公募量化因子挖掘与信号生成实战

📚 共计 30 章节

量化因子初探

什么是量化因子？因子投资的前世今生，公募基金为何需要因子挖掘？

金融数据获取与清洗 (Tushare/AkShare)，数据对齐与缺失值处理实战。

单因子构建基础

基于行情数据的经典因子 (动量、反转、波动率) Python实现。

动量波动率

因子评价体系

IC/IR分析、分层回测、多空组合收益计算，用Python搭建评价框架。

因子相关性分析

皮尔逊与斯皮尔曼相关系数，因子共线性诊断与处理策略。

统计共线性

因子标准化与中性化

Z-score标准化、市值/行业中性化处理，Python代码实现。

预处理中性化

多因子合成

等权加权、IC加权、IR加权、最大化IR组合，Python实现与对比。

市场状态划分 (牛熊/震荡)，因子在不同市场下的表现差异与动态配置。

另类数据因子

舆情因子 (情感分析)、新闻热度因子，基于NLP的简单实现。

高频因子初探

基于Tick数据的微观结构因子 (买卖压力、订单不平衡)。

基本面因子

盈利因子、成长因子、估值因子、财务质量因子的构建与回测。

基本面财务

机器学习因子

使用线性回归、岭回归、Lasso进行因子合成与特征选择。

回归特征选择

树模型因子挖掘

随机森林、XGBoost、LightGBM在因子挖掘中的应用。

XGBoostLightGBM

神经网络因子

简单MLP (多层感知机) 用于因子预测，Keras/TensorFlow实战。

IC序列的自相关分析，因子有效半衰期计算与监控。

衰减半衰期

因子拥挤度

拥挤度指标构建 (因子收益相关性、持仓重叠度)，拥挤预警信号。

因子组合优化

均值-方差优化、风险平价、Black-Litterman模型在因子组合中的应用。

优化Black-Litterman

信号生成框架

从因子到信号的映射 (分位数法、阈值法)，信号平滑与去噪。

信号回测引擎

事件驱动回测框架搭建，滑点、手续费、冲击成本模拟。

回测事件驱动

信号绩效评估

夏普比率、最大回撤、Calmar比率、胜率、盈亏比，Python计算。

过拟合检测

交叉验证、滚动窗口测试、置换检验，识别虚假因子。

过拟合检验

因子生命周期

因子发现、因子拥挤、因子衰减、因子失效，全生命周期管理。

生命周期管理

公募基金约束

仓位限制、流动性约束、双10%约束、投资范围限制对因子信号的影响。

行业因子与风格因子

Barra模型简介，行业因子与风格因子 (规模、价值、动量) 的剥离。

事件驱动因子

财报超预期、分析师上调、股权激励、回购等事件因子构建。

事件超预期

利率、通胀、信用利差、VIX等宏观变量对因子收益的影响分析。

因子归因分析

Brinson归因、Campisi归因，理解因子收益来源。

因子监控仪表盘

使用Python (Dash/Streamlit) 搭建实时因子监控看板。

A股市场多因子选股策略全流程 (数据→因子→信号→回测→分析)。

课程总结与展望

因子挖掘的未来趋势 (深度学习、强化学习、大语言模型)，职业发展建议。