接口：factor_list
描述：提取Tushare自主研发生产的因子列表，包括因子名、因子分类和计算逻辑等信息
限量：单次可以提取所有列表，无需循环提取
权限：因子库为单独权限接口，全库正式权限为2000元一年，请在“权限中心”勾选因子库开通。
| 名称 | 类型 | 必选 | 描述 |
|---|---|---|---|
| factor_name | str | N | 因子名称 |
| asset_type | str | N | 资产类别：STK股票，IDX指数，ETF，CB可转债 【当前只提供STK股票】 |
| factor_type | str | N | 因子类别，详见下方明细 |
| 名称 | 类型 | 默认显示 | 描述 |
|---|---|---|---|
| factor_name | str | Y | 因子名称 |
| asset_type | str | Y | 证券类型：STK股票，IDX指数，ETF，CB可转债 【当前只提供STK股票】 |
| factor_type | str | Y | 因子分类 |
| factor_desc | str | Y | 因子描述及算法逻辑 |
# 导入sdk包
import tushare as ts
# 获取接口实例
pro = ts.pro_api()
# 拉取全部因子列表数据
df = pro.factor_list()
print(df)
#按因子类型提取并指定字段输出
df = pro.factor_list(factor_type='Risk', fields='factor_name,factor_type,factor_desc')
当前共 202 个因子(正在逐步增加)，资产类型：Stock，分为 9 个类别
| 分类名 | 中文名称 | 因子数量 | 说明 |
|---|---|---|---|
| Alpha101 | Alpha101 量价因子 | 31 | 基于 WorldQuant 公式计算的量价 Alpha 因子 |
| Growth | 成长因子 | 15 | 衡量企业盈利和资产增长能力 |
| Liquidity | 流动性因子 | 35 | 衡量股票交易活跃度和流动性特征 |
| Momentum | 动量因子 | 20 | 衡量价格趋势延续性 |
| Quality | 质量因子 | 59 | 衡量企业财务质量和经营效率 |
| Reversal | 反转因子 | 3 | 捕捉短期价格反转信号 |
| Risk | 风险因子 | 25 | 衡量股票风险特征（波动率、Beta 等） |
| Size | 规模因子 | 3 | 衡量市值规模大小 |
| Value | 价值因子 | 11 | 衡量股票估值水平 |
| 合计 | 202 |
1、 Alpha101（31 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | alpha101_1 | 基于负收益时段波动放大的极值位置排名因子。 数学表达式: Alpha = Rank(Ts_ArgMax(SignedPower(IF(Returns < 0, StdDev(Returns, 20), Close), 2), 5)) - 0.5 |
| 2 | alpha101_2 | 世坤 alpha101 第 2 号因子。 数学表达式: Alpha = -1 * Correlation(Rank(Delta(Log(Volume), 2)), Rank((Close - Open) / Open), 6) |
| 3 | alpha101_3 | 开盘价排名与成交量排名相关性的负值。 数学表达式: Alpha = -1 * Correlation(Rank(Open), Rank(Volume), 10) |
| 4 | alpha101_4 | 最低价排名的 9 日时间序列排名的负值。 数学表达式: Alpha = -1 * Ts_Rank(Rank(Low), 9) |
| 5 | alpha101_5 | 开盘价偏离 VWAP 排名与收盘价偏离 VWAP 排名绝对值的组合。 数学表达式: Alpha = Rank(Open - (Sum(VWAP, 10) / 10)) * (-1 * Abs(Rank(Close - VWAP))) |
| 6 | alpha101_6 | 世坤 alpha101 第 6 号因子。 数学表达式: Alpha = -1 * Correlation(Open, Volume, 10) |
| 7 | alpha101_7 | 世坤 alpha101 第 7 号因子。 数学表达式: Alpha = (ADV20 < Volume) ? (-1 * Ts_Rank(Abs(Delta(Close, 7)), 60) * Sign(Delta(Close, 7))) : -1 |
| 8 | alpha101_8 | 5 日开盘价与收益率乘积和相对其 10 日延迟值之差的排名负值。 数学表达式: Alpha = -1 * Rank((Sum(Open, 5) * Sum(Returns, 5)) - Delay((Sum(Open, 5) * Sum(Returns, 5)), 10)) |
| 9 | alpha101_9 | 世坤 alpha101 第 9 号因子。 数学表达式: Alpha = (0 < Ts_Min(Delta(Close, 1), 5)) ? Delta(Close, 1) : ((Ts_Max(Delta(Close, 1), 5) < 0) ? Delta(Close, 1) : -1 * Delta(Close, 1)) |
| 10 | alpha101_10 | 世坤 alpha101 第 10 号因子。 数学表达式: Alpha = Rank((0 < Ts_Min(Delta(Close, 1), 4)) ? Delta(Close, 1) : ((Ts_Max(Delta(Close, 1), 4) < 0) ? Delta(Close, 1) : -1 * Delta(Close, 1))) |
| 11 | alpha101_11 | 世坤 alpha101 第 11 号因子。 数学表达式: Alpha = (Rank(Ts_Max(VWAP - Close, 3)) + Rank(Ts_Min(VWAP - Close, 3))) * Rank(Delta(Volume, 3)) |
| 12 | alpha101_12 | 世坤 alpha101 第 12 号因子。 数学表达式: Alpha = Sign(Delta(Volume, 1)) * (-1 * Delta(Close, 1)) |
| 13 | alpha101_13 | 世坤 alpha101 第 13 号因子。 数学表达式: Alpha = -1 * Rank(Covariance(Rank(Close), Rank(Volume), 5)) |
| 14 | alpha101_14 | 世坤 alpha101 第 14 号因子。 数学表达式: Alpha = -1 * Rank(Delta(Returns, 3)) * Correlation(Open, Volume, 10) |
| 15 | alpha101_15 | 世坤 alpha101 第 15 号因子。 数学表达式: Alpha = -1 * Sum(Rank(Correlation(Rank(High), Rank(Volume), 3)), 3) |
| 16 | alpha101_16 | 世坤 alpha101 第 16 号因子。 数学表达式: Alpha = -1 * Rank(Covariance(Rank(High), Rank(Volume), 5)) |
| 17 | alpha101_17 | 世坤 alpha101 第 17 号因子。 数学表达式: Alpha = (-1 * Rank(Ts_Rank(Close, 10))) * Rank(Delta(Delta(Close, 1), 1)) * Rank(Ts_Rank(Volume / ADV20, 5)) |
| 18 | alpha101_18 | 世坤 alpha101 第 18 号因子。 数学表达式: Alpha = -1 * Rank(StdDev(Abs(Close - Open), 5) + (Close - Open) + Correlation(Close, Open, 10)) |
| 19 | alpha101_19 | 世坤 alpha101 第 19 号因子。 数学表达式: Alpha = ((-1 * Sign((Close - Delay(Close, 7)) + Delta(Close, 7))) * (1 + Rank(1 + Sum(Returns, 250)))) + ((Rank(Correlation(Rank(VWAP - Close), Rank(Volume), 12) * Rank(Correlation(Rank(Close), Rank(ADV20), 12))) * -1)) * Rank(Correlation(Rank(VWAP - Close), Rank(Volume), 12) * Rank(Correlation(Rank(Close), Rank(ADV20), 12))) |
| 20 | alpha101_20 | 世坤 alpha101 第 20 号因子。 数学表达式: Alpha = -1 * Rank(Open - Delay(High, 1)) * Rank(Open - Delay(Close, 1)) * Rank(Open - Delay(Low, 1)) |
| 21 | alpha101_22 | 世坤 alpha101 第 22 号因子。 数学表达式: Alpha = -1 * Delta(Correlation(High, Volume, 5), 5) * Rank(StdDev(Close, 20)) |
| 22 | alpha101_23 | 世坤 alpha101 第 23 号因子。 数学表达式: Alpha = (Sum(High, 20) / 20 < High) ? -1 * Delta(High, 2) : 0 |
| 23 | alpha101_25 | 世坤 alpha101 第 25 号因子。 数学表达式: Alpha = Rank(-1 * Returns * ADV20 * VWAP * (High - Close)) |
| 24 | alpha101_33 | 世坤 alpha101 第 33 号因子。 数学表达式: Alpha = Rank(-1 * (1 - Open / Close)) |
| 25 | alpha101_34 | 世坤 alpha101 第 34 号因子。 数学表达式: Alpha = Rank(1 - Rank(StdDev(Returns, 2) / StdDev(Returns, 5)) + 1 - Rank(Delta(Close, 1))) |
