# Style Factor Calculation

> 用于因子暴露的风格因子计算原子 skill，适用于通用行业金融计算场景。

- Skill: `aifinlab/style-factor-calculation` (Agent Skill)
- Install (CLI): `npx skillmds@latest add aifinlab/style-factor-calculation`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/style-factor-calculation/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: aifinlab (https://skillmd.com/u/aifinlab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/aifinlab/style-factor-calculation

---


# 风格因子计算 Skill

## 数据来源

本 Skill 支持多种金融数据输入格式，核心数据来源包括：

### 1. 价格序列数据
- **股票价格数据**：日收盘价、周收盘价、月收盘价
- **指数价格数据**：各类风格指数、行业指数
- **基金净值数据**：单位净值、累计净值
- **组合净值数据**：组合累计净值序列

### 2. 财务数据
- **财务报表数据**：利润表、资产负债表、现金流量表
- **财务指标**：ROE、ROA、净利润率、营收增长率等
- **估值指标**：PE、PB、PS、PEG等

### 3. 市场数据
- **市值数据**：总市值、流通市值
- **交易数据**：成交量、换手率
- **价格动量**：价格动量、收益率动量

### 4. 数据格式要求
- **CSV格式**：标准时间序列数据，包含日期和指标列
- **Excel格式**：支持多工作表数据
- **JSON格式**：结构化时间序列数据
- **数据库连接**：支持SQL数据库直接查询

> 说明：本 Skill 不包含数据采集功能，需要用户提供清洗后的价格和财务数据。建议数据时间跨度不少于1年，以便进行准确的风格因子计算。

---

## 功能

本 Skill 提供全面的风格因子计算能力，涵盖多种风格因子：

### 1. 价值风格因子
- **PE因子**：市盈率及其分位数
- **PB因子**：市净率及其分位数
- **PS因子**：市销率及其分位数
- **PEG因子**：PEG比率及其分位数
- **EV/EBITDA因子**：企业价值倍数及其分位数

### 2. 成长风格因子
- **营收增长率**：营收增长率及其分位数
- **净利润增长率**：净利润增长率及其分位数
- **ROE增长率**：ROE增长率及其分位数
- **盈利质量**：盈利质量指标

### 3. 规模风格因子
- **市值因子**：总市值、流通市值及其分位数
- **市值分组**：大盘、中盘、小盘分类
- **市值权重**：市值加权因子

### 4. 动量风格因子
- **价格动量**：价格动量及其分位数
- **收益率动量**：收益率动量及其分位数
- **相对强度**：相对强度指标

### 5. 质量风格因子
- **盈利质量**：盈利质量指标
- **财务质量**：财务质量指标
- **治理质量**：治理质量指标

### 6. 因子暴露计算
- **因子暴露度**：计算组合对各类风格因子的暴露度
- **因子贡献度**：计算各因子对组合收益的贡献
- **因子相关性**：计算因子之间的相关性

### 7. 数据处理能力
- **缺失值处理**：支持前向填充、插值等方法
- **异常值检测**：基于统计方法识别和处理异常值
- **数据标准化**：支持不同数据源的格式统一
- **因子标准化**：支持因子的标准化处理

---

## 使用示例

### 输出示例
```json
{
  "symbol": "000001.SZ",
  "date": "2024-12-31",
  "style_factors": {
    "value_factors": {
      "pe": 15.2,
      "pe_percentile": 45.3,
      "pb": 2.1,
      "pb_percentile": 52.8,
      "ps": 3.5,
      "ps_percentile": 48.2
    },
    "growth_factors": {
      "revenue_growth": 12.5,
      "revenue_growth_percentile": 65.8,
      "net_income_growth": 18.3,
      "net_income_growth_percentile": 72.5
    },
    "size_factors": {
      "market_cap": 50000000000,
      "market_cap_percentile": 78.5,
      "size_category": "large_cap"
    },
    "momentum_factors": {
      "price_momentum": 8.5,
      "price_momentum_percentile": 58.2,
      "return_momentum": 7.2,
      "return_momentum_percentile": 55.8
    }
  },
  "factor_exposure": {
    "value_exposure": 0.45,
    "growth_exposure": 0.65,
    "size_exposure": 0.78,
    "momentum_exposure": 0.58
  }
}
```

---

## 注意事项与限制

### 1. 数据质量要求
- 价格和财务数据需要经过清洗和验证
- 建议使用足够长的历史数据（至少1年）
- 异常数据会影响因子计算结果

### 2. 计算方法选择
- 不同计算方法的结果可能不同
- 因子标准化方法需要统一
- 分位数计算需要足够的样本量

### 3. 时间序列特性
- 风格因子具有时间依赖性
- 不同时间点的因子值不可直接比较
- 市场环境变化会影响因子表现

### 4. 综合判断原则
- 单一风格因子不能全面反映投资风格
- 需要结合多个因子进行综合分析
- 应结合市场环境和投资策略进行判断

### 5. 使用限制
- 本 Skill 输出为技术分析结果，不构成投资建议
- 使用者应结合专业判断和具体业务场景
- 对于重大决策，建议咨询专业投资顾问

---

## 参考资料
- 见 references/ 目录中的相关文档，包括：
  - 风格因子计算公式手册
  - 因子暴露计算方法
  - 因子分析最佳实践指南
  - 数据处理方法说明文档

## License
- 本 skill 代码部分采用 MIT License，详见 `LICENSE` 文件
- 依赖与运行环境以 `requirements.txt` 为准
- 文档内容采用 CC BY 4.0 许可