easy_tdx_max/docs/quantitative-guide.md

量化因子与组合管理 — 使用指南

本文档覆盖 easy-tdx v1.11.1 新增的量化计算能力：因子研究、因子分析、组合管理、高级回测（滑点建模/执行仿真/归因分析）。

---

目录

• 1. 因子引擎
  • 1.1 内置因子一览
  • 1.2 单股多因子计算
  • 1.3 截面因子计算
  • 1.4 远期收益计算
  • 1.5 自定义因子
• 2. 因子预处理
• 3. 因子分析
• 4. 组合管理
  • 4.1 权重优化器
  • 4.2 风险模型
  • 4.3 再平衡引擎
• 高级回测（滑点/执行仿真/归因）、CLI 与完整工作流 → 见 quantitative-advanced.md

---

1. 因子引擎

因子引擎（FactorEngine）支持单股和多股截面两种计算模式，内置 19 个因子。

1.1 内置因子一览

类别	因子名	说明
动量	momentum_20d	20 日收益率
	momentum_60d	60 日收益率
	reversal_5d	5 日反转（负收益）
波动率	volatility_20d	20 日年化波动率
	atr_14d	14 日平均真实波幅
	turnover_rate	换手率（需 vol 列）
质量	sharpe_20d	20 日夏普比率
	max_drawdown_20d	20 日最大回撤
	win_rate_20d	20 日上涨天数占比
成交量	obv_trend	OBV 趋势斜率
	vol_surge	成交量突增倍数
	amount_ma_ratio	成交额 / MA5 比值
技术	macd_hist_signal	MACD 柱状信号
	rsi_14	14 日 RSI
	boll_position	布林带位置（0~1）
缠论	chanlun_bi_dir	当前笔方向（+1/-1）
	chanlun_mmd	最近买卖点（+2/+1/-1/-2）
价值	pe_ratio	市盈率（占位，返回 NaN）
	pb_ratio	市净率（占位，返回 NaN）

1.2 单股多因子计算

from easy_tdx import TdxClient
from easy_tdx.factor import FactorEngine

client = TdxClient()
df = client.get_security_bars(Market.SH, "600519", KlineCategory.DAY, 0, 300)

engine = FactorEngine()

# 计算多个因子
result = engine.compute_single(df, ["momentum_20d", "volatility_20d", "rsi_14"])
print(result.tail())

# 计算所有内置因子
result = engine.compute_single(df)  # 不传因子名 = 全部
print(result.columns.tolist())

输出 DataFrame 在原始列基础上追加因子列（以因子名命名，前缀 NaN 行因窗口不足为 NaN）。

1.3 截面因子计算

from easy_tdx import TdxClient
from easy_tdx.factor import FactorEngine

client = TdxClient()

# 准备多只股票数据
stock_pool = ["000001", "000858", "600519", "600036", "601318"]
data = {}
for code in stock_pool:
    market = Market.SH if code.startswith("6") else Market.SZ
    data[code] = client.get_security_bars(market, code, KlineCategory.DAY, 0, 300)

engine = FactorEngine()

# 截面计算：返回 long format（date, code, factor_name...）
factor_data = engine.compute_cross_section(
    data,
    ["momentum_20d", "volatility_20d", "rsi_14"],
)
print(factor_data.head(10))

# 指定日期：只计算某一天的截面
factor_data = engine.compute_cross_section(
    data, ["momentum_20d"], date=20240601,
)

1.4 远期收益计算

# 计算未来 5 日收益率（用于因子分析）
forward_returns = engine.compute_forward_returns(data, period=5)
print(forward_returns.head())

1.5 自定义因子

继承 Factor 基类，用 @register_factor 注册即可自动发现：

from easy_tdx.factor import Factor, register_factor

@register_factor
class MyMomentum(Factor):
    name = "my_momentum"
    description = "自定义动量因子"
    window = 20

    def compute(self, df):
        return df["close"].pct_change(self.window)

注册后直接用名字引用：

result = engine.compute_single(df, ["my_momentum"])

---

2. 因子预处理

6 个纯函数，组合成管道：

from easy_tdx.factor import preprocess

# 单因子预处理管道
clean = preprocess(
    factor_data,
    factor_names=["momentum_20d"],
    steps=["winsorize", "zscore", "fill_missing"],
)

函数	说明
winsorize(df, factor_names, n_sigma=3)	MAD 去极值
zscore(df, factor_names)	截面标准化
rank_normalize(df, factor_names)	排名归一化
fill_missing(df, factor_names)	填充缺失值
orthogonalize(df, factor_names, by="market_cap")	正交化（去除市值暴露）
preprocess(df, factor_names, steps)	组合管道

所有函数自动检测截面数据（有 date 列时按日期分组处理）。

---

3. 因子分析

from easy_tdx.factor import FactorEngine, FactorAnalyzer, preprocess

# 1. 计算截面因子
factor_data = engine.compute_cross_section(data, ["momentum_20d", "rsi_14"])

# 2. 预处理
clean = preprocess(factor_data, ["momentum_20d", "rsi_14"])

# 3. 计算远期收益
forward_returns = engine.compute_forward_returns(data, period=5)

# 4. 分析
analyzer = FactorAnalyzer(clean, forward_returns)

# IC 分析（Spearman 秩相关）
ic_series = analyzer.compute_ic("momentum_20d")
print(f"均值 IC: {ic_series.mean():.4f}, ICIR: {ic_series.mean()/ic_series.std():.4f}")