| 26 | alpha101_41 | 世坤 alpha101 第 41 号因子。 数学表达式: Alpha = (High * Low) ^ 0.5 - VWAP |
| 27 | alpha101_52 | 世坤 alpha101 第 52 号因子。 数学表达式: Alpha = ((-1 * Ts_Min(Low, 5) + Delay(Ts_Min(Low, 5), 5)) * Rank((Sum(Returns, 240) - Sum(Returns, 20)) / 220)) * Ts_Rank(Volume, 5) |
| 28 | alpha101_53 | 世坤 alpha101 第 53 号因子。 数学表达式: Alpha = -1 * Delta(((Close - Low) - (High - Close)) / (Close - Low), 9) |
| 29 | alpha101_54 | 世坤 alpha101 第 54 号因子。 数学表达式: Alpha = (-1 * (Low - Close) * Open^5) / ((Low - High) * Close^5) |
| 30 | alpha101_57 | 世坤 alpha101 第 57 号因子。 数学表达式: Alpha = -(Close - VWAP) / Decay_Linear(Rank(Ts_ArgMax(Close, 30)), 2) |
| 31 | alpha101_101 | 世坤 alpha101 第 101 号因子。 数学表达式: Alpha = (Close - Open) / ((High - Low) + 0.001) |
2、 Growth （15 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | peg_252d | PEG因子 PEG = PE / (EPS增长率 * 100)。用于衡量估值与成长性的匹配。 PE由收盘价/基本每股收益(TTM)计算得到。 数学表达式: 1. PE = Close / EPS_TTM 2. EPS_Growth = ts_returns(EPS, window, mode='simple') 3. PEG = PE / (EPS_Growth * 100) 参数: window: EPS增长率计算窗口，默认 252天 |
| 2 | np_ttm_qoq | 净利润（TTM）环比增速，截面排名。 数学表达式: Growth = NetProfit_TTM_t / NetProfit_TTM_{t-1} - 1 Factor = CrossSectionalRank(Growth) |
| 3 | yoy_net_profit | 净利润同比增长因子 Mathematical expression: YoY = Value_t / Value_{t-252} - 1 |
| 4 | yoy_ocf | 经营现金流同比增长率因子，截面排名。 Mathematical expression: YoY = OCF_TTM_t / OCF_TTM_{t-252} - 1 Factor = CrossSectionalRank(YoY) |
| 5 | sa | 每股销售收入增长加速度因子，截面排名。 每股销售收入增长率的变化量。 Mathematical expression: 1. SPS = OperatingRevenue_Q / TotalShares 2. SG = SPS_t / SPS_{t-252} - 1 3. SA = SG - SG_{t-63} Factor = CrossSectionalRank(SA) |
| 6 | gross_margin_qoq | 毛利率TTM环比增长率因子，截面排名。 对应原faclib/growth/GPR1因子。 Mathematical expression: 1. GrossMargin = (Revenue_TTM - Cost_TTM) / Revenue_TTM 2. GPR = GrossMargin / GrossMargin_{t-63} - 1 Factor = CrossSectionalRank(GPR) |
| 7 | pa | ROA增长加速度因子，截面排名。 ROA变化量的变化，衡量盈利能力加速改善的趋势。 Mathematical expression: 1. PG = ROA_t - ROA_{t-252} 2. PA = PG - PG_{t-63} Factor = CrossSectionalRank(PA) |
| 8 | yoy_roa | ROA同比增长率因子，截面排名。 Mathematical expression: YoY = ROA_TTM_t / ROA_TTM_{t-252} - 1 Factor = CrossSectionalRank(YoY) |
| 9 | yoy_net_asset | 净资产同比增长率因子，截面排名。 Mathematical expression: YoY = NetAsset_t / NetAsset_{t-252} - 1 Factor = CrossSectionalRank(YoY) |
| 10 | yoy_revenue | 营业收入同比增长因子 Mathematical expression: YoY = Value_t / Value_{t-252} - 1 |
| 11 | yoy_roe | ROE同比增长率因子，截面排名。 Mathematical expression: YoY = ROE_TTM_t / ROE_TTM_{t-252} - 1 Factor = CrossSectionalRank(YoY) |
| 12 | yoy_total_asset | 总资产同比增长率因子，截面排名。 Mathematical expression: YoY = TotalAsset_t / TotalAsset_{t-252} - 1 Factor = CrossSectionalRank(YoY) |
| 13 | eaa | EPS增长加速度因子，截面排名。 EPS增长率的变化量，衡量增长动能的变化趋势。 Mathematical expression: 1. EGA = EPS_Q / EPS_Q_{t-252} - 1 2. EAA = EGA - EGA_{t-63} Factor = CrossSectionalRank(EAA) |
| 14 | eap | EPS相对于价格的增长加速度因子，截面排名。 使用收盘价作为分母，标准化EPS增量。 Mathematical expression: 1. EGP = (EPS_Q_t - EPS_Q_{t-252}) / Close 2. EAP = EGP - EGP_{t-63} Factor = CrossSectionalRank(EAP) |
| 15 | asset_growth_qoq | 总资产环比增速，截面排名。 数学表达式: Growth = TotalAssets_t / TotalAssets_{t-1} - 1 Factor = CrossSectionalRank(Growth) |
3、Liquidity（35 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | avg_turnover_5d | 平均换手率因子 计算过去5天的平均换手率。 数学表达式: 1. DailyTurnoverRate = Volume / AShares 2. Factor = ts_mean(DailyTurnoverRate, 5) 参数: window: 窗口天数 |
| 2 | avg_turnover_10d | 平均换手率因子 计算过去10天的平均换手率。 数学表达式: 1. DailyTurnoverRate = Volume / AShares 2. Factor = ts_mean(DailyTurnoverRate, 10) 参数: window: 窗口天数 |
| 3 | avg_turnover_20d | 平均换手率因子 计算过去20天的平均换手率。 数学表达式: 1. DailyTurnoverRate = Volume / AShares 2. Factor = ts_mean(DailyTurnoverRate, 20) 参数: window: 窗口天数 |
| 4 | amount_ma_20d | 计算 20 日成交额移动平均。 该因子衡量市场的活跃程度和流动性。 数学表达式: AmountMA = Mean(TurnoverAmount, 20) 参数: window: 移动平均窗口，默认为 20 |
| 5 | turnover_ma_20d | 计算成交量与流通市值比率的移动平均。 当 long>0 时，计算短期/长期均值比值；否则仅计算短期均值。 结果取负值，符合原始因子设计。 数学表达式: 1. VolCapRatio = TurnoverVolume / FloatMarketCap 2. FloatMarketCap = ClosePrice × FloatShares 3. If long > 0: Factor = -MA(VolCapRatio, short) / MA(VolCapRatio, long) Else: Factor = -MA(VolCapRatio, short) |
| 6 | sum_abs_rtn_amount_20d | 计算 20 日累计绝对收益率与累计成交额的比值。 该因子衡量"单位成交额所产生的波动性"， 可以看作是一种流动性调整后的波动率指标。 值越高，代表在相对较小的成交量下产生了较大的价格波动。 数学表达式: Factor = Sum(|Return|, 20) / Sum(TurnoverAmount, 20) 参数: window: 滚动窗口，默认为 20 |
| 7 | turnover_ma_20d_120d | 计算成交量与流通市值比率的移动平均。 当 long>0 时，计算短期/长期均值比值；否则仅计算短期均值。 结果取负值，符合原始因子设计。 数学表达式: 1. VolCapRatio = TurnoverVolume / FloatMarketCap 2. FloatMarketCap = ClosePrice × FloatShares 3. If long > 0: Factor = -MA(VolCapRatio, short) / MA(VolCapRatio, long) Else: Factor = -MA(VolCapRatio, short) |
| 8 | avg_turnover_21d | 计算过去1个月（w=121个交易日）的平均换手率。 换手率是衡量股票流动性和市场活跃度的重要指标。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = MA(DailyTurnoverRate, w=121) |
