https://github.com/wukan1986/alphainspect

factor performance visualization
https://github.com/wukan1986/alphainspect

alpha factor quant

Last synced: about 1 year ago
JSON representation

factor performance visualization

• Host: GitHub
• URL: https://github.com/wukan1986/alphainspect
• Owner: wukan1986
• License: mit
• Created: 2024-01-18T01:15:06.000Z (over 2 years ago)
• Default Branch: main
• Last Pushed: 2024-12-13T14:34:59.000Z (over 1 year ago)
• Last Synced: 2025-04-13T04:09:06.268Z (about 1 year ago)
• Topics: alpha, factor, quant
• Language: Python
• Homepage:
• Size: 2.61 MB
• Stars: 30
• Watchers: 3
• Forks: 9
• Open Issues: 1
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
# AlphaInspect

仿`alphalens`的单因子分析工具

## 安装

```commandline

pip install -i https://pypi.org/simple --upgrade alphainspect  # 官方源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade alphainspect  # 国内镜像源

```

## 使用

1. 准备数据。运行`data/prepare_data.py`

    1. date, asset。必需的两个字段

    2. factor因子值。放在因子发生时刻

    3. forward return远期收益率。计算收益率后需要回移到开始位置。为何是`shift(-n)收益率`，而不是`shift(n)因子`呢？

        1. 多期收期率。如果移动因子，会导致一个因子就要移动多次

        2. 因子一般成百上千，全移动要的工作量非常大，而收益率则少很多

    4. 推荐大家使用`expr_codegen`和`polars_ta`等项目

2. 运行`examples/factor_analysis.py`示例单因子分析

3. 运行`examples/reports_html.py`示例多进程并行输出HTML网页报表

4. 运行`examples/reports_notebook.py`示例多进程并行转Notebook报表

5. 运行`examples/events_study.py`示例事件分析

## 部分图示

![2x2](docs/img/2x2.png)

![3x2](docs/img/3x2.png)

![ic](docs/img/ic.png)

![returns](docs/img/returns.png)

![cum_returns](docs/img/cum_returns.png)

![spread](docs/img/spread.png)

![turnover](docs/img/turnover.png)

![events](docs/img/events.png)

## 累计收益的计算方法

参考 [cum_returns.md](cum_returns.md)

## `alphainspect`与`alphalens`的不同

1. 不自动计算`forward_returns`。

    1. `alphalens`设`periods=(1, 5, 10)`，然后内部计算持有1、5、10期数的收益率

    2. `alphainspect`由用户外部生成，用户可以比较同因子，不同交易方式产生的差异。例如：

        - `RETURN_OC_1`: T+1开盘入场，T+1收盘出场

        - `RETURN_CC_1`: T+0收盘入场，T+1收盘出场

        - `RETURN_OO_1`: T+1开盘入场，T+2开盘出场

        - `RETURN_OO_5`: T+1开盘入场，T+6开盘出场

2. 不做去极值、标准化、行业中性化等操作

    1. `alphalens`的各参数要弄懂还是很麻烦的，初学者如绩效达不到要求就得深入研究源代码找原因

    2. `alphainspect`用户在外可以一次性全计算好，如`F1_ORG, F1_ZS, F1_NEUT`，然后在分别传不同因子进行比较即可

3. 资金分配只用等权

    1. `alphalens`有因子加权、多空等设置

    2. `alphainspect`只提供等权一种计算方法，实现简单

4. 收益率计算方法不同

    1. `alphalens`多期简单收益率几何平均成1期，然后+1累乘

    2. ~~`alphainspect`由用户提供1期简单收益率，然后根据要求持有或调仓，得到新的权益，循环迭代下去。更精确~~

    3. `alphainspect`由用户提供每期收益率(也可以使用多期收益率的几何平均),然后累加。（分层计算速度提高1~1.5倍）

## `alphainspect`与`alphalens`的相同

1. 数据组织方式相同。都是长表，都是因子不移动，收益率计算，然后后移到与因子产生时间对齐

2. 不考虑滑点和手续费。单因子是用来合成多因子的，因手续费和滑点而错过部分单因子就可惜了，应当在因子合成后的回测阶段才考虑手续费

3. 收益计算不求精确，只为能正确评价因子绩效

## 二次开发

```commandline

git --clone https://github.com/wukan1986/alphainspect.git

cd alphainspect

pip install -e .

```