会员持仓集中度 Alpha
适用场景
- 当用户需要计算期货会员持仓集中度因子时
- 当用户需要验证前5大净多/净空席位集中度信号是否有效时
- 当用户需要生成商品期货横截面
buy/sell/hold候选信号时
因子逻辑
- 核心假设:前5大净多(或净空)席位持仓保证金占全市场超过60%时,主力方向高度一致,价格跟随主力运动。
- 多头集中度:
bull_ratio = sum(top5 net_margin by 净多) / sum(abs(net_margin) all brokers) - 空头集中度:
bear_ratio = sum(abs(top5 net_margin by 净空)) / sum(abs(net_margin) all brokers) - 原始权重:
raw_weight = bear_ratio - bull_ratio(正值代表空方更集中,负值代表多方更集中) - Level 路径:对
raw_weight做 60日滚动 Z-score →zscore_level,min_periods=20 - Delta 路径:对
raw_weight做一阶差分后再做 60日滚动 Z-score →zscore_delta,min_periods=20 - 混合:
factor_value = 0.5 × zscore_level + 0.5 × zscore_delta(两路同时有值才保留,等权) - 信号门槛:
bull_ratio > 0.6 AND factor_value > 0 AND rank ≤ 前90%→ buy;bear_ratio > 0.6 AND factor_value < 0 AND rank ≥ 后10%→ sell(BUY_QUANTILE=SELL_QUANTILE=0.1) - 排序方向:
factor_value越大越好(横截面降序排名,rank=1 为最高)
输入数据
因子计算必须使用 Panda data SDK,不读取本地表格作为正式输入。
| 字段 | 说明 | 来源 |
|---|---|---|
| date | 交易日期 | panda_data.get_broker_netmarg |
| underlying_symbol | 期货品种代码 | panda_data.get_broker_netmarg |
| broker | 席位名 | panda_data.get_broker_netmarg |
| net_margin | 净持仓保证金,正为净多,负为净空 | panda_data.get_broker_netmarg |
输出结果
| 字段 | 说明 |
|---|---|
| trade_date | YYYY-MM-DD 交易日 |
| asset_type | 固定为 future |
| symbol | 期货品种代码 |
| factor_id | 固定为 F5 |
| factor_name | 固定为 会员持仓集中度 |
| factor_value | Level Z-score 与 Delta Z-score 的等权混合值(各60日滚动),不限制在 [-1, 1] |
| score | 当日横截面百分位评分,范围 [0, 100] |
| rank | 当日横截面整数排名,1 为最优 |
| signal | buy / sell / hold |
| confidence | score / 100 |
| data_version | 固定为 real-v2 |
| update_time | ISO8601 生成时间 |
因子评价标准
Alpha 任务需要同时报告因子预测能力和策略层表现。
| 分类 | 指标 | 方向 | 说明 |
|---|---|---|---|
| Factor Predictive Power | IC |
越高越好 | 因子值与下一期收益的 Pearson 相关 |
| Factor Predictive Power | ICIR |
越高越好 | IC 均值 / IC 标准差 |
| Factor Predictive Power | Rank IC |
越高越好 | 因子排名与下一期收益排名的 Spearman 相关 |
| Factor Predictive Power | Rank ICIR |
越高越好 | Rank IC 均值 / Rank IC 标准差 |
| Strategy Performance | IR(SHR*) |
越高越好 | 多空组合收益的信息比率/年化 Sharpe 近似 |
| Strategy Performance | CR |
越高越好 | 累计收益 / 最大回撤绝对值 |
| Strategy Performance | ARR(%) |
越高越好 | 年化收益率 |
| Strategy Performance | MDD(%) |
越低越好 | 最大回撤 |
硬性要求:
- 不允许未来函数:因子在
t日形成时,只能使用t日及以前可获得的席位净持仓。 - 回测收益使用 Method A:
t日主力同一合约的t+1 close / t close - 1,换月价差不计入收益。 - MVP 不计手续费、滑点、保证金占用和换仓成本。
使用方式
python scripts/factor.py
python scripts/validate.py
python scripts/backtest.py
运行前需要设置 PANDA_DATA_USERNAME 和 PANDA_DATA_PASSWORD。可选设置 PANDA_DATA_START_DATE、PANDA_DATA_END_DATE 和 PANDA_DATA_UNDERLYING。
Agent 执行规则
- 先运行
scripts/factor.py,确认 Panda data 返回真实席位净持仓,且因子结果非空。 - 再运行
scripts/validate.py,确认无未来函数、字段完整、取值范围合法、信号枚举合法、样本外切片可用。 - 最后运行
scripts/backtest.py,输出两组指标:- 研究口径:
IC/ICIR/IC_p/Rank IC/Rank ICIR/Bootstrap IC 95% CI/多周期 IC 衰减(1D/2D/3D/5D/10D/20D)/ARR(%)/MDD(%)/CR/分层收益/多空收益/换手率/换月次数/成本敏感性(0/0.05%/0.15%/0.30% 四档)。 - 可交易口径:
tradeable_ARR(%)/tradeable_IR(data_lag=1 日,换月成本 5bps,交易成本 5bps)。
- 研究口径:
- 如果任一步失败,必须报告失败命令、错误信息和数据日期,不得进入生产。
成功标准
factor.py输出非空,包含 12 个必需字段,factor_id=F5,data_version=real-v2。validate.py输出验证通过信息。backtest.py输出研究口径和可交易口径两组指标,包含多周期 IC 衰减(1D-20D)、Bootstrap IC 95% CI、成本四档分析和可交易 ARR/IR。- 数据来源为 Panda data SDK,不读取本地文件作为正式输入。
边界
本 skill 仅用于研究和验证,不构成投资建议,不承诺收益,不代表任何平台或组织的官方背书。不得记录、提交或传播 Panda data 凭据。
验收要求
- 不允许未来函数。
- 必须有样本外验证。
- 必须有回测指标。
- 必须使用 PandaAI data 或项目指定数据源实现。
- 不通过验证不得进入生产。
依赖
- Python 3.10+
- panda-data
- pandas
- scipy
- pyarrow 或 fastparquet
与生产产物的关系
开发产物用于计算、验证和回测;生产产物用于读取已生成结果。在生产查询时应使用 alpha-f5-member-position-concentration-production,不要临时重算因子。