| 9 | std_turnover_21d | 计算过去1个月（w=121个交易日）的换手率滚动标准差。 衡量换手率的波动性，反映交易活跃度的稳定性。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = StdDev(DailyTurnoverRate, w=121) |
| 10 | bias_std_turn_21d_252d | 计算1个月换手率标准差与12个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=121) 3. Std_long = StdDev(DailyTurnoverRate, w=1221) 4. Factor = Std_short / Std_long - 1 |
| 11 | bias_turn_21d_252d | 计算1个月平均换手率与12个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=121) 3. MA_long = MA(DailyTurnoverRate, w=1221) 4. Factor = MA_short / MA_long - 1 |
| 12 | bias_std_turn_21d_504d | 计算1个月换手率标准差与24个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=121) 3. Std_long = StdDev(DailyTurnoverRate, w=2421) 4. Factor = Std_short / Std_long - 1 |
| 13 | bias_turn_21d_504d | 计算1个月平均换手率与24个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=121) 3. MA_long = MA(DailyTurnoverRate, w=2421) 4. Factor = MA_short / MA_long - 1 |
| 14 | std_turnover_42d | 计算过去2个月（w=221个交易日）的换手率滚动标准差。 衡量换手率的波动性，反映交易活跃度的稳定性。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = StdDev(DailyTurnoverRate, w=221) |
| 15 | avg_turnover_42d | 计算过去2个月（w=221个交易日）的平均换手率。 换手率是衡量股票流动性和市场活跃度的重要指标。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = MA(DailyTurnoverRate, w=221) |
| 16 | bias_turn_42d_252d | 计算2个月平均换手率与12个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=221) 3. MA_long = MA(DailyTurnoverRate, w=1221) 4. Factor = MA_short / MA_long - 1 |
| 17 | bias_std_turn_42d_252d | 计算2个月换手率标准差与12个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=221) 3. Std_long = StdDev(DailyTurnoverRate, w=1221) 4. Factor = Std_short / Std_long - 1 |
| 18 | bias_std_turn_42d_504d | 计算2个月换手率标准差与24个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=221) 3. Std_long = StdDev(DailyTurnoverRate, w=2421) 4. Factor = Std_short / Std_long - 1 |
| 19 | bias_turn_42d_504d | 计算2个月平均换手率与24个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=221) 3. MA_long = MA(DailyTurnoverRate, w=2421) 4. Factor = MA_short / MA_long - 1 |
| 20 | std_turnover_63d | 计算过去3个月（w=321个交易日）的换手率滚动标准差。 衡量换手率的波动性，反映交易活跃度的稳定性。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = StdDev(DailyTurnoverRate, w=321) |
| 21 | avg_turnover_63d | 计算过去3个月（w=321个交易日）的平均换手率。 换手率是衡量股票流动性和市场活跃度的重要指标。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = MA(DailyTurnoverRate, w=321) |
| 22 | bias_turn_63d_252d | 计算3个月平均换手率与12个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=321) 3. MA_long = MA(DailyTurnoverRate, w=1221) 4. Factor = MA_short / MA_long - 1 |
| 23 | bias_std_turn_63d_252d | 计算3个月换手率标准差与12个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=321) 3. Std_long = StdDev(DailyTurnoverRate, w=1221) 4. Factor = Std_short / Std_long - 1 |
| 24 | bias_std_turn_63d_504d | 计算3个月换手率标准差与24个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=321) 3. Std_long = StdDev(DailyTurnoverRate, w=2421) 4. Factor = Std_short / Std_long - 1 |
| 25 | bias_turn_63d_504d | 计算3个月平均换手率与24个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=321) 3. MA_long = MA(DailyTurnoverRate, w=2421) 4. Factor = MA_short / MA_long - 1 |
| 26 | avg_turnover_126d | 计算过去6个月（w=621个交易日）的平均换手率。 换手率是衡量股票流动性和市场活跃度的重要指标。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = MA(DailyTurnoverRate, w=621) |
| 27 | std_turnover_126d | 计算过去6个月（w=621个交易日）的换手率滚动标准差。 衡量换手率的波动性，反映交易活跃度的稳定性。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = StdDev(DailyTurnoverRate, w=621) |
| 28 | bias_turn_126d_252d | 计算6个月平均换手率与12个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=621) 3. MA_long = MA(DailyTurnoverRate, w=1221) 4. Factor = MA_short / MA_long - 1 |
| 29 | bias_std_turn_126d_252d | 计算6个月换手率标准差与12个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=621) 3. Std_long = StdDev(DailyTurnoverRate, w=1221) 4. Factor = Std_short / Std_long - 1 |
| 30 | bias_turn_126d_504d | 计算6个月平均换手率与24个月平均换手率的乖离率（BIAS）。 衡量近期换手率相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. MA_short = MA(DailyTurnoverRate, w=621) 3. MA_long = MA(DailyTurnoverRate, w=2421) 4. Factor = MA_short / MA_long - 1 |
| 31 | bias_std_turn_126d_504d | 计算6个月换手率标准差与24个月换手率标准差的乖离率。 衡量近期换手率波动性相对于长期的偏离程度。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Std_short = StdDev(DailyTurnoverRate, w=621) 3. Std_long = StdDev(DailyTurnoverRate, w=2421) 4. Factor = Std_short / Std_long - 1 |
| 32 | std_turnover_252d | 计算过去12个月（w=1221个交易日）的换手率滚动标准差。 衡量换手率的波动性，反映交易活跃度的稳定性。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = StdDev(DailyTurnoverRate, w=1221) |
| 33 | avg_turnover_252d | 计算过去12个月（w=1221个交易日）的平均换手率。 换手率是衡量股票流动性和市场活跃度的重要指标。 数学表达式: 1. DailyTurnoverRate = TurnoverVolume / AShares 2. Factor = MA(DailyTurnoverRate, w=1221) |
