Alphalens使用方法细节判断

最新推荐文章于 2025-04-22 14:52:48 发布

神出鬼没，指的就是我!

最新推荐文章于 2025-04-22 14:52:48 发布

阅读量2.2k

点赞数

分类专栏：量化文章标签： python 开发语言

本文链接：https://blog.csdn.net/qq_26742269/article/details/128010432

版权

量化专栏收录该内容

119 篇文章

订阅专栏

本文介绍了如何使用AlphaLens进行因子数据处理，包括数据格式转换、量化分组、期望收益与标准差计算、收益曲线可视化，以及信息系数和Spearman相关性的理解和应用。通过实例展示了获取和解读因子分析报告的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先alphalens的数据格式：

factor: MultiIndex（用stack()方法来转换）

prices: DataFrame

#转换成MultiIndex
factor = alpha_mom.stack()
print (factor.tail())

datetime                        
2017-11-20 15:00:00  601857.XSHG    1.022616
                     601881.XSHG    0.744411
                     601901.XSHG    0.893478
                     601985.XSHG    0.993412
                     601988.XSHG    0.971698
dtype: float64

# 股票池价格的Dataframe
prices = PN.minor_xs('close')
print (prices.tail())

                     600000.XSHG  600016.XSHG  600028.XSHG  600029.XSHG  \
datetime                                                                  
2017-11-14 15:00:00       118.12       125.93        12.06        16.00   
2017-11-15 15:00:00       118.12       124.74        11.82        16.04   
2017-11-16 15:00:00       116.16       123.54        11.76        16.29   
2017-11-17 15:00:00       119.81       127.42        11.92        16.97   
2017-11-20 15:00:00       120.47       128.17        11.92        17.05   

                     600030.XSHG  600036.XSHG  600048.XSHG  600050.XSHG  \
datetime                                                                  
2017-11-14 15:00:00        69.27       111.81       199.75         9.49   
2017-11-15 15:00:00        69.04       111.25       204.52         9.68   
2017-11-16 15:00:00        68.05       112.13       218.27         9.61   
2017-11-17 15:00:00        69.88       117.24       224.00         9.63   
2017-11-20 15:00:00        67.71       121.82       224.19         9.80   

                     600100.XSHG  600104.XSHG     ...       601766.XSHG  \
datetime                                          ...                     
2017-11-14 15:00:00       178.62       204.03     ...             12.10   
2017-11-15 15:00:00       176.35       202.78     ...             12.07   
2017-11-16 15:00:00       174.24       200.97     ...             11.77   
2017-11-17 15:00:00       165.92       207.21     ...             12.11   
2017-11-20 15:00:00       170.61       206.46     ...             12.14   

                     601788.XSHG  601800.XSHG  601818.XSHG  601857.XSHG  \
datetime                                                                  
2017-11-14 15:00:00        17.28        17.39         5.13        10.63   
2017-11-15 15:00:00        17.25        17.34         5.12        10.37   
2017-11-16 15:00:00        17.04        16.91         5.11        10.28   
2017-11-17 15:00:00        17.30        17.04         5.21        10.33   
2017-11-20 15:00:00        17.18        16.79         5.24        10.40   

                     601881.XSHG  601901.XSHG  601985.XSHG  601988.XSHG  \
datetime                                                                  
2017-11-14 15:00:00        13.15         8.63         7.80         6.08   
2017-11-15 15:00:00        13.03         8.49         7.79         6.07   
2017-11-16 15:00:00        12.76         8.28         7.54         6.02   
2017-11-17 15:00:00        12.30         8.11         7.63         6.14   
2017-11-20 15:00:00        12.32         8.22         7.54         6.18   

                     601989.XSHG  
datetime                          
2017-11-14 15:00:00        10.64  
2017-11-15 15:00:00        10.51  
2017-11-16 15:00:00        10.49  
2017-11-17 15:00:00        10.14  
2017-11-20 15:00:00        10.25  

[5 rows x 49 columns]

#输入Alphalen所需要的数据格式
import alphalens
factor_data = alphalens.utils.get_clean_factor_and_forward_returns(factor, prices, quantiles=5)
print (factor_data.head())

                                        1         5        10    factor  \
date                asset                                                 
2017-03-07 15:00:00 600000.XSHG -0.001197 -0.010349 -0.024974  1.008018   
                    600016.XSHG -0.005597 -0.015598 -0.034555  0.985728   
                    600028.XSHG  0.003578 -0.016100  0.007156  1.021938   
                    600029.XSHG -0.003912  0.010172  0.000782  1.097938   
                    600030.XSHG -0.006045 -0.006045 -0.013999  1.016659   

