股票多因子模型实战：Python核心代码解析

本书围绕股票多因子模型展开，深入浅出介绍模型中每一个部分的构建与实现的意义，并给出核心实现代码，核心代码部分都以Python代码的形式给出，方便读者理解和实现。

本书深入浅出地介绍股票多因子模型的原理与构建方式，从基础知识、单因子测试、因子合成、股票组合构建等多方面进行介绍。

本书共6章：第1章对量化投资进行概述，引出多因子模型的底层逻辑与实践框架；第2章和第3章分别介绍多因子模型的Python编程基础与概率统计基础；第4章介绍单因子的计算过程和处理过程，以及单因子的测试和测试结果的分析方法，是较为核心的一章；第5章介绍单因子如何进行因子合成；第6章介绍简单的组合构建方法和利用组合理论构建组合的方法。

陆一潇，FRM，上海交通大学硕士研究生，经济师。在公募基金、期货公司、私募基金进行多年量化研究，对股票多因子模型有较深的理论理解和实践经验。同时作者担任职徒教育签约讲师、CSDN认证博客专家。

数据是现代社会的重要资源。通过数量化的分析来理解市场、分析市场的行为可以帮助投资者理性投资。本书对股票量化投资中的多因子模型进行了深入的讲解，是一本理解股票多因子模型不可多得的好书。

永安国富资产管理有限公司 董事长 肖国平

本书立足于Python数据分析，从建模到程序开发，构建了一个完整的股票多因子量化模型设计、开发和应用的框架，是一本值得深入学习的好书。

上海交通大学 副教授 潘常春

多因子模型是当下量化投资领域广泛采用的一种组合构建方法，尤其适合全市场横截面选股。应用多因子模型涉及大量的数据清洗、指标计算和组合回测，本书以多因子模型的应用实例展示了Python在数据处理和分析方面的强大特性，可以手把手教你如何利用多因子模型构建优秀的投资组合，带你走进量化投资的精彩世界。

光大信托数量金融部 董事副总经理 贾璐熙

量化投资是目前投资方法中的一个重要分支。本书深入浅出地介绍了量化多因子模型，非常值得刚进入这一领域或有意向进入这一领域的学生学习阅读。

职徒简历 创始合伙人 武承泽

第1章 量化投资概述

1.1 什么是量化投资

1.1.1 股票多因子

1.1.2 量化CTA

1.1.3 套利

1.1.4 高频

1.2 股票多因子模型框架

1.2.1 因子与因子思维

1.2.2 多因子模型的数学语言

1.2.3 多因子模型的实践框架

1.3 量化的基本问题

1.3.1 幸存者偏差

1.3.2 未来信息

1.3.3 过度拟合与欠拟合

1.3.4 因果性与相关性

1.3.5 其他问题

第2章 量化的Python基础

2.1 Python的安装与基本环境

2.1.1 下载与安装

2.1.2 Jupyter的使用

2.2 基本数据类型和变量

2.2.1 整型

2.2.2 浮点型

2.2.3 字符串

2.2.4 布尔型

2.2.5 变量

2.3 Python的容器

2.3.1 列表

2.3.2 元组

2.3.3 字典

2.4 Python的基本语法

2.4.1 if判断

2.4.2 for循环

2.4.3 函数

2.4.4 模块的使用

2.5 数据处理入门

2.5.1 NumPy科学计算库

2.5.2 Matplotlib可视化库

2.6 Pandas

2.6.1 数据表

2.6.2 Series与DataFrame

2.6.3 Pandas的输入与输出

2.6.4 DataFrame的数据选取

2.6.5 Pandas的排序

2.6.6 统计描述与分组

2.6.7 Pandas的数据可视化

2.6.8 多个DataFrame处理

第3章 量化的概率统计基础

3.1 分布的四个“矩”

