计算按分位数分组因子收益和标准差 因子收益为收益按照 weight 列中权重的加权平均值 参数: by_date: - True: 按天计算收益 - False: 不按天计算收益 by_group:

计算每日因子信息比率 (IC值) 参数: group_adjust: - True: 使用行业中性收益计算 IC (行业收益被认为是每日各个行业股票收益按照weight列中权重加权的均值) - False: 不使用行业中性收益

画各分位数平均收益图 参数: by_group: - True: 各行业的各分位数平均收益图 - False: 各分位数平均收益图 demeaned: - True: 使用超额收益计算累积收益 (基准收

计算因子信息比率均值 (IC值均值) 参数: group_adjust: - True: 使用行业中性收益计算 IC (行业收益被认为是每日各个行业股票收益按照weight列中权重加权的均值) - False: 不使用行业中性收益

计算两个分位数相减的因子收益和标准差 参数: upper_quant: 用 upper_quant 选择的分位数减去 lower_quant 选择的分位数 lower_quant: 用 upper_quant 选择的分位数减去 lower_quant

因子预测能力平均累计收益图 参数: periods_before: 计算过去的天数 periods_after: 计算未来的天数 by_quantile: 是否各分位数分别显示因子预测能力平均累计收益图 std_bar

根据相关分组为因子远期收益去均值. 分组去均值包含了投资组合分组中性化约束的假设，因此允许跨组评估因子. Parameters ---------- factor_data : pd.DataFrame - MultiIndex 因子远期收

获取相对于指数的累积归因收益 将超额收益分解成了: 1.common_return (因子收益, 又可进一步拆分成风格和行业); 2.cash (现金收益, 假设组合本身现金部分的收益为0, 则相对于指数的超额收益为"-1 * 指数收益");

将因子数据, 价格数据, 分组映射和权重映射格式化为 由包含时间和资产的 MultiIndex 作为索引的 DataFrame 参数 ---------- factor : pd.Series - MultiIndex 一个 Series, in

获取相对于指数的暴露

从缓存的文件读取因子数据, 文件不存在时返回空的 DataFrame

打印因子收益表 参数: demeaned: - True: 使用超额收益计算 (基准收益被认为是每日所有股票收益按照weight列中权重的加权的均值) - False: 不使用超额收益 group_adjust:

打印换手率表

按时间段获取储存数据(不要跨月)

将因子库数据按因子组储存到本地 start_date : 开始时间 end_date : 结束时间 factor_names : 因子组所含因子的名称,除过因子库中支持的因子外，还支持指定为'prices'缓存价格数据 overwrite : 文件已存在时是否覆盖更

计算由 periods_before 到 periods_after 定义的周期范围内的因子分位数的平均累积收益率 参数 ---------- factor_data : pd.DataFrame - MultiIndex 一个 DataFrame

计算风格归因收益, country 收益率为国家收益 (这里的国家收益是用均衡大小市值后 (根号市值) 回归得到的

根据调仓周期确定滞后期的每天计算因子自相关性 当日因子值和滞后period天的因子值的自相关性 参数: rank: - True: 秩相关系数 - False: 普通相关系数

计算按因子值加权组合每日收益 权重 = 每日因子值 / 每日因子值的绝对值的和 正的权重代表买入, 负的权重代表卖出 参数: demeaned: - True: 对权重去均值 (每日权重 = 每日权重 - 每日权重的

计算做多最大分位，做空最小分位组合每日累积收益 参数: period: 指定调仓周期 demeaned: 详见 calc_mean_return_by_quantile 中 demeaned 参数 - True: 使用

计算每个因子值对应的 N 期因子远期收益 参数 ---------- factor : pd.Series - MultiIndex 一个 Series, index 为日期 (level 0) 和资产(level 1) 的 MultiIndex,

通过因子值与因子远期收益计算信息系数(IC). 参数 ---------- factor_data : pd.DataFrame - MultiIndex 一个 DataFrame, index 为日期 (level 0) 和资产(level 1)

计算按因子值加权的投资组合的收益 权重为去均值的因子除以其绝对值之和 (实现总杠杆率为1). 参数 ---------- factor_data : pd.DataFrame - MultiIndex 一个 DataFrame, index

获取因子组的文件夹 factor_names : 因子名列表 group_name : 因子组的名称, 如果指定则使用指定的名称作为文件夹名 否则用 jqfactor_cache_ + 因子名的 md5 值 (顺序无关) 作为文件夹名

画按因子值加权组合每日累积收益图 参数: periods: 调仓周期 demeaned: 详见 calc_factor_returns 中 demeaned 参数 - True: 对因子值加权组合每日收益的权重去均值

画各分位数每日累积收益图 参数: period: 调仓周期 demeaned: 详见 calc_mean_return_by_quantile 中 demeaned 参数 - True: 使用超额收益计算累积收益 (基

画因子自相关图 参数: periods: 滞后周期 rank: - True: 用秩相关系数 - False: 用相关系数

画按行业分组信息比率(IC)图 参数: group_adjust: - True: 使用行业中性收益 (行业收益被认为是每日各个行业股票收益按照weight列中权重的加权的均值) - False: 不使用行业中性收益