| 34 | volume_alpha_300d_000001 | 计算个股成交量变化率相对于上证指数成交量变化率的300日滚动 Alpha。 成交量 Alpha 衡量个股成交量中无法被市场成交量解释的部分。 数学表达式: VolMomentum = (RollingSum(Volume, 5) - Lag(RollingSum(Volume, 5), 1)) / Lag(RollingSum(Volume, 5), 1) StockVolMomentum = Alpha + Beta * IndexVolMomentum + Epsilon VolumeAlpha = Alpha from OLS(StockVolMomentum ~ IndexVolMomentum, 300) 参数: window: 回归窗口天数 (默认 300) sum_window: 成交量滚动求和窗口 (默认 5) |
| 35 | volume_alpha_300d_000300 | 计算个股成交量变化率相对于沪深300指数成交量变化率的300日滚动 Alpha。 成交量 Alpha 衡量个股成交量中无法被市场成交量解释的部分。 数学表达式: VolMomentum = (RollingSum(Volume, 5) - Lag(RollingSum(Volume, 5), 1)) / Lag(RollingSum(Volume, 5), 1) StockVolMomentum = Alpha + Beta * IndexVolMomentum + Epsilon VolumeAlpha = Alpha from OLS(StockVolMomentum ~ IndexVolMomentum, 300) 参数: window: 回归窗口天数 (默认 300) sum_window: 成交量滚动求和窗口 (默认 5) |
4、 Momentum（20 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | return_5d | N期收益率 (N-Period Return) 计算过去5个交易日的累计收益率。 数学表达式: Return = Product(1 + DailyReturn, window=5) - 1 参数: window: 窗口天数，默认值 21 |
| 2 | ma_20d | 计算 20 日移动平均线 (Simple Moving Average)。 MA 是最基础的趋势指标，通过平滑价格波动来识别趋势方向。 数学表达式: MA = Mean(Close, 20) 参数: window: 移动平均窗口，默认为 20 |
| 3 | return_21d | N期收益率 (N-Period Return) 计算过去21个交易日的累计收益率。 数学表达式: Return = Product(1 + DailyReturn, window=21) - 1 参数: window: 窗口天数，默认值 21 |
| 4 | return_42d | N期收益率 (N-Period Return) 计算过去42个交易日的累计收益率。 数学表达式: Return = Product(1 + DailyReturn, window=42) - 1 参数: window: 窗口天数，默认值 21 |
| 5 | price_position_ir_60d | 价格位置动量因子。 计算过去60日 (收盘-开盘)/(最高-最低) 比率的信息比率（均值/标准差）。 衡量价格在日内区间的相对位置及其稳定性。 数学表达式: Ratio = (Close - Open) / (High - Low) Factor = Mean(Ratio, 60) / StdDev(Ratio, 60) 参数: window: 窗口天数，默认 60 |
| 6 | return_63d | N期收益率 (N-Period Return) 计算过去63个交易日的累计收益率。 数学表达式: Return = Product(1 + DailyReturn, window=63) - 1 参数: window: 窗口天数，默认值 21 |
| 7 | alpha_125d_000300 | Alpha因子 (日频版本，对标沪深300指数) 使用日频数据计算滚动回归的截距项（alpha）。 原周度版本使用周频数据，现改为日频数据，窗口调整为等价交易日数。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 8 | return_126d | N期收益率 (N-Period Return) 计算过去126个交易日的累计收益率。 数学表达式: Return = Product(1 + DailyReturn, window=126) - 1 参数: window: 窗口天数，默认值 21 |
| 9 | alpha_250d_000300 | Alpha因子 (日频版本，对标沪深300指数) 使用日频数据计算滚动回归的截距项（alpha）。 原周度版本使用周频数据，现改为日频数据，窗口调整为等价交易日数。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 10 | return_252d | N期收益率 (N-Period Return) 计算过去252个交易日的累计收益率。 数学表达式: Return = Product(1 + DailyReturn, window=252) - 1 参数: window: 窗口天数，默认值 21 |
| 11 | alpha_500d_000300 | Alpha因子 (日频版本，对标沪深300指数) 使用日频数据计算滚动回归的截距项（alpha）。 原周度版本使用周频数据，现改为日频数据，窗口调整为等价交易日数。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 12 | alpha_528d_000001 | Alpha因子 (日频版本，对标上证指数) 使用日频数据计算滚动回归的截距项（alpha）。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 13 | alpha_792d_000001 | Alpha因子 (日频版本，对标上证指数) 使用日频数据计算滚动回归的截距项（alpha）。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 14 | alpha_1000d_000300 | Alpha因子 (日频版本，对标沪深300指数) 使用日频数据计算滚动回归的截距项（alpha）。 原周度版本使用周频数据，现改为日频数据，窗口调整为等价交易日数。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 15 | alpha_1320d_000001 | Alpha因子 (日频版本，对标上证指数) 使用日频数据计算滚动回归的截距项（alpha）。 数学表达式: Alpha_t = Intercept from OLS(DailyStockReturn_{t-d+1:t} ~ DailyIndexReturn_{t-d+1:t}) Factor = Alpha_t 参数: window: 回归窗口天数 |
| 16 | rsrs | 计算 RSRS (Resistance Support Relative Strength) 指标。 RSRS 通过回归最高价和最低价得到斜率，再对斜率进行标准化， 以判断趋势强度。该指标常用于识别市场阻力与支撑的相对强度。 本因子使用 18 日回归窗口和 200 日标准化窗口。 数学表达式: 1. Slope_t = Beta from OLS(Low_{t-N+1:t} ~ High_{t-N+1:t}), N=18 2. RSRS_t = Z-Score(Slope_{t-M+1:t}), M=200 参数: regress_window: 回归窗口，默认为 18 zscore_window: Z-Score 标准化窗口，默认为 200 |
| 17 | MACD | 计算 MACD (Moving Average Convergence Divergence) 指标。 MACD 是一种趋势跟踪动量指标，显示两条移动平均线之间的关系。 本因子使用 12 日快线、26 日慢线和 9 日信号线。 数学表达式: 1. DIF = EMA(Close, 12) - EMA(Close, 26) 2. DEA = EMA(DIF, 9) 3. MACD = 2 × (DIF - DEA) 参数: fast: 快线周期，默认为 12 slow: 慢线周期，默认为 26 signal: 信号线周期，默认为 9 |
| 18 | dif | 计算 DIF (Difference) 指标，即快慢速指数移动平均线的差值。 DIF 是 MACD 指标的组成部分，用于判断趋势方向。 本因子使用 12 日快线和 26 日慢线。 数学表达式: DIF = EMA(Close, 12) - EMA(Close, 26) 参数: fast: 快线周期，默认为 12 slow: 慢线周期，默认为 26 |
| 19 | dea | 计算 DEA (Signal Line) 指标，即 DIF 的指数移动平均。 DEA 是 MACD 指标的信号线，用于生成交易信号。 本因子使用 12 日快线、26 日慢线和 9 日信号线。 数学表达式: 1. DIF = EMA(Close, 12) - EMA(Close, 26) 2. DEA = EMA(DIF, 9) 参数: fast: 快线周期，默认为 12 slow: 慢线周期，默认为 26 signal: 信号线周期，默认为 9 |
| 20 | days_down_up | 连续涨跌天数因子 计算连续上涨天数与连续下跌天数之差的绝对值减1。 该因子衡量当前价格趋势的持续性。 数学表达式: Factor = |ConsecutiveUp - ConsecutiveDown - 1| |
5、 Quality（59 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | roe_ttm_lag63d | ROE因子 (净资产收益率, TTM口径) 直接使用预计算字段 lake.financial_derivative.fin_roe_ttm。 Mathematical expression: ROE = NetProfit_Parent / TotalEquity 参数: lag: 交易日滞后天数，默认值 0 |
| 2 | debt_asset_ratio | 资产负债率因子 直接使用预计算字段 lake.financial_derivative.fin_debt_asset_ratio_y。 Mathematical expression: DebtAssetRatio = TotalDebt / TotalAssets |
| 3 | eps_ttm | 基本每股收益因子，截面排名。 Mathematical expression: Factor = CrossSectionalRank(BasicEPS) |
| 4 | financial_leverage | 财务杠杆因子，截面排名。 Mathematical expression: FinancialLeverage = TotalAssets / TotalShareholderEquity Factor = CrossSectionalRank(FinancialLeverage) |
