Alpha101 是 Zura Kakushadze 论文《101 Formulaic Alphas》(arXiv:1601.00991) 的完整 Python 实现，提供 101 个真实量化交易 alpha 因子，公式即代码。
用途 该工具包面向量化因子研究与回测，将论文中的 101 个 alpha 因子以 Python/Pandas 代码形式实现，支持因子计算、因子 IC/IR 测试以及单因子回测的一体化流程。
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
主要能力
- 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)
-
因子IC测试 python scripts/compute_ic.py --data <path> --output results/
-
单因子回测 python scripts/backtest_alpha.py --alpha 101 --data <path>
因子分类
- 纯价量: #1-#47, #49-#55, #60, #61, #71-#74, #84, #88, #101；输入 OHLCV + VWAP
- 行业中性化: #48, #56, #58-#59, #63, #67, #69-#70, #76, #79-#82, #87, #89-#91, #93, #97, #100；输入需行业分类
- 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
使用方式 通过导入 scripts.alpha101 模块调用 compute_alphas 或单个 alpha 函数进行因子计算；使用 compute_ic.py 脚本进行因子 IC/IR 计算；使用 backtest_alpha.py 脚本进行单因子回测。
适用场景 适用于量化因子研究、因子筛选、样本外验证、组合构建与回测等场景。
限制与注意事项
- 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