告生成。
version	1.0.0
author	seaworld008
source	in-house
source_url
tags	["backtester", "factor", "finance"]
created_at	2026-03-18
updated_at	2026-03-20
quality	2
complexity	intermediate

Factor Backtester (因子回测器)

在投入重金之前，先验证你的因子（Factor）是否真的具备“阿尔法”收益。本技能旨在提供一个轻量级的因子筛选层，帮助量化研究员和投资经理快速验证信号的有效性，并识别那些仅在“理想实验室”中存在的伪因子。

安装与前提条件

# 确保已安装量化回测与数学统计库
pip install pandas numpy matplotlib scipy pyfolio
# 准备回测数据
npx clawhub install factor-backtester

触发条件 / When to Use

• 新信号研发 (Signal Research)：验证一个新的财务指标（如：研发投入强度）是否具备长期选股能力。
• 横截面排名测试 (Cross-sectional Ranking Tests)：对比不同因子在全市场范围内的预测力。
• 投资经理思路验证 (PM Idea Review)：将宏观直觉转化为可量化的因子回测。
• 深度工程前的筛选 (Lightweight Screening)：在大规模分布式回测之前，先进行快速的“可行性扫描”。
• 因子失效诊断：当某个传统因子（如：估值因子）近期表现不佳时，进行历史回看以判断其是否已经永久失效。

核心能力 / Core Capabilities

1. 信号准备与预处理 (Signal Prep)

• 操作步骤：
  1. 准备分周期的长端收益（Long Return）、短端收益（Short Return）及基准收益（Benchmark Return）。
  2. 进行数据的去极值处理（Winsorization）和标准化（Z-score）。
  3. 处理缺失值，并标记“可交易性”过滤器（如：剔除停牌、ST 或新股）。
• 最佳实践：始终保留至少 5-10 年的历史跨度，以覆盖完整的经济周期。

2. 核心指标计算 (Metrics Calculation)

• 操作步骤：
  1. 运行 scripts/backtest_factor.py。
  2. 计算 IC/IR (Information Coefficient)：衡量预测值与实际收益的相关性。
  3. 计算 夏普比率 (Sharpe Ratio)、最大回撤 (Max Drawdown) 以及 胜率 (Hit Rate)。
  4. 分析 换手率 (Turnover) 对最终收益的侵蚀。
• 最佳实践：除了看总收益，更要看分年度、分行业的收益稳定性。

3. 多空对冲模拟 (Long-Short Simulation)

• 操作步骤：
  1. 模拟多空对冲（Long-Short Spread）策略，观察因子的纯净阿尔法。
  2. 识别因子的“行业暴露”：该收益是真的来自因子，还是仅仅因为重仓了某个行业？
• 最佳实践：在计算收益时，显式扣除双边 0.1% - 0.3% 的交易成本（Transaction Costs）。

4. 稳健性与压力测试 (Robustness Check)

• 操作步骤：
  1. 在不同市场环境下（牛市、熊市、震荡市）进行分段回测。
  2. 改变回测起点或调仓周期（如：从周频改为月频），观察信号是否依然存活。
• 最佳实践：如果一个小变化导致收益巨幅波动，该因子大概率存在“过拟合”风险。

常用命令/模板 / Common Patterns

回测输入数据 JSON 模板 (Backtest Data JSON)

{
  "factor_name"