| 5 | gpm_ttm | 毛利率因子，截面排名。 Mathematical expression: GPM = (Revenue_TTM - Cost_TTM) / Revenue_TTM Factor = CrossSectionalRank(GPM) |
| 6 | icr | 利息保障倍数因子，截面排名。 Mathematical expression: ICR = EBIT_TTM / InterestExpense_TTM Factor = CrossSectionalRank(ICR) |
| 7 | income_tax_yoy | 所得税费用TTM同比增速，截面排名。 数学表达式: Growth = IncomeTaxCost_TTM_t / IncomeTaxCost_TTM_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 8 | np_to_inventory_yoy | 单位存货创造的净利润同比增速，截面排名。 数学表达式: Ratio = NetProfit_Q / Inventories Growth = Ratio_t / Ratio_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 9 | npm_q | 净利率因子，截面排名。 Mathematical expression: NPM = NetProfit / OperatingRevenue Factor = CrossSectionalRank(NPM) |
| 10 | quality_composite | AQR Quality-Minus-Junk 质量综合因子。 计算6项盈利能力指标之和。 op.add 使用 filter=True 处理 FinMatrix 层面 NaN 和除零产生的 ±inf。 1. TotalProfit / TotalAssets 2. NetProfit / TotalShareholderEquity 3. NetProfit / TotalAssets 4. (OpCashInflow + InvCashInflow) / TotalAssets 5. TotalProfit / TotalOperatingRevenue 6. NetProfit / (OpCashInflow + InvCashInflow) 数学表达式: Ratio_i = Numerator_i / Denominator_i Factor = Sum(Ratio_i, filter=True), i = 1..6 |
| 11 | ar_ap_to_revenue | （预收-预付）/ 营业收入，截面排名。 数学表达式: Ratio = (AdvanceReceipts - AdvancePayment) / OperatingRevenue Factor = CrossSectionalRank(Ratio) |
| 12 | asset_turnover | 总资产周转率因子，截面排名。 Mathematical expression: AssetTurnover = OperatingRevenue_TTM / TotalAssets Factor = CrossSectionalRank(AssetTurnover) |
| 13 | delta_current_ratio | 流动比率同比变化因子，截面排名。 Mathematical expression: Delta = CurrentRatio_t - CurrentRatio_{t-252} Factor = CrossSectionalRank(Delta) |
| 14 | delta_de | DE同比变化因子，截面排名。 Mathematical expression: DE = TotalLiability / TotalShareholderEquity Delta = DE_t - DE_{t-252} Factor = CrossSectionalRank(Delta) |
| 15 | gpm_q | 毛利率因子，截面排名。 Mathematical expression: GPM = (Revenue_TTM - Cost_TTM) / Revenue_TTM Factor = CrossSectionalRank(GPM) |
| 16 | cash_profit_ratio | 利润现金比率，截面排名。 数学表达式: Ratio = (NetOperateCashFlow_TTM - NetProfit_TTM) / NetProfit_TTM Factor = CrossSectionalRank(Ratio) |
| 17 | delta_opm | 营业利润率同比变化因子，截面排名。 Mathematical expression: OPM = OperatingProfit / OperatingRevenue Delta = OPM_t - OPM_{t-252} Factor = CrossSectionalRank(Delta) |
| 18 | eps_q | 基本每股收益因子，截面排名。 Mathematical expression: Factor = CrossSectionalRank(BasicEPS) |
| 19 | eps_y | 基本每股收益因子，截面排名。 Mathematical expression: Factor = CrossSectionalRank(BasicEPS) |
| 20 | delta_npm | 净利率同比变化因子，截面排名。 Mathematical expression: Delta = NPM_t - NPM_{t-252} Factor = CrossSectionalRank(Delta) |
| 21 | market_value_leverage | 市值杠杆因子，截面排名。 Mathematical expression: MkvLev = (MarketCap - NonCurrentLiability) / MarketCap Factor = CrossSectionalRank(MkvLev) |
| 22 | npm_y | 净利率因子，截面排名。 Mathematical expression: NPM = NetProfit / OperatingRevenue Factor = CrossSectionalRank(NPM) |
| 23 | opm_y | 营业利润率因子，截面排名。 Mathematical expression: OPM = OperatingProfit / OperatingRevenue Factor = CrossSectionalRank(OPM) |
| 24 | quick_ratio | 速动比率因子 直接使用预计算字段 lake.financial_derivative.fin_quick_ratio_y。 Mathematical expression: QuickRatio = (CurrentAssets - Inventory) / CurrentLiabilities |
| 25 | delta_gpm | 毛利率同比变化因子，截面排名。 Mathematical expression: Delta = GPM_t - GPM_{t-252} Factor = CrossSectionalRank(Delta) |
| 26 | gpm_y | 毛利率因子，截面排名。 Mathematical expression: GPM = (Revenue_TTM - Cost_TTM) / Revenue_TTM Factor = CrossSectionalRank(GPM) |
| 27 | np_to_total_expenses_yoy | 单位三费创造的净利润同比增速，截面排名。 数学表达式: TotalExpenses = OperatingExpense_Q + AdministrationExpense_Q + FinancialExpense_Q Ratio = NetProfit_Q / TotalExpenses Growth = Ratio_t / Ratio_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 28 | np_to_deferred_tax_yoy | 单位递延所得税资产创造的净利润同比增速，截面排名。 数学表达式: Ratio = NetProfit_Q / DeferredTaxAssets Growth = Ratio_t / Ratio_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 29 | roe_y | ROE因子 (净资产收益率, 年度口径) 直接使用预计算字段 lake.financial_derivative.fin_roe_y。 Mathematical expression: ROE = NetProfit_Parent / TotalEquity 参数: lag: 交易日滞后天数，默认值 0 |
| 30 | roa_q | 总资产收益率因子，截面排名。 Mathematical expression: ROA = NetProfit / TotalAssets Factor = CrossSectionalRank(ROA) |
| 31 | gpm_qoq | 毛利率（TTM）环比增速，截面排名。 直接使用预计算字段 lake.financial_derivative.fin_gpm_ttm。 Mathematical expression: GPM = (Revenue_TTM - Cost_TTM) / Revenue_TTM Growth = GPM_t / GPM_{t-63} - 1 Factor = CrossSectionalRank(Growth) |
| 32 | delta_inventory_turnover | 存货周转率同比变化因子，截面排名。 Mathematical expression: IT = Cost_TTM / Inventories Delta = IT_t - IT_{t-252} Factor = CrossSectionalRank(Delta) |
| 33 | delta_roa | ROA同比变化因子，截面排名。 Mathematical expression: Delta = ROA_t - ROA_{t-252} Factor = CrossSectionalRank(Delta) |
| 34 | fixed_asset_turnover | 固定资产周转率因子，截面排名。 Mathematical expression: FixedAssetTurnover = OperatingRevenue_TTM / FixedAssets Factor = CrossSectionalRank(FixedAssetTurnover) |
