JoinQuant Alpha191 因子库实战教程：构建多因子选股策略

在聚宽（JoinQuant）平台上使用 Alpha191 因子库进行选股，主要依赖于 jqlib.alpha191 库。该库内置了国泰君安研报中的191个短周期量价因子。

使用 Alpha191 进行选股的核心流程通常如下：

1. 确定股票池：如沪深300、中证500等。
2. 获取因子值：调用 alpha_XXX 函数获取指定日期的因子数据。
3. 数据清洗：剔除停牌、ST股、涨跌停股票，处理因子缺失值。
4. 排序选股：根据因子值大小进行排序（正向或反向），选取头部股票。
5. 交易执行：调仓买入目标股票，卖出不在目标列表中的持仓。

下面是一个完整的单因子选股策略示例。该策略以 Alpha_001 为例，在沪深300成分股中选取因子值最大的前10只股票进行每日调仓。

策略代码示例

# -*- coding: utf-8 -*-
from jqdata import *
# 导入 Alpha191 库
from jqlib.alpha191 import *

def initialize(context):
    """
    初始化函数，设定基准、手续费、滑点等
    """
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设定股票池：沪深300
    g.index = '000300.XSHG'
    # 设定持仓数量
    g.stock_num = 10
    
    # 设定交易费率（股票：买入万三，卖出万三加千一印花税）
    set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003, close_today_commission=0, min_commission=5), type='stock')
    
    # 每日开盘时运行选股和交易逻辑
    run_daily(trade_func, time='09:30')

def trade_func(context):
    """
    交易主逻辑
    """
    # 1. 获取股票池（沪深300）
    stocks = get_index_stocks(g.index)
    
    # 2. 过滤掉停牌、ST、退市的股票
    stocks = filter_stocks(stocks)
    if not stocks:
        return

    # 3. 获取 Alpha191 中的 Alpha_001 因子值
    # 注意：因子计算通常基于收盘后数据，所以使用 context.previous_date
    # alpha_001 公式: (-1 * CORR(RANK(DELTA(LOG(VOLUME),1)),RANK(((CLOSE-OPEN)/OPEN)),6)
    factor_data = alpha_001(stocks, end_date=context.previous_date)
    
    # 4. 处理因子数据
    # 去除 NaN 值
    factor_data = factor_data.dropna()
    
    # 5. 选股逻辑
    # 这里假设因子值越大越好（具体方向需根据每个因子的定义来判断）
    # 对因子值进行降序排列，取前 g.stock_num 只股票
    target_list = factor_data.sort_values(ascending=False).head(g.stock_num).index.tolist()
    
    # 6. 执行交易
    rebalance(context, target_list)

def filter_stocks(stock_list):
    """
    过滤停牌、ST、退市股票
    """
    curr_data = get_current_data()
    return [stock for stock in stock_list if 
            not curr_data[stock].paused and 
            not curr_data[stock].is_st and 
            'ST' not in curr_data[stock].name and 
            '*' not in curr_data[stock].name and 
            not curr_data[stock].day_open == curr_data[stock].high_limit and # 过滤涨停
            not curr_data[stock].day_open == curr_data[stock].low_limit    # 过滤跌停
           ]

def rebalance(context, target_list):
    """
    调仓函数
    """
    # 获取当前持仓
    current_holdings = list(context.portfolio.positions.keys())
    
    # 卖出不在目标列表中的股票
    for stock in current_holdings:
        if stock not in target_list:
            order_target_value(stock, 0)
    
    # 买入目标列表中的股票
    if len(target_list) > 0:
        # 等权重分配资金
        value_per_stock = context.portfolio.total_value / len(target_list)
        for stock in target_list:
            order_target_value(stock, value_per_stock)

关键点说明

1. 库的导入：
   必须使用 from jqlib.alpha191 import * 才能直接调用 alpha_001 到 alpha_191 这些函数。

2. 日期参数：
   调用因子函数时（如 alpha_001(stocks, end_date=...)），end_date 通常传入 context.previous_date。因为 Alpha191 多为日线级别的量价因子，需要在前一交易日收盘后计算，用于指导当天的交易。

3. 因子方向：
   Alpha191 中的因子有些是动量型的（值越大越好），有些是反转型的（值越小越好），还有些可能需要取绝对值。在使用具体因子前，建议查阅 Alpha191 的因子公式说明或进行简单的 IC 测试来确定排序方向（ascending=True 还是 False）。

4. 多因子组合：
   上述代码仅演示了单因子选股。如果需要使用多个因子，可以获取多个因子的 Series，将其合并为 DataFrame，进行标准化（Z-Score）处理后，加权求和得到综合得分，再进行排序选股。

Q&A

Q1: 如何查看 Alpha191 中某个具体因子的公式含义？
A1: 在聚宽的研究环境中，导入库后可以使用 ? 查看文档字符串。例如输入 alpha_001? 并运行，系统会显示该因子的计算公式和输入输出说明。

Q2: Alpha191 因子可以直接用于实盘吗？
A2: Alpha191 是短周期量价因子，换手率通常较高。直接使用原始因子可能面临较高的交易成本和滑点影响。建议在实盘前进行充分的回测，并考虑加入换手率限制、平滑处理或结合基本面因子使用。

Q3: 为什么有些因子计算结果全是 NaN？
A3: 这通常是因为计算该因子所需的历史数据长度不足。例如某些因子需要过去20天的移动平均，如果股票刚上市不足20天，或者传入的股票池中有停牌导致数据缺失，计算结果就会是 NaN。代码中应包含 dropna() 处理。