聚宽量化平台因子分析示例

这次分析，我们用的因子是20日平均换手率。20日平均换手率大家应该是熟悉，是一个代表股票热门程度的指标。20日平均换手率低，代表大家对这支股票的热情比较低，交易较少；20日平均换手率高，代表大家对这支股票的热情比较高，交易较为活跃。20日平均换手率，有时被当作一个反转指标，无论过高或过低，都可能反转。

我们分析一下20日平均换手率，看看跟我们的经验是否相符。

首先，进入聚宽平台的研究环境，长这样：

然后，导入所需要的两个函数：

from jqfactor import analyze_factor
from jqfactor import get_factor_values

给一会儿要用到的参数赋值

start_date = '2023-01-01'#开始日期
end_date = '2024-06-04'#结束日期
indexs = '000300.XSHG'#要分析的股票集合，我们选沪深300成分股
#获取开始日期那天的沪深300成分股
security_list = get_index_stocks(indexs, date=start_date)
factor = 'VOL20'#20日平均换手率因子

VOL20因子在聚宽因子看板上的详情如下图所示：

下面我们获取20230101-20240604的因子值并查看最近10天的因子值。

factor_data = get_factor_values(security_list, factors=factor, start_date=start_date, end_date=end_date)[factor]
factor_data.tail(10)

返回（部分截图）：

数据有了，开始分析：

analysis = analyze_factor(
    factor_data,  #factor_data='VOL20'
    quantiles=10, #这个是因子分组，我们分为10组
    periods=(20,60) # 计算未来20、60天的结果    
)

上面代码的意思为分析后赋值给analysis变量，不展现分析结果。查看分析结果用下面的代码：

analysis.create_summary_tear_sheet()

返回：

上图这是因子分组情况，按换手率从低到高分成了10组，每一组都有10260个左右数据。

上图是因子的alpha、beta等信息。

上图比较直观，为不同组的因子平均收益情况。越靠左，20日平均换手率越低；越靠右，20日平均换手率越高。可以看出，20日平均换手率越低，20和60日后越会出现较高的正收益；而20日平均换手率越高，出现负收益较为普遍，这与我们的经验相符：换手率低的时候，价格往往也低，适合进行埋伏；换手率高的时候，价格往往在高位，买进去容易接盘。

下图是较为专业的几个分析，限于篇幅，就不在这儿解读了。

以上就是给大家做的聚宽平台量化因子分析示例。因为是在做示例，所以能简化的地方都简化了，比如用了极少的函数，参数能用默认的就不去自定义，分析结果也是默认输出。想进一步研究的话，可以去聚宽平台全面了解和学习一下。