从零开始量化投资（二）

做量化最重要的是先有量化的框架。试想想我们认为主观的交易是怎么做的？是不是看着市场上上千家的股票涨涨跌跌，打开它的个体页面看一下目前的行情、相关的利好利空的消息、财务分析了解下基本面，最近季度的业绩怎么样，其实这些主观的判断在量化层面是可通过具体的数据来进行评判的。比方说，根据最近季度业绩的变化情况作为一个判断因子，如果最近季度的净利润同比上涨50%以上，那么它的股价应该会反应这个业绩的变化情况（假设市场是有效的情况下）。但比如刚好最近赶上了业绩预披露的时候，那么最先爆出来业绩大幅增加的公司是不是会更容易被市场所认可呢？这其实是因子的效用背后的逻辑支撑。

咱们做量化分析的话，就是通过大量的数据进行回测，进而找到一个相对的数量关系来衡量这个因子的效用。一只股票的价格发生波动，离不开大环境的原因和自身的原因，这就被现代金融理论拆分成了两个方面的波动，一个是来自市场的平均收益（Beta收益），另一个是来自于独立于市场的超额收益（Alpha收益），因此这两方面的因子挖掘可以为我们在择时、选股提供强有力的支持。

那么，如何去衡量因子是否有效呢？就是说怎么去看这个因子给咱们的收益的贡献度呢。一般，常用的衡量因子有效性的指标有：IC，IR，因子年化收益，胜率，换手率等等。一个好的因子，一般是能扛过周期的检验的。

IC就是因子的信息系数，简单来讲实际上就是看该因子的取值与不同阶段的收益率之间的相关系数，而一般咱们会根据实际的需求定义阶段收益率（比方说1天、3天、5天、1个月、3个月、半年、一年等等）。

IR是因子的信息比，实际上就是看该因子的稳定程度，根据因子选择的投资组合的年化平均收益率与年化平均标准差的比值。

因子年化收益，就是根据因子在一年的投资周期中根据其暴露进行排序，将排名靠前的股票组合减去排名靠后的股票组合的平均收益定义为因子的年化收益。

因子的胜率是用于衡量该因子是否在多数时间内能过获得正收益。

因子的换手率反应的是每个持仓周期末投资组合中被更换的股票所占原股票的比例。较高的换手率会产生较高的手续费和交易成本。

下面以销售毛利率为例，来给大家一个完整的做单因子有效性检验的流程。

import  warnings
warnings.filterwarnings('ignore')
import pandas as pd
pd.set_optio