如何在 JoinQuant 中量化 K 线多空指标并构建多空因子？

在量化交易中，将蜡烛图（K线）的开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）转化为具体的数值因子，是进行机器学习和相关性分析的常见且有效的方法。以下为您提供几种量化多空表征的方法，以及如何在 JoinQuant（聚宽）平台上实现它们。

一、 基于 OHLC 的基础多空特征构造

最直接的方法是通过计算 K 线各部分的比例来量化多空力量的博弈：

1. 多空对比度 (Bull/Bear Ratio)
   公式：(Close - Open) / (High - Low)
   含义：衡量实体占整个价格波动区间的比例。值为正且接近1表示多头绝对控盘；值为负且接近-1表示空头绝对控盘。
2. 多头反击力度 (Lower Shadow Ratio)
   公式：(Min(Close, Open) - Low) / (High - Low)
   含义：下影线占整体波动的比例，代表下跌后多头将价格推高的力量。
3. 空头打压力度 (Upper Shadow Ratio)
   公式：(High - Max(Close, Open)) / (High - Low)
   含义：上影线占整体波动的比例，代表上涨后空头将价格压低的力量。

二、 经典多空技术指标量化

金融工程领域已有许多成熟的基于 OHLC 的多空指标，您可以直接将其作为因子：

1. WVAD (威廉变异离散量)
   公式：(Close - Open) / (High - Low) * Volume
   含义：结合了多空对比度和成交量，量化了多空双方在当天的真实资金博弈结果。
2. ARBR (人气意愿指标)
   • AR (人气指标) = Sum(High - Open, N) / Sum(Open - Low, N)
   • BR (意愿指标) = Sum(High - Ref(Close, 1), N) / Sum(Ref(Close, 1) - Low, N)
     含义：AR 衡量开盘后的多空动能，BR 衡量隔夜及盘中的多空意愿。
3. Elder-Ray Index (多空力道)
   • Bull Power (多头力道) = High - EMA(Close, N)
   • Bear Power (空头力道) = Low - EMA(Close, N)

三、 在 JoinQuant 中的实现代码

在 JoinQuant 中，您可以通过两种方式获取这些多空因子：一是自己通过行情数据计算，二是直接调用聚宽的因子库。

方法1：自定义计算基础多空特征

import pandas as pd
from jqdata import *

def get_custom_long_short_factors(security, start_date, end_date):
    # 获取 OHLC 数据
    df = get_price(security, start_date=start_date, end_date=end_date, 
                   frequency='daily', fields=['open', 'close', 'high', 'low'])
    
    # 避免分母为0
    range_hl = df['high'] - df['low']
    range_hl[range_hl == 0] = 0.0001 
    
    # 1. 多空对比度
    df['ls_ratio'] = (df['close'] - df['open']) / range_hl
    
    # 2. 多头反击力度 (下影线比例)
    df['bull_force'] = (df[['close', 'open']].min(axis=1) - df['low']) / range_hl
    
    # 3. 空头打压力度 (上影线比例)
    df['bear_force'] = (df['high'] - df[['close', 'open']].max(axis=1)) / range_hl
    
    # 计算次日涨跌幅作为机器学习的 Label (Target)
    df['next_day_return'] = df['close'].pct_change().shift(-1)
    
    return df[['ls_ratio', 'bull_force', 'bear_force', 'next_day_return']].dropna()

# 示例调用
factors_df = get_custom_long_short_factors('000001.XSHE', '2023-01-01', '2023-10-01')
print(factors_df.head())

方法2：直接调用 JoinQuant 因子库

聚宽因子库 (jqfactor) 已经内置了大量多空情绪因子，您可以直接提取用于相关性学习。

from jqfactor import get_factor_values

def get_jq_long_short_factors(security_list, start_date, end_date):
    # 定义需要获取的多空因子
    # WVAD: 威廉变异离散量
    # ARBR: 人气意愿指标差值
    # bull_power: 多头力道
    # bear_power: 空头力道
    factors = ['WVAD', 'ARBR', 'bull_power', 'bear_power']
    
    # 获取因子值
    factor_data = get_factor_values(securities=security_list, 
                                    factors=factors, 
                                    start_date=start_date, 
                                    end_date=end_date)
    return factor_data

# 示例调用
factor_dict = get_jq_long_short_factors(['000001.XSHE'], '2023-01-01', '2023-10-01')
# 查看多头力道因子
print(factor_dict['bull_power'].head())

四、 机器学习应用建议

1. 数据平滑与标准化：单日的 K 线多空因子可能噪音较大，建议在输入模型前，对其进行移动平均（如计算 5 日均值）或使用 jqfactor.standardlize 进行标准化处理。
2. 结合成交量：单纯的价格多空表征如果不结合成交量，往往缺乏置信度。建议将上述因子与成交量（Volume）或换手率（Turnover）相乘，或者作为独立的特征一起输入模型。
3. 相关性检验：在输入复杂模型前，可以使用 Pandas 的 corr() 函数或 Spearman 秩相关系数，初步检验这些多空因子与 next_day_return（次日涨跌幅）的线性或单调相关性。