问题描述
解决方案
在聚宽（JoinQuant）平台中调用 Alpha101 因子库非常方便。聚宽已经将 WorldQuant 发表的 101 个 Alpha 因子封装在 jqlib.alpha101 库中，您可以直接导入并使用。
以下是一个完整的策略示例，展示了如何调用 Alpha 001 因子，并在沪深300成分股中选取因子值最高的 10 只股票进行等权重买入。
策略实现代码
# -*- coding: utf-8 -*-
from jqdata import *
# 导入 Alpha101 库中的 alpha_001 函数
from jqlib.alpha101 import alpha_001
def initialize(context):
# 设定基准为沪深300
set_benchmark('000300.XSHG')
# 开启动态复权模式(真实价格)
set_option('use_real_price', True)
# 设置手续费：买入万三，卖出万三加千一印花税
set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
# 设定持仓数量
g.stock_num = 10
# 每天开盘时运行选股和调仓
run_daily(trade, '09:30')
def trade(context):
# 1. 获取股票池：这里选择沪深300成分股
pool = get_index_stocks('000300.XSHG')
# 2. 过滤停牌和ST股票
current_data = get_current_data()
pool = [stock for stock in pool if not current_data[stock].paused and not current_data[stock].is_st]
# 3. 调用 Alpha 001 因子
# 参数1：计算日期（通常使用前一个交易日的数据来决策今日交易）
# 参数2：股票池列表
# 返回值：一个 pandas.Series，索引是股票代码，值是因子值
factor_values = alpha_001(context.previous_date, pool)
# 4. 选股逻辑
# 去除 NaN 值
factor_values = factor_values.dropna()
# Alpha 001 公式: (rank(Ts_ArgMax(SignedPower(((returns < 0) ? stddev(returns, 20) : close), 2.), 5)) - 0.5)
# 该因子通常作为动量或反转类指标，这里演示选取因子值最大的前N只股票（假设因子值越大越好）
# 对因子值进行降序排列，取前 g.stock_num 只
long_list = factor_values.sort_values(ascending=False).head(g.stock_num).index.tolist()
# 5. 执行交易
# 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 long_list:
order_target_value(stock, 0)
# 买入目标列表中的股票
if len(long_list) > 0:
# 等权重分配资金
target_value = context.portfolio.total_value / len(long_list)
for stock in long_list:
order_target_value(stock, target_value)
print("今日买入列表: {}".format(long_list))
代码关键点解析
-
导入库：
必须使用from jqlib.alpha101 import alpha_001(或者import *) 来引入因子计算函数。 -
函数调用：
alpha_001(date, securities)date: 计算因子的日期。在回测中，为了避免未来函数，通常使用context.previous_date（前一个交易日）的数据来进行计算，并在当天的开盘进行交易。securities: 股票代码列表（如['000001.XSHE', '600000.XSHG']）。
-
返回值处理：
该函数返回的是一个pandas.Series对象，Index 是股票代码，Value 是计算出的因子值。由于数据缺失等原因，可能会包含NaN，建议使用.dropna()进行清洗。 -
排序方向：
Alpha 101 中的因子方向性（越大越好还是越小越好）并不统一。在使用具体因子前，建议先查阅该因子的公式含义或进行简单的 IC 分析（信息系数分析）来确定排序方向。在本例中，我们默认选取因子值最大的股票。
常见问题 Q&A
Q: 如何调用其他的 Alpha 因子，比如 Alpha 002？
A: 方法完全一样，只需修改导入和调用函数即可：
from jqlib.alpha101 import alpha_002
# ...
factor_values = alpha_002(context.previous_date, pool)
Q: 这个库支持哪些股票池？
A: securities 参数支持任意股票代码列表。您可以传入沪深300、中证500，或者全市场股票代码（通过 get_all_securities(['stock']).index.tolist() 获取）。
Q: 为什么计算出来的因子值有很多 NaN？
A: Alpha 因子通常依赖过去一段时间的行情数据（如过去20天的均值、标准差等）。如果股票上市时间太短，或者近期有长期停牌导致数据不足，计算结果就会是 NaN。策略中必须包含去除 NaN 的逻辑。