Alpha101 — WorldQuant 101 Formulaic Alphas
概述
Zura Kakushadze 论文《101 Formulaic Alphas》(arXiv:1601.00991) 的完整Python实现。
101个真实量化交易alpha因子，公式即代码。
论文关键数据
- 平均持仓期: 0.6-6.4天
- 平均两两相关性: 15.9%
- 收益与波动率强相关: R ~ σ^0.76
文件结构
skills/alpha101/
├── SKILL.md ← 本文件
├── scripts/
│ ├── alpha101.py ← 101个因子函数 + 基础函数库
│ ├── compute_ic.py ← 因子IC/IR计算
│ └── backtest_alpha.py ← 单因子回测
└── references/
└── paper_notes.md ← 论文笔记与函数定义
使用方式
1. 因子计算
from scripts.alpha101 import compute_alphas, alpha101
# 输入: date x ticker DataFrame
data = {
'open': df_open, 'close': df_close, 'high': df_high, 'low': df_low,
'volume': df_vol, 'vwap': df_vwap, 'returns': df_returns
}
# 计算所有可用因子
alphas = compute_alphas(data) # dict of alpha_name -> DataFrame
# 单独计算
from scripts.alpha101 import alpha101
a101 = alpha101(df_open, df_close, df_high, df_low)
2. 因子IC测试
python scripts/compute_ic.py --data <path> --output results/
3. 单因子回测
python scripts/backtest_alpha.py --alpha 101 --data <path>
因子分类
| 类别 |
因子 |
输入 |
| 纯价量 |
#1-#47, #49-#55, #60, #61, #71-#74, #84, #88, #101 |
OHLCV + VWAP |
| 行业中性化 |
#48, #56, #58-#59, #63, #67, #69-#70, #76, #79-#82, #87, #89-#91, #93, #97, #100 |
+ 行业分类 |
| 复杂参数 |
#57-#99 |
非整数窗口, 混合权重 |
基础函数速查
rank(x) 截面排名 [0,1]
delay(x,d) d天前的值
delta(x,d) 当期 - d天前
correlation(x,y,d) d天滚动相关
scale(x,a=1) 缩放使sum(abs(x))=a
decay_linear(x,d) 线性衰减加权均值
ts_min/ts_max(x,d) 滚动最小/最大
ts_rank(x,d) 时间序列排名
ts_sum/ts_std(x,d) 滚动求和/标准差
adv{d} d天平均成交额
IndNeutralize(x,ind) 行业中性化
回测注意事项
- 交易成本: 论文因子扣除cost后Sharpe才是真Sharpe
- 过拟合: 101个因子中部分可能已衰减，需样本外验证
- 市场适配:
- A股: T+1限制，持仓期需调整
- 加密: 24/7，日频→小时频需改窗口参数
- Polymarket: 流动性低，部分因子不适用
- 行业因子: 需要行业分类映射，加密市场可用板块替代
决策框架
因子计算 → IC/IR筛选(>0.03) → 样本外验证 → 组合构建(低相关等权) → 回测扣费 → 实盘
1---2name: alpha1013description: WorldQuant 101 Formulaic Alphas — 因子计算、IC测试、回测一体化工具包。 基于Kakushadze (2015) 论文，提供101个价量/波动率/相关性因子的Python/Pandas实现。 Use when: "alpha101", "101因子", "formulaic alphas", "因子回测", "因子IC", "因子筛选", "WorldQuant因子", "价量因子", "alpha因子库".4---5
6# Alpha101 — WorldQuant 101 Formulaic Alphas
7
8## 概述
9
10Zura Kakushadze 论文《101 Formulaic Alphas》(arXiv:1601.00991) 的完整Python实现。
11101个真实量化交易alpha因子，公式即代码。
12
13### 论文关键数据
14- 平均持仓期: 0.6-6.4天
15- 平均两两相关性: 15.9%
16- 收益与波动率强相关: R ~ σ^0.76
17
18## 文件结构
19
20```
21skills/alpha101/
22├── SKILL.md ← 本文件
23├── scripts/
24│ ├── alpha101.py ← 101个因子函数 + 基础函数库
25│ ├── compute_ic.py ← 因子IC/IR计算
26│ └── backtest_alpha.py ← 单因子回测
27└── references/
28 └── paper_notes.md ← 论文笔记与函数定义
29```
30
31## 使用方式
32
33### 1. 因子计算
34
35```python
36from scripts.alpha101 import compute_alphas, alpha101
37
38# 输入: date x ticker DataFrame
39data = {
40 'open': df_open, 'close': df_close, 'high': df_high, 'low': df_low,
41 'volume': df_vol, 'vwap': df_vwap, 'returns': df_returns
42}
43
44# 计算所有可用因子
45alphas = compute_alphas(data) # dict of alpha_name -> DataFrame
46
47# 单独计算
48from scripts.alpha101 import alpha101
49a101 = alpha101(df_open, df_close, df_high, df_low)
50```
51
52### 2. 因子IC测试
53
54```bash
55python scripts/compute_ic.py --data <path> --output results/
56```
57
58### 3. 单因子回测
59
60```bash
61python scripts/backtest_alpha.py --alpha 101 --data <path>
62```
63
64## 因子分类
65
66| 类别 | 因子 | 输入 |
67|------|------|------|
68| 纯价量 | #1-#47, #49-#55, #60, #61, #71-#74, #84, #88, #101 | OHLCV + VWAP |
69| 行业中性化 | #48, #56, #58-#59, #63, #67, #69-#70, #76, #79-#82, #87, #89-#91, #93, #97, #100 | + 行业分类 |
70| 复杂参数 | #57-#99 | 非整数窗口, 混合权重 |
71
72## 基础函数速查
73
74```
75rank(x) 截面排名 [0,1]
76delay(x,d) d天前的值
77delta(x,d) 当期 - d天前
78correlation(x,y,d) d天滚动相关
79scale(x,a=1) 缩放使sum(abs(x))=a
80decay_linear(x,d) 线性衰减加权均值
81ts_min/ts_max(x,d) 滚动最小/最大
82ts_rank(x,d) 时间序列排名
83ts_sum/ts_std(x,d) 滚动求和/标准差
84adv{d} d天平均成交额
85IndNeutralize(x,ind) 行业中性化
86```
87
88## 回测注意事项
89
901. **交易成本**: 论文因子扣除cost后Sharpe才是真Sharpe
912. **过拟合**: 101个因子中部分可能已衰减，需样本外验证
923. **市场适配**:
93 - A股: T+1限制，持仓期需调整
94 - 加密: 24/7，日频→小时频需改窗口参数
95 - Polymarket: 流动性低，部分因子不适用
964. **行业因子**: 需要行业分类映射，加密市场可用板块替代
97
98## 决策框架
99
100```
101因子计算 → IC/IR筛选(>0.03) → 样本外验证 → 组合构建(低相关等权) → 回测扣费 → 实盘
102```
aAAaqwq