菜单
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。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/duhanjun/jingni-trader --skill factor-engine命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
| 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 是 A 股量化投研的因子研究与构建引擎，提供：
RANK(DELTA($close, 5))）| 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。
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 |
| 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 |
scripts/optimizations/ic_decay.pypolars over(code/date) 一次性扫描 |
| 相关性分析 | scripts/optimizations/vectorized_correlation.py | polars DataFrame.corr() |
# 显式启用 polars
export QUANT_FACTOR_BACKEND=polars
# 自动检测（推荐生产环境）
export QUANT_FACTOR_BACKEND=auto
# 临时禁用（强制 pandas）
export QUANT_FACTOR_BACKEND=pandas
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。
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。
| 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 |
ProcessContext | scripts/processors/base.py | 工序间状态传递载体（IC 结果、selected_factors、forward_returns 等） |
ProcessorChain | scripts/processors/chain.py | 调度器，按序执行 Processor + 依赖检查 + 异常隔离 |
ExperimentRecorder | scripts/recorder.py | 实验可重放记录器，输出 manifest.json（含 7 字段） |
load_pipeline_config | scripts/processors/loader.py | YAML 加载器（work_dir 优先 → skill 默认 → 兜底默认链） |
| 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 |
ICAnalysisProcessor | IC 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 |
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 # 默认禁用，保持与 v1.x run() 一致
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
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_id | uuid4().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。
momentum_20d、momentum_60d、reversal_5d、reversal_20dlncap（对数市值，estimated_mv 仅作为内部中间变量不输出）turnover_20d、turnover_5d、turnover_change、volume_ratiovolatility_20dmoney_flow_20d（20日累计资金流）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)",
})
借鉴 Qlib Alpha158，合计 47 个因子，覆盖：
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）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>/。
| 文件 | 说明 |
|---|---|
<factor>_returns.png | 分层累积收益曲线 |
<factor>_ic.png | IC 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.json | 8 项关键指标（机器可读） |
| 字段 | 类型 | 说明 |
|---|---|---|
factor | str | 因子名 |
top_quantile_return | float | 最高分层平均收益 |
bottom_quantile_return | float | 最低分层平均收益 |
long_short_return | float | 多空收益（Top - Bot） |
long_short_sharpe | float | 多空收益年化夏普 |
ic_mean | float | IC 均值 |
ic_ir | float | IC 信息比（IC 均值 / IC 标准差） |
avg_turnover_top_quantile | float | Top 分层平均换手率 |
suggested_verdict | str | 建议结论（ACCEPT / REVIEW / REJECT） |
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）：
<factor>_metrics.json + <factor>_report.html，不生成 PNG_backend: "fallback_lite" 标识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。
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)
# 使用表达式引擎
from engine import FactorEngine
engine = FactorEngine()
expr_factors = engine.compute_expression_factors(data)
# 使用 Alpha158 扩展因子库
extended = engine.compute_extended_factors(data)
python engine.py -i "计算反转因子"
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_lib.AlphaEngine、alpha158_lib.AlphaRegistryic_vectorized.ic_analysis_batch、ic_vectorized.ic_summary、ic_decay.ICDecayAnalyzer、ic_analysis_v2.calc_ic_series、ic_analysis_v2.calc_ic_statsfactor_validator.validate_factor、factor_validator.FactorVerdict、lookahead_detectorfactor_registry_v2.FactorRegistry、factor_registry_v2.Neutralizer、vectorized_neutralize.neutralize_factorvectorized_correlation.correlation_analysis（支持 polars 后端）可通过 from engine import processors 访问所有 Processor 相关类与工具函数：
Processor、ProcessContext、ProcessorRequirementError、ChainValidationErrorProcessorChain、load_pipeline_config、parse_yaml_to_processors、register_processor、PROCESSOR_REGISTRYNeutralizeProcessor、WinsorizeProcessor、FillnaProcessor、StandardizeProcessor、ICAnalysisProcessor、CorrelationFilterProcessor、FusionProcessorExperimentRecorderget_all_processors()、create_default_chain()