Skip to main content Início Criadores duhanjun jingni-trader factor-engine
factor-engine 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。
Ir para a instalação Skills Marketplace Descubra e explore skills de IA criadas pela comunidade.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Mostrar detalhes do prompt Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
npx skills add https://github.com/duhanjun/jingni-trader --skill factor-engineO comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.
Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no SkillsMP.
Baixar Zip Baixando... Explorador de arquivos
58 arquivos
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：
A股专用Alpha因子 ：动量反转、市值、换手率、资金流、波动率等行业中性化处理 ：市值+行业中性回归因子IC分析 ：Spearman Rank IC / Pearson IC / 向量化IC分析因子相关性分析 ：去冗余处理多因子融合 ：等权/IC加权融合（含 NaN 隔离）表达式引擎 ：声明式因子定义（如 RANK(DELTA($close, 5))）Alpha158 扩展因子库 ：47 个因子，覆盖 6 大类提前期偏差检测 ：自动检测因子计算中的未来数据泄露惊泥因子库集成 ：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 talibtalib_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.pypolars 多线程 Rust 引擎 Spearman IC scripts/optimizations/ic_vectorized.pypolars 窗口函数 + rank 中性化 scripts/optimizations/vectorized_neutralize.pypolars group_by 批量截面求解 IC Decay
scripts/optimizations/ic_decay.py
polars over(code/date) 一次性扫描
相关性分析 scripts/optimizations/vectorized_correlation.pypolars DataFrame.corr()
使用方式
export QUANT_FACTOR_BACKEND=polars
export QUANT_FACTOR_BACKEND=auto
export QUANT_FACTOR_BACKEND=pandas
双后端一致性 所有支持 polars 后端的模块均通过 L2 单元测试验证：双后端输出最大绝对偏差 < 1e-10（IC Decay 因 rank 实现细节差异放宽到 1e-6）。polars 缺失时自动回退 pandas 并输出 warning 日志。
Processor Pipeline 架构（方向一） 借鉴 Microsoft Qlib 的 Processor + Recorder 设计，将因子处理流程抽象为可插拔的工序链 + 实验可重放记录器 。通过 pipeline.yaml 声明式配置工序组合。
核心组件 组件 文件 职责 Processor（抽象基类）scripts/processors/base.py声明 requires / __call__ / describe；子类实现具体工序 ProcessContextscripts/processors/base.py工序间状态传递载体（IC 结果、selected_factors、forward_returns 等） ProcessorChainscripts/processors/chain.py调度器，按序执行 Processor + 依赖检查 + 异常隔离 ExperimentRecorderscripts/recorder.py实验可重放记录器，输出 manifest.json（含 7 字段） load_pipeline_configscripts/processors/loader.pyYAML 加载器（work_dir 优先 → skill 默认 → 兜底默认链）
7 个内置 Processor Processor 功能 默认启用 NeutralizeProcessor行业 + 市值中性化（截面回归取残差） 否 WinsorizeProcessor去极值（MAD 法 / 分位数法） 否 FillnaProcessor缺失值填充（rank_pct / zero / mean / ffill） 否 StandardizeProcessor标准化（zscore / minmax） 否 ICAnalysisProcessorIC 分析（Pearson / Spearman），写入 ctx.ic_results 是 CorrelationFilterProcessor相关性去冗余，写入 ctx.selected_factors 是 FusionProcessor多因子融合（ic_weighted / equal_weighted），输出 alpha_score 是
声明式 YAML 配置 默认配置文件：scripts/processors/pipeline.yaml。在 QUANT_WORK_DIR 下放置 pipeline.yaml 可覆盖默认配置。
pipeline:
- processor: NeutralizeProcessor
enabled: false
params:
neutralize_mcap: true
neutralize_industry: true
min_count: 30
- processor: ICAnalysisProcessor
enabled: true
params:
ic_type: normal
forward_periods: [1 , 5 , 20 ]
min_count: 10
- processor: CorrelationFilterProcessor
enabled: true
params:
max_correlation: 0.7
- processor: FusionProcessor
enabled: true
params:
method: ic_weighted
forward_period_for_weight: ret_forward_5d
ExperimentRecorder manifest 每次 pipeline 运行自动在 <QUANT_WORK_DIR>/archives/factor_engine/run_YYYYMMDD_HHMMSS/ 下生成 manifest.json，含 7 字段：
字段 说明 run_iduuid4().hex，唯一标识本次运行 start_time / end_time运行起止时间（ISO 格式） pipeline_config各 Processor 的 describe() 输出列表 input_data_hash输入文件 sha256（接入 P1-3 artifact_store） steps每步执行后状态（processor 名 / 参数 / 行列数 / nan_ratio） output_artifacts输出产物路径列表 env环境快照（Python/pandas/polars 版本 + QUANT_ 环境变量）
