目录

写在前面

第一步：构建因子

一、市值因子

二、波动因子：控制风险的关键一步

三、流动性因子（"低流动性"股票反转效应更明显）

第二步：研报思路验证- "分域测试"

第一组："动量组"（大市值 + 低波动 + 正向动量）

第二组："反转组"（小市值 + 高波动 + 低流动性 + 反向动量）

我的核心收获

---

写在前面

大家好，我是Browei（alpha版）

今天我要分享一个量化新人最关心的问题：如何从零开始，快速构建有效的量化因子？

相信很多想学量化的朋友，都有过类似的经历：看了一篇研报，感觉茅塞顿开，恨不得马上把它变成代码，在市场上赚到钱。

我也不例外。最近，我认真读了《中金公司：关于动量，你所希望了解的那些事》。里面有个核心观点特别吸引我：

动量效应，在大市值、低波动、高价值的股票里更明显；而反转效应（涨多了就跌），则在小市值、高波动、低流动性的股票里更显著。

听起来逻辑很顺，对吧？大机构抱团的票容易形成趋势，而小票容易情绪过热然后崩盘。

那么，这个结论到底对不对？具体怎么实现？

我决定动手验证一下。

我用 PandaAI平台，花了大概1小时，把这篇研报的核心思路复现了一遍。过程比想象中简单，但结果……却和我的预想有些出入，下面我就把每一步的操作和思考分享出来。

网站扔这里了：https://www.pandaai.online/

第一步：构建因子

在PandaAI中，构建因子最简单的方式就是使用AI助手和Python因子模板。平台已经把复杂的回测框架封装好，我们只需要关注因子逻辑本身。

一、市值因子

我的操作步骤：

1. 在PandaAI助手中选择"Python因子模板"

2. 设置回测参数：

   1. 回测区间：5年

   2. 调仓周期：周度调仓

   3. 股票池：全A股

3. 在因子方向中选择"负向"（因为我们测试小市值策略）

4. 平台自动生成以下代码：

class MarketCapFactor(Factor):
    def calculate(self, factors):
    #方法1:直接使用系统预计算的市值
        market_cap = factors['market_cap']
        #通常会对市值取对数处理
        log_market_cap = L0G(market_cap)
        
        return RANK(log_market_cap)

回测结果惊喜：

• IC绝对值 > 0.03，证明有预测能力

• 但IC标准差较大，说明稳定性还需要提升

• 结论： 单纯的小市值在A股还能用，但不是"圣杯"

二、波动因子：控制风险的关键一步

研报强调要在"低波动"股票中寻找动量。那如何量化"波动"？

我的构建逻辑：

• 波动性越大 → 价格越不稳定 → 风险越高

• 波动性越小 → 价格走势平稳 → 风险较低

• 衡量方法： 过去20个交易日日收益率的标准差

代码如下：

class VolatilityFactor(Factor):
    def calculate(self, factors):close = factors['close']
    #计算每日收益率
    daily_returns = RETURNS(close, period=1)
    #计算20日滚动标准差
    volatility = STDDEV(daily_returns, window=20)
    #对波动率进行横截面排名
    return RANK(volatility)

• 初次回测显示这是负向因子（高波动股票未来表现更差）

• 这很符合直觉：在A股，暴涨的股票往往随后暴跌

• 将因子方向调整为"负向"后，结果符合预期

三、流动性因子（"低流动性"股票反转效应更明显）

我选择了最直接的代理指标：换手率

• 逻辑：换手率越高 → 流动性越好 → 交易成本越低

• 反之：换手率低 → 买卖困难 → 价格冲击大

class TurnoverLiquidityFactor(Factor):
    def calculate(self, factors):
        turnover = factors['turnover']
        #换手率#计算换手率指标-使用过去20日的平均换手率
        avg_turnover = TS_MEAN(turnover, window=20)
        #进行横截面排序
        return RANK(avg_turnover)

1. 初次回测：该因子为强烈的负向指标

2. 这反映了A股一个残酷现实：过度交易的散户往往亏损

3. 反向测试后（即做空高换手率股票），效果明显改善

第二步：研报思路验证- "分域测试"