| 35 | npm_ttm | 净利率因子，截面排名。 Mathematical expression: NPM = NetProfit / OperatingRevenue Factor = CrossSectionalRank(NPM) |
| 36 | opm_ttm | 营业利润率因子，截面排名。 Mathematical expression: OPM = OperatingProfit / OperatingRevenue Factor = CrossSectionalRank(OPM) |
| 37 | receivable_turnover | 应收账款周转率因子，截面排名。 Mathematical expression: ReceivableTurnover = OperatingRevenue_TTM / AccountsReceivable Factor = CrossSectionalRank(ReceivableTurnover) |
| 38 | cfcr | 现金流利息保障倍数因子，截面排名。 Mathematical expression: CFCR = NetOperateCashFlow_TTM / InterestExpense_TTM Factor = CrossSectionalRank(CFCR) |
| 39 | delta_cash_ratio | 现金比率同比变化因子，截面排名。 Mathematical expression: CashRatio = (Cash + TradingAssets) / CurrentLiability Delta = CashRatio_t - CashRatio_{t-252} Factor = CrossSectionalRank(Delta) |
| 40 | lra_yoy | 长期应收账款同比增速，截面排名。 数学表达式: Growth = LongtermReceivableAccount_t / LongtermReceivableAccount_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 41 | np_to_fixed_assets_yoy | 单位固定资产创造的净利润同比增速，截面排名。 数学表达式: Ratio = NetProfit_Q / FixedAssets Growth = Ratio_t / Ratio_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 42 | np_to_salary_yoy | 单位薪酬创造的净利润同比增速，截面排名。 数学表达式: Ratio = NetProfit_TTM / StaffBehalfPaid_TTM Growth = Ratio_t / Ratio_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 43 | npm_q_qoq | 净利润率（单季）环比增速，截面排名。 数学表达式: NPM = NetProfit_Q / OperatingRevenue_Q Growth = NPM_t / NPM_{t-1} - 1 Factor = CrossSectionalRank(Growth) |
| 44 | npm_tsh | 归母净利润/平均总股本因子，截面排名。 Mathematical expression: AvgShares = (TotalShareholderEquity_t + TotalShareholderEquity_{t-63}) / 2 Ratio = NPParentCompanyOwners_TTM / AvgShares Factor = CrossSectionalRank(Ratio) |
| 45 | npm_ttm_qoq | 净利润率（TTM）环比增速，截面排名。 直接使用预计算字段 lake.financial_derivative.fin_npm_ttm。 Mathematical expression: NPM = NetProfit_TTM / OperatingRevenue_TTM Growth = NPM_t / NPM_{t-63} - 1 Factor = CrossSectionalRank(Growth) |
| 46 | cash_ratio | 现金比率因子，截面排名。 Mathematical expression: CashRatio = (CashEquivalents + TradingAssets) / TotalCurrentLiability Factor = CrossSectionalRank(CashRatio) |
| 47 | current_ratio | 流动比率因子 直接使用预计算字段 lake.financial_derivative.fin_current_ratio_y。 Mathematical expression: CurrentRatio = CurrentAssets / CurrentLiabilities |
| 48 | de | DE因子 (Debt-to-Equity) 计算负债权益比：总负债/股东权益。 Mathematical expression: DE = TotalDebt / Equity |
| 49 | delta_asset_turnover | 总资产周转率同比变化因子，截面排名。 Mathematical expression: AT = Revenue_TTM / TotalAssets Delta = AT_t - AT_{t-252} Factor = CrossSectionalRank(Delta) |
| 50 | delta_quick_ratio | 速动比率同比变化因子，截面排名。 Mathematical expression: Delta = QuickRatio_t - QuickRatio_{t-252} Factor = CrossSectionalRank(Delta) |
| 51 | delta_roe | ROE同比变化因子，截面排名。 Mathematical expression: Delta = ROE_t - ROE_{t-252} Factor = CrossSectionalRank(Delta) |
| 52 | inventory_turnover | 存货周转率因子，截面排名。 Mathematical expression: InventoryTurnover = OperatingCost_TTM / Inventories Factor = CrossSectionalRank(InventoryTurnover) |
| 53 | roa_ttm | 总资产收益率因子，截面排名。 Mathematical expression: ROA = NetProfit / TotalAssets Factor = CrossSectionalRank(ROA) |
| 54 | roe_ttm | ROE因子 (净资产收益率, TTM口径) 直接使用预计算字段 lake.financial_derivative.fin_roe_ttm。 Mathematical expression: ROE = NetProfit_Parent / TotalEquity 参数: lag: 交易日滞后天数，默认值 0 |
| 55 | tax_surcharge_yoy | 营业税金及附加TTM同比增速，截面排名。 数学表达式: Growth = OperatingTaxSurcharges_TTM_t / OperatingTaxSurcharges_TTM_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 56 | equity_turnover | 股东权益周转率因子，截面排名。 Mathematical expression: EquityTurnover = OperatingRevenue_TTM / TotalShareholderEquity Factor = CrossSectionalRank(EquityTurnover) |
| 57 | expenses_to_equity_yoy | 三费占净资产比率同比增速，截面排名。 数学表达式: TotalExpenses = OperatingExpense_Q + AdministrationExpense_Q + FinancialExpense_Q Ratio = TotalExpenses / SEWithoutMI Growth = Ratio_t / Ratio_{t-4} - 1 Factor = CrossSectionalRank(Growth) |
| 58 | roa_y | 总资产收益率因子，截面排名。 Mathematical expression: ROA = NetProfit / TotalAssets Factor = CrossSectionalRank(ROA) |
| 59 | opt_tpro | 营业利润/利润总额比率因子，截面排名。 Mathematical expression: Ratio = OperatingProfit_Q / TotalProfit_Q Factor = CrossSectionalRank(Ratio) |
6、 Reversal（3 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | small_cap_reversal_21d | 小盘反转因子。 选市值最小的股票，取过去21日累计收益的反转信号。 市值越小、前期涨幅越低的股票得分越高。 数学表达式: CumReturn = Product(1 + DailyReturn, 21) - 1 Reversal = -CumReturn Factor = CrossSectionalRank(Reversal) / Sum(Rank) 参数: window: 累计收益窗口天数，默认 21 |
| 2 | rsi | 计算 RSI (Relative Strength Index) 相对强弱指标。 RSI 是一种动量振荡器，衡量价格变动的速度和变化， 用于识别超买或超卖条件。本因子使用 14 日周期。 数学表达式: 1. Gain = Max(Close - PrevClose, 0) 2. Loss = Max(PrevClose - Close, 0) 3. AvgGain = EMA(Gain, 14) [使用 Wilder's Smoothing] 4. AvgLoss = EMA(Loss, 14) [使用 Wilder's Smoothing] 5. RS = AvgGain / AvgLoss 6. RSI = 100 - 100 / (1 + RS) 其中 Wilder's Smoothing 等价于 EMA with com = period - 1 参数: period: RSI 周期，默认为 14 |