manifest.json 自身 sha256 纳入 P1-3 sha256 Manifest 覆盖范围，支持实验可重放。
因子定义体系
内置因子
动量因子 ：momentum_20d、momentum_60d、reversal_5d、reversal_20d规模因子 ：lncap（对数市值，estimated_mv 仅作为内部中间变量不输出）交易因子 ：turnover_20d、turnover_5d、turnover_change、volume_ratio波动率因子 ：volatility_20d资金流因子 ：money_flow_20d（20日累计资金流）
表达式引擎因子 支持声明式定义，预设因子包括 KDJ、RSI、MACD、布林带等，例如：
engine.compute_expression_factors(data, {
"rsi_14" : "RSI($close, 14)" ,
"macd_diff" : "MACD($close, 12, 26, 9)" ,
})
Alpha158 扩展因子库 借鉴 Qlib Alpha158，合计 47 个因子，覆盖：
动量/反转类（12 个）
波动率类（8 个）
成交量/换手率类（8 个）
技术指标类（10 个）
资金流向类（5 个）
其他（4 个）
惊泥因子库集成 当 JINGNI_URL 和 JINGNI_TOKEN 均已配置，且用户明确要求从因子库取数时（如"从惊泥因子库加载因子"），factor-engine 优先从 jingni-datafeed 获取已沉淀因子数据，跳过本地计算。
ctx.metadata["factor_source"] 控制：
"jingni"：强制走 jingni-datafeed 路径"auto"：先尝试 jingni，失败回退本地计算"local"：始终本地计算（默认）
Alphalens 因子分析报告（可选） 设置环境变量 QUANT_ALPHALENS_REPORT=1 后，FACTOR 阶段会为每个入选因子自动生成完整的 alphalens 因子分析报告，输出到 <QUANT_WORK_DIR>/reports/alphalens/<task_id>/。
产物清单（每个因子） 文件 说明 <factor>_returns.png分层累积收益曲线 <factor>_ic.pngIC 时序图与分布 <factor>_turnover.png分层换手率 <factor>_summary.png综合统计摘要 <factor>_report.html单因子 HTML 报告（含上述图表） <factor>_metrics.json8 项关键指标（机器可读）
metrics.json 字段 字段 类型 说明 factorstr 因子名 top_quantile_returnfloat 最高分层平均收益 bottom_quantile_returnfloat 最低分层平均收益 long_short_returnfloat 多空收益（Top - Bot） long_short_sharpefloat 多空收益年化夏普 ic_meanfloat IC 均值 ic_irfloat IC 信息比（IC 均值 / IC 标准差） avg_turnover_top_quantilefloat Top 分层平均换手率 suggested_verdictstr 建议结论（ACCEPT / REVIEW / REJECT）
降级方案 当 alphalens-reloaded 未安装或运行报错时，自动降级到方案 C（自研轻量分层回测）：
仅输出 <factor>_metrics.json + <factor>_report.html，不生成 PNG
metrics.json 额外含 _backend: "fallback_lite" 标识
主流程不阻塞，仅记录 warning 日志
下游聚合 REPORT 阶段会自动聚合所有因子的 metrics.json，生成 factor_analysis_report.html 汇总报告（含各因子指标卡片与 ACCEPT/REVIEW/REJECT 结论），归档到 REPORT 阶段 artifacts。
使用示例
Python API from engine import run
from scripts.context import Context
ctx = Context(
task_id="task_001" ,
user_intent="计算因子" ,
current_stage="IDLE"
)
ctx.stock_pool = ["000001.SZ" ]
ctx.start_date = "2021-01-01"
ctx.end_date = "2024-01-01"
result = run(ctx)
from engine import FactorEngine
engine = FactorEngine()
expr_factors = engine.compute_expression_factors(data)
extended = engine.compute_extended_factors(data)
CLI 运行 python engine.py -i "计算反转因子"
优化模块 以下优化模块位于 scripts/optimizations/，按需直接 import，例如 from scripts.optimizations.ic_vectorized import ic_analysis_batch：
Alpha158 库 ：alpha158_lib.AlphaEngine、alpha158_lib.AlphaRegistryIC分析 ：ic_vectorized.ic_analysis_batch、ic_vectorized.ic_summary、ic_decay.ICDecayAnalyzer、ic_analysis_v2.calc_ic_series、ic_analysis_v2.calc_ic_stats因子验证 ：factor_validator.validate_factor、factor_validator.FactorVerdict、lookahead_detector因子注册 ：factor_registry_v2.FactorRegistry、factor_registry_v2.Neutralizer、vectorized_neutralize.neutralize_factor相关性分析 ：vectorized_correlation.correlation_analysis（支持 polars 后端）
Processor Pipeline 模块 可通过 from engine import processors 访问所有 Processor 相关类与工具函数：
基类与异常 ：Processor、ProcessContext、ProcessorRequirementError、ChainValidationError调度器与加载器 ：ProcessorChain、load_pipeline_config、parse_yaml_to_processors、register_processor、PROCESSOR_REGISTRY7 个内置 Processor ：NeutralizeProcessor、WinsorizeProcessor、FillnaProcessor、StandardizeProcessor、ICAnalysisProcessor、CorrelationFilterProcessor、FusionProcessor实验记录器 ：ExperimentRecorder工具方法 ：get_all_processors()、create_default_chain()
配置说明
API 文档 