A股多因子模型

数据源

bash
SCRIPTS=$SKILLS_ROOT/cn-stock-data/scripts

个股K线（计算动量/波动率因子）

python $SCRIPTS/cnstockdata.py kline --code [CODE] --freq daily --start [日期]

实时行情（市值/PE/PB等）

python $SCRIPTS/cnstockdata.py quote --code [CODE1],[CODE2],...

财务指标（ROE/营收增速等基本面因子）

python $SCRIPTS/cnstockdata.py finance --code [CODE]

量化计算：
bash
QSCRIPTS=$SKILLS_ROOT/a-share-multifactor-model/scripts

多因子回归

python $QSCRIPTS/multifactor_builder.py --returns returns.csv --factors size,value,momentum --method ols

工作流程

步骤 1：确定因子体系

根据用户需求选择因子集：

• - Barra CNE5 风格：规模/贝塔/动量/残差波动/非线性规模/账面市值比/流动性/盈利收益率/成长/杠杆
• 自定义因子：用户指定的因子组合
• 通过 cn-stock-data 获取原始数据（行情+财务）

步骤 2：因子计算与标准化

1. 1. 从原始数据计算因子值
2. 去极值（MAD 法 ±3 倍）
3. 标准化（Z-score）
4. 缺失值处理（行业均值填充）

步骤 3：截面回归估计因子收益

1. 1. 每期对股票收益 vs 因子暴露做 OLS 回归
2. 回归系数即为因子收益率
3. 计算因子收益的 t 统计量

步骤 4：构建风险模型

1. 1. 因子协方差矩阵（指数加权）
2. 特质风险估计（回归残差的波动率）
3. 股票层面的风险分解

步骤 5：输出

维度	formal（完整因子报告）	brief（快速分析）
因子定义	完整因子体系说明	仅列出因子名
因子收益

完整时序+统计检验 | 近期因子收益排名 | | 暴露分析 | 个股因子暴露详表 | 关键因子暴露值 | | 风险模型 | 协方差矩阵+特质风险 | 无 | | 图表 | 因子收益累计曲线 | 无 |

默认风格：brief。用户要求详细/完整模型时切换为 formal。

关键规则

1. 1. 因子暴露需经行业和市值中性化处理
2. 因子协方差使用半衰期 90 天的指数加权
3. 特质收益率需检验正态性假设
4. A 股需剔除 ST 股和次新股（上市<60日）
5. 行业分类默认使用申万一级（31 个行业）