                                 factor_quantile  
date                asset                         
2017-03-07 15:00:00 600000.XSHG                2  
                    600016.XSHG                1  
                    600028.XSHG                3  
                    600029.XSHG                5  
                    600030.XSHG                3

如何不同Quantiles期望收益与标准差？

mean_return_by_q, std_err_by_q = alphalens.performance.mean_return_by_quantile(factor_data, by_date=True)
print(mean_return_by_q.head())
print(std_err_by_q.head())

                                           1         5         10
factor_quantile date                                             
1               2017-03-07 15:00:00  0.006782  0.003821  0.006060
                2017-03-08 15:00:00  0.002207  0.000536 -0.005845
                2017-03-09 15:00:00  0.000176  0.001881  0.012697
                2017-03-10 15:00:00  0.001894  0.004035  0.006478
                2017-03-13 15:00:00  0.000316  0.009381  0.011278
                                           1         5         10
factor_quantile date                                             
1               2017-03-07 15:00:00  0.008181  0.005817  0.011047
                2017-03-08 15:00:00  0.001643  0.005422  0.012947
                2017-03-09 15:00:00  0.002841  0.004721  0.012215
                2017-03-10 15:00:00  0.002748  0.003273  0.013972
                2017-03-13 15:00:00  0.001233  0.006354  0.011653

如何将不同收益曲线可视化？
1.持有不同天数的收益曲线
2.累积收益曲线

import matplotlib.pyplot as plt
alphalens.plotting.plot_cumulative_returns_by_quantile(mean_return_by_q, 10)
plt.show()

什么是信息系数？

度量变量的预测值与实际值之间的关系的相关值。信息系数是用来评估金融分析师预测技能的一种表现方法。

系数在-1到1之间，越大表示正相关程度强。标准是mean(IC)>0.02

什么是spearman相关系数？

其中d为秩次差。

因此IC值是代表因子排序与收益排序的相关性。

什么是秩次差？

A = [1,3,5,7,9]
B = [3,2,4,5,1]

A的排序是1,2,3,4,5

B的排序是3,2,4,5,1

d为排序相减

# IC值例子
ic = alphalens.performance.factor_information_coefficient(factor_data)
# print (ic)
alphalens.plotting.plot_ic_hist(ic)
mean_monthly_ic = alphalens.performance.mean_information_coefficient(factor_data, by_time='M')
# print mean_monthly_ic.mean()
alphalens.plotting.plot_monthly_ic_heatmap(mean_monthly_ic)
plt.show()

factor_returns = alphalens.performance.factor_returns(factor_data)

alphalens.plotting.plot_cumulative_returns(factor_returns[10])
plt.show()

Alphalens数据准备

源数据需要两个DataFrame：

1.因子数据

2.股价数据（添加行业数据，用于行业中性化）

因子数据：

可以在factor_value后新增一列行业。

因子数据的前2列：date、asset是多重索引（MultiIndex），一级索引是date（日期），二级索引是asset（资产）

股价数据：

get_clean_factor_and_forward_returns()

alphalens.utils.get_clean_factor_and_forward_returns(factors,
                                                     prices,
                                                     groupby=None,
                                                     binning_by_group=False,
                                                     quantiles=5,
                                                     bins=None,
                                                     periods=(1, 5, 10),
                                                     filter_zscore=20,
                                                     groupby_labels=None,
                                                     max_loss=0.30,
                                                     zero_aware=False,
                                                     cumulative_returns=True)

参数详解

factors：如图1的因子（行业）数据
prices：如图2的股价数据
groupby:股票分组
binning_by_group: 是否分组进行计算
quantiles: 将股票按数量等分
bins: 按因子值等宽进行划分
periods：持仓周期
filter_zscore:异常阈值的倍数，过滤掉涨跌幅大的股票
groupby_labels:分组标签
max_loss：因子数据缺失率的上限，超过则报错
zero_aware:是否正负信号分开算
cumulative_returns:是否计算累计回报

因子分析函数

因子分析总报告

将清洗好的数据送入create_full_tear_sheet,即可获得所有的分析图

alphalens.tears.create_full_tear_sheet(data)

附上Alphalens文档

Alphalens — Alphalens 0.2.1+48.gad0be10 documentation