# 分层收益（5 组）
quantile_returns = analyzer.compute_quantile_returns("momentum_20d", n_groups=5)
print(quantile_returns.head())

# 因子衰减（IC 自相关）
decay = analyzer.compute_decay("momentum_20d", max_lag=10)
print(decay)

# 完整报告
report = analyzer.full_report("momentum_20d")
print(f"IC均值={report.mean_ic:.4f} ICIR={report.icir:.4f}")
print(f"多头年化={report.long_only_annual:.2%} 空头年化={report.short_only_annual:.2%}")
print(f"多空夏普={report.long_short_sharpe:.4f} 换手率={report.turnover:.4f}")

---

4. 组合管理

4.1 权重优化器

4 种内置优化器：

from easy_tdx.portfolio import (
    EqualWeightOptimizer,
    FactorWeightedOptimizer,
    RiskParityOptimizer,
    MeanVarianceOptimizer,
)
import pandas as pd

# 因子分数表（来自 FactorEngine）
scores_df = pd.DataFrame({
    "code": ["000001", "600519", "601318", "000858", "600036"],
    "score": [0.8, 0.6, 0.5, 0.3, 0.1],
})

# 1. 等权：选前 N 只，等权分配
opt1 = EqualWeightOptimizer()
weights1 = opt1.optimize(scores_df, n_stocks=3)
# {'000001': 0.333, '600519': 0.333, '601318': 0.333}

# 2. 因子加权：分数越高权重越大
opt2 = FactorWeightedOptimizer()
weights2 = opt2.optimize(scores_df, n_stocks=3)
# {'000001': 0.42, '600519': 0.32, '601318': 0.26}

# 3. 风险平价：按波动率倒数加权
returns_df = pd.DataFrame(...)  # 收益率矩阵
opt3 = RiskParityOptimizer(returns_df)
weights3 = opt3.optimize(scores_df, n_stocks=3)

# 4. 均值方差：scipy SLSQP 优化（无 scipy 退化为等权）
opt4 = MeanVarianceOptimizer(returns_df)
weights4 = opt4.optimize(scores_df, n_stocks=3)

4.2 风险模型

from easy_tdx.portfolio import RiskModel
import pandas as pd

risk = RiskModel()

# 估计协方差矩阵（Ledoit-Wolf 收缩）
returns = pd.DataFrame(...)  # N 只股票 × T 天收益率
cov = risk.estimate_covariance(returns, method="shrinkage", window=60)

# 组合风险分解
weights = {"000001": 0.3, "600519": 0.4, "601318": 0.3}
metrics = risk.portfolio_risk(weights, cov)
print(f"年化波动率: {metrics['total_volatility']:.2%}")
print(f"最大风险贡献: {metrics['max_risk_contribution']:.2%}")
print(f"持仓数: {metrics['n_positions']}")

4.3 再平衡引擎

from easy_tdx.portfolio import RebalanceEngine, FactorWeightedOptimizer
from easy_tdx import TdxClient

client = TdxClient()
stock_pool = ["000001", "000858", "600519", "600036", "601318"]
data = {c: client.get_security_bars(..., c, ...) for c in stock_pool}

# 创建引擎
engine = RebalanceEngine(
    optimizer=FactorWeightedOptimizer(),
    factor_name="momentum_20d",   # 用哪个因子选股
    n_stocks=3,                   # 持仓数量
    rebalance_freq="M",           # 调仓频率: W/M/Q
    commission=0.0003,            # 佣金率
    slippage=0.001,               # 滑点率
    cash=1_000_000,               # 初始资金
)

# 运行回测
result = engine.run(data, start_date=20230101, end_date=20240101)

# 结果
print(f"总收益: {result.performance['total_return']:.2%}")
print(f"年化: {result.performance['annual_return']:.2%}")
print(f"最大回撤: {result.performance['max_drawdown']:.2%}")
print(f"夏普: {result.performance['sharpe']:.4f}")
print(f"调仓次数: {len(result.rebalance_dates)}")
print(f"交易笔数: {len(result.trades)}")

# 权益曲线
print(result.equity_curve.head())

# 持仓历史
for state in result.states[-5:]:
    print(f"  {state.date}: 持仓{state.positions_count}只 净值{state.total_value:.0f}")

---

向后兼容

所有新功能通过可选参数启用，现有代码零改动：

现有调用	行为
BacktestEngine(strategy, slippage=0.01)	与旧版完全一致
BacktestEngine(strategy)	无滑点，与旧版一致
OrderSimulator(df, slippage=0.01)	与旧版完全一致
BacktestEngine(strategy, slippage_model=...)	使用新滑点模型
BacktestEngine(strategy, execution_model=...)	使用新执行引擎

新增模块（factor/, portfolio/, backtest/slippage.py, backtest/execution.py, backtest/attribution.py）为独立新增，不修改任何现有接口。