| 3 | price_dist | 计算股价与其下一个整数（或10、100的倍数）的距离。 该因子捕捉价格的心理整数关口效应。 当 window > 0 时，计算 0 日移动平均。 计算逻辑: - 价格 < 10: 距离下一个整数的距离 - 10 <= 价格 < 100: 价格/10 后，距离下一个整数的距离 - 价格 >= 100: 价格/100 后，距离下一个整数的距离 参数: window: 移动平均窗口，默认为 0（不计算移动平均） 设置为正整数时计算 N 日移动平均 |
7、 Risk（25 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | days_beyond_upper_lower_21d | 计算过去 21 日内，价格超越均值+标准差的天数与超越均值-标准差的天数之差。 该因子衡量价格偏离均值的程度和频率，可用于识别异常波动。 数学表达式: 1. Z = (Close - MA(Close, 21)) / Std(Close, 21) 2. Upper = 统计 Z > 1 的天数 3. Lower = 统计 Z < -1 的天数 4. Factor = Upper - Lower 参数: window: 计算窗口，默认为 21 |
| 2 | return_std_21d | 计算过去1个月的日收益率滚动标准差。 收益率标准差衡量股票价格变动的剧烈程度。 数学表达式: ReturnStd = StdDev(DailyReturn) over 1*21 trading days 参数: month: 月数 (如 1 表示 21 个交易日) |
| 3 | high_low_21d | 计算过去1个月（w=1*21个交易日）内，净值曲线的最高点与最低点的比值。 这个因子衡量了近期价格走势的波动范围或趋势强度。 数学表达式: 1. NetValue_t = CumulativeProduct(1 + DailyReturn_i) from a fixed start point. 2. Factor = Max(NetValue_{t-w+1:t}) / Min(NetValue_{t-w+1:t}) |
| 4 | high_low_42d | 计算过去2个月（w=2*21个交易日）内，净值曲线的最高点与最低点的比值。 这个因子衡量了近期价格走势的波动范围或趋势强度。 数学表达式: 1. NetValue_t = CumulativeProduct(1 + DailyReturn_i) from a fixed start point. 2. Factor = Max(NetValue_{t-w+1:t}) / Min(NetValue_{t-w+1:t}) |
| 5 | return_std_42d | 计算过去2个月的日收益率滚动标准差。 收益率标准差衡量股票价格变动的剧烈程度。 数学表达式: ReturnStd = StdDev(DailyReturn) over 2*21 trading days 参数: month: 月数 (如 1 表示 21 个交易日) |
| 6 | sharpe_60d | Sharpe比率因子 计算过去60天的Sharpe比率（风险调整收益）。 数学表达式: Sharpe = ts_mean(Return, 60) / ts_std_dev(Return, 60) 参数: window: 窗口天数 |
| 7 | beta_60d_000300 | 计算个股相对于沪深300指数的60日滚动 Beta 值。 Beta 值衡量了股票相对于整个市场的系统性风险。 标准数学表达式: StockReturn = Alpha + Beta * IndexReturn + Epsilon Beta = Cov(StockReturn, IndexReturn) / Var(IndexReturn) over a rolling window. 参数: window: 滚动窗口天数 |
| 8 | return_std_63d | 计算过去3个月的日收益率滚动标准差。 收益率标准差衡量股票价格变动的剧烈程度。 数学表达式: ReturnStd = StdDev(DailyReturn) over 3*21 trading days 参数: month: 月数 (如 1 表示 21 个交易日) |
| 9 | high_low_63d | 计算过去3个月（w=3*21个交易日）内，净值曲线的最高点与最低点的比值。 这个因子衡量了近期价格走势的波动范围或趋势强度。 数学表达式: 1. NetValue_t = CumulativeProduct(1 + DailyReturn_i) from a fixed start point. 2. Factor = Max(NetValue_{t-w+1:t}) / Min(NetValue_{t-w+1:t}) |
| 10 | volume_beta_120d_000300 | 计算个股成交量变化率相对于沪深300指数成交量变化率的120日滚动 Beta。 成交量 Beta 衡量个股成交量对市场成交量的敏感度。 数学表达式: VolMomentum = (RollingSum(Volume, 5) - RollingSum(Volume, 5)[t-1]) / RollingSum(Volume, 5)[t-1] VolumeBeta = Cov(StockVolMomentum, IndexVolMomentum) / Var(IndexVolMomentum) over 120 days 参数: window: 回归窗口天数 (默认 120) sum_window: 成交量滚动求和窗口 (默认 5) |
| 11 | beta_125d_000300 | 计算个股相对于沪深300指数的125日滚动 Beta 值。 Beta 值衡量了股票相对于整个市场的系统性风险。 标准数学表达式: StockReturn = Alpha + Beta * IndexReturn + Epsilon Beta = Cov(StockReturn, IndexReturn) / Var(IndexReturn) over a rolling window. 参数: window: 滚动窗口天数 |
| 12 | high_low_126d | 计算过去6个月（w=6*21个交易日）内，净值曲线的最高点与最低点的比值。 这个因子衡量了近期价格走势的波动范围或趋势强度。 数学表达式: 1. NetValue_t = CumulativeProduct(1 + DailyReturn_i) from a fixed start point. 2. Factor = Max(NetValue_{t-w+1:t}) / Min(NetValue_{t-w+1:t}) |
| 13 | return_std_126d | 计算过去6个月的日收益率滚动标准差。 收益率标准差衡量股票价格变动的剧烈程度。 数学表达式: ReturnStd = StdDev(DailyReturn) over 6*21 trading days 参数: month: 月数 (如 1 表示 21 个交易日) |
| 14 | beta_250d_000300 | 计算个股相对于沪深300指数的250日滚动 Beta 值。 Beta 值衡量了股票相对于整个市场的系统性风险。 标准数学表达式: StockReturn = Alpha + Beta * IndexReturn + Epsilon Beta = Cov(StockReturn, IndexReturn) / Var(IndexReturn) over a rolling window. 参数: window: 滚动窗口天数 |
| 15 | return_std_252d | 计算过去12个月的日收益率滚动标准差。 收益率标准差衡量股票价格变动的剧烈程度。 数学表达式: ReturnStd = StdDev(DailyReturn) over 12*21 trading days 参数: month: 月数 (如 1 表示 21 个交易日) |
| 16 | high_low_252d | 计算过去12个月（w=12*21个交易日）内，净值曲线的最高点与最低点的比值。 这个因子衡量了近期价格走势的波动范围或趋势强度。 数学表达式: 1. NetValue_t = CumulativeProduct(1 + DailyReturn_i) from a fixed start point. 2. Factor = Max(NetValue_{t-w+1:t}) / Min(NetValue_{t-w+1:t}) |
| 17 | beta_500d_000300 | 计算个股相对于沪深300指数的500日滚动 Beta 值。 Beta 值衡量了股票相对于整个市场的系统性风险。 标准数学表达式: StockReturn = Alpha + Beta * IndexReturn + Epsilon Beta = Cov(StockReturn, IndexReturn) / Var(IndexReturn) over a rolling window. 参数: window: 滚动窗口天数 |
| 18 | sharpe_750d | Sharpe比率因子 计算过去750天的Sharpe比率（风险调整收益）。 数学表达式: Sharpe = ts_mean(Return, 750) / ts_std_dev(Return, 750) 参数: window: 窗口天数 |
| 19 | adjusted_sharpe_750d | 调整夏普率因子。 计算过去750天收益率的 mean / std^4，用于衡量风险调整后收益。 与标准夏普率(mean/std)相比，对高波动性惩罚更重。 数学表达式: AdjustedSharpe = Mean(DailyReturn, 750) / StdDev(DailyReturn, 750)^4 参数: window: 窗口天数，默认 750 |
| 20 | beta_1000d_000300 | 计算个股相对于沪深300指数的1000日滚动 Beta 值。 Beta 值衡量了股票相对于整个市场的系统性风险。 标准数学表达式: StockReturn = Alpha + Beta * IndexReturn + Epsilon Beta = Cov(StockReturn, IndexReturn) / Var(IndexReturn) over a rolling window. 参数: window: 滚动窗口天数 |
| 21 | sigma_1320d_000001 | 计算个股相对于上证指数的特质性风险（Idiosyncratic Risk），1320日滚动窗口。 特质性风险衡量个股收益中无法被市场解释的部分的波动程度。 数学表达式: StockReturn = Alpha + Beta * IndexReturn + Residual Sigma = StdDev(Residual) over 1320 days 参数: window: 回归和滚动窗口天数 |