有了这三个基础因子，我按照研报的核心思路开始验证。

研报的核心观点：

"动量特征在高机构覆盖、大市值、低波动、高价值的股票池中更明显；而反转效果在低覆盖、小市值、高波动、低流动性、低价值的股票池内更为显著。"

我简化的测试方案：

第一组："动量组"（大市值 + 低波动 + 正向动量）

• 预期： 在沪深300中应获得正向动量收益

class CompositeFactor(Factor):
    def calculate(self, factors):
        close = factors['close']
        market_cap = factors['market_cap']
       
        #1.大市值因子(直接使用市值)
        size_factor = RANK(market_cap)
        #2.低波动因子(波动率排名取反)
        daily_returns = RETURNS(close, period=1)
        volatility = STDDEV(daily_returns, window=20)
        low_vol_factor= -RANK(volatility) #取负值表示低波动
        
        #3.正向动量因子(20日收益率排名)
        momentum_returns = RETURNS(close, period=20)
        momentum_factor = RANK(momentum_returns)

        #等权合成三个因子(标准化后相加)
        composite = (SCALE(size factor) + SCALE(low vol_ factor) + SCALE(momentum factor)) /3

        return composite

结果勉强合格，但不惊艳。可能缺少了研报中提到的“高价值”和“高机构覆盖”因子

第二组："反转组"（小市值 + 高波动 + 低流动性 + 反向动量）

• 预期： 在全A股中捕捉反转效应

class CompositeFactor(Factor):
    def calculate(self, factors):
        close = factors['close']
        turnover = factors['turnover']
        market_cap = factors['market_cap']

        #1.小市值因子(取负值表示小市值)
        size_factor = -RANK(market_cap)
        
        #2.高波动性因子
        daily_returns = RETURNS(close,period=1)
        volatility = STDDEV(daily_returns, window=20)
        volatility_factor= RANK(volatility)

        #3.低流动性因子(采用20天换手率平均值，取负值表示低流动性)
        liquidity= TS_MEAN(turnover, window=20)
        liquidity_factor= -RANK(liquidity)
        
        #4.反向动量因子(取负的动量)
        momentum = RETURNS(close,period=20)
        reverse_momentum_factor = -RANK(momentum)
        
        #等权合成四个因子
        composite = (size_factor + volatility_factor + liquidity_factor + reverse_momentum_factor) / 4

        return composite

比较失望的是：这个四因子组合的表现，还不如单用一个小市值因子！后面我尝试将将计算波动性的天数减少，将波动性调整到3天

结果并没有多少改善，所以我干脆考虑将波动性因子改成负向的，再试试

稍有改善，但是效果也一般，说明用换手率这个表达流动性可能不够，需要换其他的计算方式。

我的核心收获

1. 研报复现 ≠ 简单抄作业

   1. 数据差异、参数设置、股票池选择都会影响结果

   2. 研报给的是思路，不是可复制粘贴的代码

2. 因子组合的“1+1+1<3”现象

   1. 相关性高的因子组合，效果可能不如单个因子

   2. 需要寻找真正互补的因子

3. PandaAI的价值在于快速迭代

   1. 每个测试只需2-3分钟

   2. 能快速验证想法，排除无效路径

虽然这次复现没有完美成功，但我明确了下一步的方向：

1. 补充缺失因子：寻找价值因子和机构覆盖度因子的替代指标

2. 尝试非线性组合：用PandaAI的机器学习模块测试更复杂的组合方式

3. 扩大因子库：测试更多与市值、波动、流动性相关性低的因子

最重要的是，整个探索过程在PandaAI上只花了我几个小时。在传统开发模式下，这可能需要几周时间。

如果你也想开始量化研究，我的建议是：不要等待完美方案，先动手构建第一个因子。 即使结果不理想，你也会学到比阅读十篇文章更多的东西。

我在PandaAI上公开了这个项目的所有代码和回测结果，欢迎大家去查看和复现。