用途：系统评估单个或多个因子的预测能力，通过 IC/IR 统计检验和分位数回测判断因子是否具备选股能力，并指导因子筛选与组合。适用场景包括单因子有效性检验（动量、价值、质量、波动率等）、多因子组合权重确定、因子衰减分析（不同持有期 IC 变化）、跨行业与跨市场因子差异比较。
工作流：先计算因子值，输出因子 CSV（index=date，columns=codes）；再计算收益，输出前向 N 日收益 CSV（结构相同）；然后调用 factor_analysis 工具，传入因子 CSV、收益 CSV 和输出目录；最后依据 IC/IR 标准与分位数回测结果判断因子有效性，保留有效因子并按等权或 IC 加权组合。关键点：因子 CSV 与收益 CSV 的行（日期）和列（标的代码）必须完全对齐，收益须为因子观测日之后的前向收益，避免前视偏差。
factor_analysis 参数：factor_csv（必填，因子值 CSV 路径）、return_csv（必填，收益 CSV 路径）、output_dir（必填，结果输出目录）、n_groups（可选，默认 5，分位组数）。输出文件包括 ic_series.csv（每日 IC 序列）、ic_summary.json（IC 均值、标准差、IR、IC>0 占比）、group_equity.csv（各分位组累计净值曲线）。
IC/IR 判读：IC 均值 >0.03 具备基本预测力，>0.05 较强，>0.10 异常偏高需检查前视偏差；IR>0.5 稳定有效，>1.0 极强且罕见；IC>0 占比 >55% 方向稳定，<50% 方向不稳定不可用。负 IC 也可用（反向因子），按绝对值判断并在使用时反转信号方向。
分位数回测：按因子值从低到高将标的分为 N 组（默认 5 组），组内等权持有。判读标准包括单调性（Group_1 到 Group_N 净值应单调上升或下降）、多空价差（最高与最低组净值差，越大选股力越强）、非线性（仅头尾组差异明显时因子可能只在尾部有效）、稳定性（组净值曲线应平滑）。警示信号：各组净值无实质差异说明因子无效；非单调（V 形或倒 V 形）可能为非线性关系需进一步分析；某组净值持续下跌可能可反向使用。
因子组合：等权组合（各因子标准化后等权求和，适合因子数少且 IC 差异小）；IC 加权组合（按历史 IC 均值分配权重，weight_i=|IC_mean_i|/sum(|IC_mean_j|)）；正交化组合（先用 Schmidt 过程正交化去除共线性，再等权组合，适合因子高度相关时）。
常见陷阱：前视偏差（因子用 T 日及之前数据，收益用 T+1 至 T+N）；因子分布偏斜（市值、换手率等右偏严重，需先做横截面 rank 或 Z-score 标准化）；行业中性化（同行业内因子值相似会导致选股集中，可在行业内做 Z-score 标准化，A 股可用申万一级行业）；样本量不足（每个横截面至少 5 个有效标的，分位回测至少需 n_groups 个标的）；因子拥挤（经典因子广泛使用后超额收益衰减，需定期检查 IC 时序演化）；幸存者偏差（仅用存活股票回测会高估表现，应使用含退市股票的全样本）。
依赖：pip install pandas numpy scipy。可复用 Alpha Zoo 注册表中 450+ 预置 alpha，每个 alpha 经 AlphaMeta 元数据校验（theme、universe、columns_required、decay_horizon、min_warmup_bars）并与 panel["close"] 做形状检查，出现 +/-inf 或 >95% NaN 会被拒绝。示例：from src.factors.registry import Registry；registry = Registry()；ids = registry.list(theme="momentum", universe="equity_cn")；factor_panel = registry.compute("alpha101_001", panel)；factor_panel.to_csv("factor_alpha101_001.csv")。多因子合成可参考 multi-factor 技能的 ZooSignalEngine，浏览目录可参考 alpha-zoo 技能。
产物放置：在回测或 swarm 运行中，将 output_dir 设为 <run_dir>/artifacts/factor/<factor_name>/，每个因子一个子目录，三个标准输出文件放在其中，便于 Run Detail 的 Factor 标签页渲染。