quant-factor-tracker

name	quant-factor-tracker
description	证券金融工程研究员因子跟踪与评估技能。当用户要求跟踪量化因子表现、更新因子库、计算因子IC/IR、分析分组超额收益、评估因子有效性、监控因子衰减或生成因子跟踪报告时触发。包括“因子跟踪”、“计算因子IC”、“因子失效分析”、“生成因子评估报告”、“因子库更新”、“看看这些因子最近表现怎么样”、“跑一下IC和分组收益”等表述。本技能自动获取或接收因子截面数据与下期收益率，计算Rank IC、IR、分组超额收益，执行单调性与衰减检验，标记因子强弱状态与失效预警，输出标准化Markdown格式因子跟踪报告。

量化因子跟踪与评估 (Quant Factor Tracker)

概述

本技能专为证券金融工程研究员设计，旨在提供系统化的量化因子跟踪与有效性评估。通过自动获取或接收截面数据，计算因子 IC/IR、分组超额收益，执行单调性与衰减检验，标记因子强弱状态与失效预警，生成标准化的 Markdown 格式因子跟踪报告，辅助多因子模型构建与策略迭代。

所有数据查询必须使用 gildata-aidata 服务。

核心分析框架

1. 因子有效性评估 (Factor Effectiveness)

• Rank IC (Information Coefficient): 因子值与下期收益率的秩相关系数。
  • IC Mean: 衡量因子预测能力的强弱。通常 |IC| > 0.03 为有效。
  • ICIR (IC / std(IC)): 衡量因子预测能力的稳定性。通常 ICIR > 0.5 为优秀。
  • IC 胜率: IC > 0 的期数占比。
• 分组收益 (Grouped Returns):
  • 将股票按因子值分为 5 组或 10 组。
  • 多空收益 (Long-Short Return): 第 1 组 (最高) - 第 5 组 (最低) 的收益差。
  • 单调性: 各组收益率是否严格单调递增/递减。

2. 因子衰减与换手 (Decay & Turnover)

• IC 衰减: 计算因子值与 T+1, T+2, ... T+N 期收益率的 IC，观察预测能力随时间的衰减速度。
• 因子换手率: 因子值排名的变动幅度，评估交易成本对因子收益的侵蚀。

3. 因子状态监控 (Status Monitoring)

• 🟢 强势因子: ICIR > 0.5，多空收益显著，单调性好。
• 🟡 震荡/观察: IC 均值尚可但波动大，或多空收益不稳定。
• 🔴 失效/预警: IC 均值接近 0，ICIR < 0.2，或出现反向信号 (IC 持续为负)。

数据采集指引 (gildata-aidata 工具映射)

所有数据必须通过 gildata-aidata 服务获取，具体工具调用如下：

1. 因子截面数据获取

根据因子类型，调用相应工具获取全市场或指定股票池的截面数据：

• 价值因子 (Value): PE(TTM), PB(LF), PS(TTM), 股息率。

  finx gildata-aidata StockValueAnalysis --body '{"query": "查询沪深300成分股最新PE、PB、PS、股息率"}'
  

• 成长/质量因子 (Growth/Quality): ROE, 净利润增长率, 营收增长率, 毛利率。

  finx gildata-aidata FinancialAnalysis --body '{"query": "查询全市场A股最新ROE、净利润同比增长率、毛利率"}'
  

• 动量/反转因子 (Momentum/Reversal): 过去 N 日涨跌幅、波动率。

  finx gildata-aidata StockRangeQuotation --body '{"query": "查询全市场A股过去20日、60日涨跌幅"}'
  

• 波动率/风险因子 (Volatility/Beta): Beta 系数、特异度、历史波动率。

  finx gildata-aidata StockRiskAnalysis --body '{"query": "查询全市场A股最新Beta系数、波动率"}'
  

• 资金流因子 (Fund Flow): 主力净流入占比、北向资金持股变化。

  finx gildata-aidata AStockCashFlow --body '{"query": "查询全市场A股近5日主力资金净流入占比"}'
  

2. 下期收益率获取 (用于计算 IC)