3.1.1 期望

3.1.2 方差

3.1.3 偏度

3.1.4 峰度

3.2 正态分布

3.2.1 正态分布的定义

3.2.2 正态分布的特点

3.3 线性回归

3.3.1 单元线性回归

3.3.2 多元线性回归

3.3.3 哑变量

3.4 业绩评价指标

3.4.1 年化收益率

3.4.2 夏普比率

3.4.3 信息比率

第4章 单因子测试

4.1 因子的来源

4.1.1 财务因子

4.1.2 分析师一致预期因子

4.1.3 技术因子

4.1.4 其他因子

4.2 大小盘因子

4.2.1 大小盘因子的定义

4.2.2 大小盘因子的计算

4.2.3 大小盘因子的处理流程

4.2.4 去极值与异常值

4.2.5 标准化

4.2.6 中性化

4.3 ROE 因子

4.3.1 ROE因子概述

4.3.2 ROE因子的计算

4.3.3 市值中性化

4.4 RSI因子

4.4.1 RSI指标计算

4.4.2 RSI因子的定义与计算

4.5 其他因子的计算

4.5.1 BTOP因子

4.5.2 ROE稳定性因子

4.5.3 EPS一致预期变动率因子

4.5.4 舆论因子

4.6 单因子的测试分析

4.6.1 单因子测试的基本逻辑

4.6.2 Alphalens简介

4.6.3 因子IC分析

4.6.4 收益率分析

4.6.5 换手率

4.7 常见因子的测试结果

4.7.1 ROE测试结果

4.7.2 销售净利率

4.7.3 MAC10

4.7.4 BTOP因子

第5章 因子合成

5.1 经典加权方法

5.1.1 等权

5.1.2 滚动IC与IC_IR

5.1.3 合成因子测试结果

5.1.4 其他加权方法

5.2 情景配置

5.2.1 市值因子的分析

5.2.2 ROE因子的择时

第6章 组合构建

6.1 一般方法

6.1.1 等权加权

6.1.2 市值加权

6.2 均值-方差组合

6.2.1 优化器的使用

6.2.2 “均值-方差”效用函数

量化投资对很多人而言，显得高端而又神秘。普通投资者觉得量化投资的从业人员都是一群精通计算机、金融和数学的“火箭科学家”。而实际上，量化投资是一个很广泛的概念，甚至可以说没有明确的界定。

在目前的量化投资中，股票多因子是一种具有较为成熟的框架体系的策略。但是市面上大部分关于股票多因子的图书都有些“高深莫测”，没有从业经验的读者读起来会比较困难，更别说用数据和代码构建出一套完整的股票多因子框架了。卖方研究所的多因子模型报告对高手研究一些细节问题往往具有一定的参考价值，但对于初学者架设整个框架则难以有很好的指导意义。笔者将本书命名为《股票多因子模型实战：Python核心代码解析》，正是立足于模型的实践，突出框架的主干作用。

本书可作为股票多因子模型初学者的读物，也可作为量化投资爱好者了解量化的一个窗口。如果读者对编程有一定的基础，那么通过本书中的代码来理解股票多因子则是一个更便捷的途径。

2017年夏天，我在上海地铁的二号线上第一次收到写书的邀请。想到自己资历尚浅，还没有完全了解股票多因子模型背后的底层逻辑，怕妄论一些细节的处理。所以当时没有着手撰写，但是写一本关于股票多因子实战的书的“种子”便就此种下。

2020年，突如其来的疫情打断了很多原本按部就班的事情，空闲之际便着手梳理以前写的教程和文章，整理数据和程序，设计目录和结构。无巧不“成”书，2020年3月，电子工业出版社的黄爱萍编辑联系上我，于是一拍即合，我在空闲时间加快了对内容的补充、程序代码的整理，最终本书得以出版。

全书的内容安排大致如下：

第1章，对量化投资进行了概述，引出多因子模型的底层逻辑与实践框架。

第2章和第3章，分别介绍多因子模型的Python编程基础与概率统计基础。

第4章介绍单因子的计算过程和处理过程，以及单因子的测试和测试结果的分析方法，是较为核心的一章。

第5章介绍单因子如何进行因子合成。

第6章介绍简单的组合构建方法和利用组合理论构建组合的方法。

书中涉及的代码均在附带文件的根目录下，为ipynb格式，读者可使用Jupyter Notebook打开阅读，下载地址为：http://www.broadview.com.cn/40875。书中使用的数据文件会在相关章节提示读者其文件位置。书中的代码通过“In”和“Out”进行标识，分别表示其后面的内容是使用者输入计算机的内容和计算机反馈给我们的内容。

本书在成书过程中得到了许多人的支持。

首先感谢电子工业出版社的黄爱萍编辑。没有她的“第一推动力”，恐怕本书至今依然只是一系列零散文章。感谢参与审核、校验、排版等工作的所有出版工作者。

感谢学习、工作以来的良师益友。本科、研究生阶段的导师都给我很多指导；工作过程中领导、同事给了我很大的启迪。

最后，感谢我的父母、家人和朋友，感谢每一个在生活、工作、学习过程中给过我批评和建议的同侪与前辈。

限于笔者的水平和精力，书中难免有错误或不当之处，欢迎读者不吝赐教。希望本书能够帮助更多的量化投资学习者。