画信息比率 qq 图 参数: group_adjust: - True: 使用行业中性收益 (行业收益被认为是每日各个行业股票收益按照weight列中权重的加权的均值) - False: 不使用行业中性收益 metho

画信息比率(IC)时间序列图 参数: group_adjust: - True: 使用行业中性收益 (行业收益被认为是每日各个行业股票收益按照weight列中权重的加权的均值) - False: 不使用行业中性收益 m

打印信息比率 (IC)相关表 参数: group_adjust: - True：使用行业中性收益 (行业收益被认为是每日各个行业股票收益按照weight列中权重的加权的均值) - False：不使用行业中性收益 met

画最高分位减最低分位收益图 参数: demeaned: - True: 使用超额收益计算累积收益 (基准收益被认为是每日所有股票收益按照weight列中权重加权的均值) - False: 不使用超额收益 group_a

画月度信息比率(IC)图 参数: group_adjust: - True: 使用行业中性收益 (行业收益被认为是每日各个行业股票收益按照weight列中权重的加权的均值) - False: 不使用行业中性收益

画各分位数收益分布图 参数: demeaned: - True: 使用超额收益计算累积收益 (基准收益被认为是每日所有股票收益按照weight列中权重加权的均值) - False: 不使用超额收益 group_adju

打印各分位数统计表

画最高最低分位换手率图 参数: periods: 调仓周期

画做多最大分位数做空最小分位数组合每日累积收益图 period: 指定调仓周期 demeaned: 详见 calc_mean_return_by_quantile 中 demeaned 参数 - True: 使用超额收益计算累积收益

计算每期因子分位数 参数 ---------- factor_data : pd.DataFrame - MultiIndex 一个 DataFrame, index 为日期 (level 0) 和资产(level 1) 的 MultiIndex,

格式化因子数据和定价数据

获取缓存价格数据, 缓存文件中存储的数据是为未复权价格和后复权因子

获取行业及风格因子的中文名称

按照当天的分位数算分位数未来和过去的收益均值和标准差 参数: periods_before: 计算过去的天数 periods_after: 计算未来的天数 demeaned: - True: 使用超额收益计算累积收益

计算指定调仓周期的各分位数每日累积收益 参数: period: 指定调仓周期 demeaned: 详见 calc_mean_return_by_quantile 中 demeaned 参数 - True: 使用超额收益

计算指定调仓周期的按因子值加权组合每日累积收益 当 period > 1 时，组合的累积收益计算方法为： 组合每日收益 = （从第0天开始每period天一调仓的组合每日收益 + 从第1天开始每period天一调仓的组

计算因子的 alpha 和 beta 因子值加权组合每日收益 = beta * 市场组合每日收益 + alpha 因子值加权组合每日收益计算方法见 calc_factor_returns 函数 市场组合每日收益是每日所有股票收益按照weight列中

计算组合的行业因子暴露 返回: 一个 dataframe, index 为日期, columns为风格因子名, values为暴露值

计算组合的风格因子暴露 返回: 一个 dataframe, index 为日期, columns 为风格因子名, values 为暴露值

检查并缓存因子数据到本地

从'N 期'因子远期收益率构建累积收益 当 'period' N 大于 1 时, 建立平均 N 个交错的投资组合 (在随后的时段 1,2,3，...，N 开始), 每个 N 个周期重新调仓, 最后计算 N 个投资组合累积收益的均值。 参数 --------

计算因子的alpha(超额收益), alpha t-统计量 (alpha 显著性）和 beta(市场暴露). 使用每期平均远期收益作为自变量(视为市场组合收益) 因子值加权平均的远期收益作为因变量(视为因子收益), 进行回归. Parameters

计算指定时间跨度内平均因子排名/因子值的自相关性. 该指标对于衡量因子的换手率非常有用. 如果每个因子值在一个周期内随机变化，我们预计自相关为 0. 参数 ---------- factor_data : pd.DataFrame - MultiI

获取相对于指数的日归因收益率 返回: 一个 datafame, index 是日期, value 为对应日期的收益率值 columns 为风格因子/行业因子/现金cash/因子总收益common_return(含风格,行业)/特异收益率 specific_return

获取缓存目录

将因子值, 因子远期收益, 因子分组数据, 因子权重数据 格式化为以时间和资产的 MultiIndex 作为索引的 DataFrame. 参数 ---------- factor : pd.Series - MultiIndex 一个 Se

将A相比B缺失的部分按连续性进行分组

获取中性化的依赖数据 返回: 一个 DataFrame, index 是股票代码

根据不同分组求因子 IC 均值. 参数 ---------- factor_data : pd.DataFrame - MultiIndex 一个 DataFrame, index 为日期 (level 0) 和资产(level 1) 的 Mult

收益分析 用来画分位数收益的柱状图 返回 pandas.DataFrame, index 是 factor_quantile, 值是(1, 2, 3, 4, 5), column 是 period 的值 (1, 5, 10)