• 获取因子暴露日后的下期收益率（如 T+1 日或 T+5 日）：

  finx gildata-aidata StockDailyQuote --body '{"query": "查询指定日期全市场A股涨跌幅"}'
  

3. 股票池定义

• 获取特定指数的成分股作为股票池：

  finx gildata-aidata IndexConstituentStocks --body '{"query": "查询沪深300最新成分股列表及权重"}'
  

执行流程

1. 数据采集:
   • 使用 gildata-aidata 获取指定股票池的因子截面数据 (Factor Exposure)。
   • 获取该截面日期后的下期收益率 (Return)。
2. 因子计算:
   • 数据清洗: 剔除 ST、停牌、新股、金融股（视策略而定）。
   • 去极值与标准化: 对因子进行 MAD 去极值和 Z-Score 标准化。
   • 行业市值中性化 (可选): 剔除行业和市值因子的影响。
3. 绩效评估:
   • 计算 Rank IC 序列。
   • 计算 分组收益 (Top/Bottom 组收益及多空收益)。
   • 执行 单调性检验 (Spearman 相关系数)。
4. 报告生成:
   • 生成 Markdown 格式的因子跟踪与评估报告。

报告模板 (Markdown)

# 📊 量化因子跟踪与评估报告 | [日期]

> **数据来源**: gildata-aidata 专业金融数据服务
> **测试区间**: [起始日期] 至 [结束日期]
> **股票池**: [如：沪深300 / 中证500 / 全A]

---

## 一、 因子有效性概览 (Factor Overview)

| 因子名称 | IC 均值 | ICIR | IC 胜率 | 多空年化 | 单调性 | 状态 |
|----------|---------|------|---------|----------|--------|------|
| EP_TTM   | 0.045   | 0.65 | 62%     | +8.5%    | ✅ 优   | 🟢 强势 |
| ROE_TTM  | 0.032   | 0.45 | 58%     | +5.2%    | ⚠️ 一般 | 🟡 观察 |
| Vol_20D  | -0.015  | -0.20| 40%     | -3.1%    | ❌ 差   | 🔴 失效 |
| ...      | ...     | ...  | ...     | ...      | ...    | ...  |

---

## 二、 核心因子深度分析 (Deep Dive)

### 2.1 [因子名称] (如：EP_TTM)
*   **IC 序列分析**:
    *   近一月 IC 均值：**0.045** (环比上升/下降)。
    *   当前 ICIR：**0.65** (稳定性优秀)。
    *   *解读*: 价值因子近期表现稳健，市场风格偏向低估值。
*   **分组收益分析**:
    *   **Top 组年化**: +12.5%
    *   **Bottom 组年化**: +4.0%
    *   **多空收益**: +8.5% (单调性良好，第 1 组显著跑赢第 5 组)。
*   **衰减分析**:
    *   T+1 IC: 0.045
    *   T+5 IC: 0.030
    *   T+20 IC: 0.010
    *   *结论*: 预测能力随时间衰减较快，适合中低频调仓（月度）。

---

## 三、 因子状态预警 (Alerts)

*   **🟢 强势因子推荐**:
    *   **[因子 1]**: ICIR 持续大于 0.5，建议加大配置权重。
    *   **[因子 2]**: 近期出现拐点，IC 由负转正，关注风格切换。
*   **🔴 失效/风险预警**:
    *   : 近 3 个月 IC 均值持续为负，多空收益倒挂，建议剔除或反向使用。
   : 拥挤度上升，换手率激增，需警惕交易成本侵蚀收益。

---



  : 建议降低 [失效因子] 权重，提升 [强势因子] 权重。
  : 当前模型在 [成长/价值/小盘] 风格上有显著暴露，注意风格漂移风险。
  : 基于宏观环境，预期 [某类因子] 将在下阶段占优。

---

注意事项

• 数据源唯一性: 所有因子数据、收益率数据必须通过 gildata-aidata 服务获取。
• 中性化处理: 在评估单一因子时，务必考虑行业和市值的影响，建议进行中性化处理以提取纯 Alpha。
• 样本外测试: 因子评估应包含样本内和样本外测试，避免过拟合。
• 动态跟踪: 因子有效性会随市场周期变化，需定期（周/月）更新跟踪报告。