| 22 | beta_1320d_000001 | 计算个股相对于上证指数的1320日滚动 Beta 值。 Beta 值衡量了股票相对于整个市场的系统性风险。 标准数学表达式: StockReturn = Alpha + Beta * IndexReturn + Epsilon Beta = Cov(StockReturn, IndexReturn) / Var(IndexReturn) over a rolling window. 参数: window: 滚动窗口天数 |
| 23 | beta_consistency_1320d_000300 | 计算个股相对于沪深300指数 Beta 的稳定性/一致性指标，1320日滚动窗口。 衡量 Beta 调整后特质性收益的波动程度，反映 Beta 的可靠性。 数学表达式: StockReturn = Alpha + Beta * IndexReturn + Residual BetaConsistency = StdDev(Beta * Residual) over 1320 days 参数: window: 回归和滚动窗口天数 (默认 1320，约60个月) |
| 24 | sigma_1320d_000300 | 计算个股相对于沪深300指数的特质性风险（Idiosyncratic Risk），1320日滚动窗口。 特质性风险衡量个股收益中无法被市场解释的部分的波动程度。 数学表达式: StockReturn = Alpha + Beta * IndexReturn + Residual Sigma = StdDev(Residual) over 1320 days 参数: window: 回归和滚动窗口天数 |
| 25 | log_price | 计算收盘价的自然对数。 这是一种常用的价格转换方式，可以使数据更接近正态分布。 数学表达式: Factor = log(ClosePrice) |
8、 Size（3 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | float_size | 流通市值因子 计算流通市值的负对数，用于衡量公司可交易部分的规模。 数学表达式: FloatSize = -log(FloatShares * ClosePrice / 1e6) 该因子值为负对数形式，值越小表示流通市值越大。 |
| 2 | nl_size | 市值非线性因子 对市值进行非线性中性化处理，通过截面回归去除线性市值成分。 数学表达式: nlSize = Residual(Size^3 ~ Size) 该因子是size^3对size截面回归后的残差，代表市值非线性部分， 用于捕捉市值效应中的非线性成分。 该因子通过截面回归计算残差，每个截面上回归一次 因子值与size的正交，消除了线性市值的影响 |
| 3 | size | 总市值因子 计算总市值的负对数，用于衡量公司规模。 数学表达式: Size = -log(TotalShares * ClosePrice / 1e6) 该因子值为负对数形式，值越小表示市值越大。 |
9、 Value（11 个）
| 序号 | 因子名称 | 算法逻辑 |
|---|---|---|
| 1 | dividend_yield_3y_avg | 股息率_3年平均 (Dividend Yield - 3 Year Average) 计算公式: 近3年平均现金红利 / 最新股价 = SUM(ActualCashDiviRMB, 245×3日) / (3 × 收盘价) 这是一个长期股息价值因子，反映近3年现金分红的平均水平与当前股价的关系。 使用每股实派分红数据。 时间窗口为245×3个交易日（约3年）。 数学表达式: dividend_yield_3y_avg = (SUM(ActualCashDiviRMB, 735) / 3) / ClosePrice = AVG(ActualCashDiviRMB, 3年) / ClosePrice 参考: Afactors faclib/value/div_p_3y |
| 2 | pegh5 | PEG历史因子 (5年EPS增长, 取负值)。 使用5年EPS复合增长率计算PEG。PEG越低（估值相对于成长性越便宜）得分越高。 Mathematical expression: 1. EPS_Growth_5Y = (BasicEPS_Y_t / BasicEPS_Y_{t-1260})^(1/5) - 1 2. PEGH5 = ClosePrice / (EPS_Growth_5Y * BasicEPS_TTM) Factor = -CrossSectionalRank(PEGH5) |
| 3 | etp5 | 五年平均净利润 / 五年平均年末市值因子，截面排名。 使用5年滚动均值近似：净利润(年度口径)的5年滚动和除以总市值的5年滚动均值。 Mathematical expression: ETP5 = RollingMean(NetProfit_Y, 1260) / RollingMean(MarketCap, 1260) Factor = CrossSectionalRank(ETP5) |
| 4 | ncf_to_market | 净现金流市值比 (Net Cash Flow-to-Market Ratio) 计算公式: 净现金流 / 市值 = (筹资净现金流 + 投资净现金流 + 经营净现金流) / (收盘价 × 总股本) 其中: - 筹资净现金流 = 筹资现金流入 - 筹资现金流出 - 投资净现金流 = 投资现金流入 - 投资现金流出 - 经营净现金流 = 经营现金流入 - 经营现金流出 这是一个价值因子，反映每单位市值对应的整体净现金流。 与fcf_to_market、ocf_to_market不同，ncf_to_market包含筹资活动的影响。 数学表达式: ncf_to_market = (FCF_TTM + ICF_TTM + OCF_TTM) / MarketCap ，Afactors faclib/value/ncfm |
| 5 | fcf_to_market | 自由现金流市值比 (Free Cash Flow-to-Market Ratio) 计算公式: fcf_to_market = 自由现金流TTM / 市值 = (经营现金流净额TTM - 投资现金流出TTM) / (收盘价 × 总股本) = (NetOperateCashFlow_TTM - SubtotalInvestCashOutflow_TTM) / MarketCap 这是一个经典的价值因子，反映每单位市值能获得的自由现金流。 fcf_to_market越高，说明公司的自由现金流创造能力越强，股票越"便宜"。 自由现金流定义：经营性现金净流入 - 投资性现金流出 数学表达式: fcf_to_market = (NOCF_TTM - SICO_TTM) / (ClosePrice × TotalShares) |
| 6 | ebitda_to_market | EBITDA市值比 (EBITDA-to-Market Ratio) 计算公式: EBITDA / 市值 = 息税折旧摊销前利润 / (收盘价 × 总股本) 这是一个价值因子，反映每单位市值对应的经营性现金流能力。 EBITDA越高，说明公司的经营现金流创造能力越强。 数学表达式: ebitda_to_market = EBITDA / (ClosePrice × TotalShares) |
| 7 | earnings_to_price | 市盈率倒数 (Earnings-to-Price Ratio) 计算公式: earnings_to_price = 归母净利润TTM / 市值 = 归母净利润TTM / (收盘价 × 总股本) = EPS_TTM / 收盘价 这是一个经典的价值因子，反映每单位价格所能获得的收益。 earnings_to_price越高，说明股票越"便宜"（价值越高）。 数学表达式: earnings_to_price = NPParentCompanyOwners_TTM / (ClosePrice × TotalShares) = BasicEPS_TTM / ClosePrice |
| 8 | book_to_market | 账面市值比 (Book-to-Market Ratio) 计算公式: book_to_market = 账面价值 / 市值 = (归母股东权益 + 递延所得税资产) / (收盘价 × 总股本) = (SE_without_MI + DeferredTaxAssets) / MarketCap 这是一个经典的价值因子，反映每单位市值对应的账面价值。 book_to_market越高，说明股票越"便宜"（价值越高）。 注意：这里使用归母股东权益，与原版Afactors保持一致。 数学表达式: book_to_market = (SE_without_MI_Q + DeferredTaxAssets_Q) / (ClosePrice × TotalShares) |
| 9 | earnings_cut_to_market | 扣非净利润市值比 (Earnings Cut-to-Market Ratio) 计算公式: 扣非净利润TTM / 市值 = 扣除非经常性损益后净利润TTM / (收盘价 × 总股本) 这是一个价值因子，反映每单位市值对应的扣非净利润。 与earnings_to_price类似，但排除了非经常性损益的影响，更能反映公司主营业务的盈利能力。 使用归母净利润作为扣非净利润的替代（如果缺少专门的扣非字段）。 数学表达式: earnings_cut_to_market = NetProfitCut_TTM / (ClosePrice × TotalShares) |
| 10 | ocf_to_market | 经营现金流市值比 (Operating Cash Flow-to-Market Ratio) 计算公式: 经营现金流净额 / 市值 = NetOperateCashFlow_TTM / (收盘价 × 总股本) 这是一个经典的价值因子，反映每单位市值对应的经营活动现金流。 与fcf_to_market不同，ocf_to_market不包含投资活动的影响，更能反映主营业务的现金创造能力。 数学表达式: ocf_to_market = NetOperateCashFlow_TTM / MarketCap |
| 11 | sales_to_market | 营业收入市值比 (Sales-to-Market Ratio) 计算公式: 营业收入 / 市值 = 营业收入Q / (收盘价 × 总股本) 这是一个价值因子，反映每单位市值对应的营业收入。 适用于收入驱动型行业的估值，如零售、制造业等。 数学表达式: sales_to_market = OperatingRevenue_Q / (ClosePrice × TotalShares) |