企业官网建设流程全解析

在量化交易这条路上，我见过太多人一上来就写一堆买卖点策略，结果回测曲线倒是好看，一上实盘就翻车。问题几乎都出在同一个地方：你没有搞清楚策略到底赚的是谁的钱。而决定这套逻辑能不能成立的核心，就是你用来筛选股票的因子。我这次专门写给刚入门的朋友，不讲那些复杂的机器学习模型，也不讲期权定价，就讲五个最基础、最容易上手、同时能真正反映市场逻辑的因子。这一篇是上篇，先不讲怎么拼接组合，而是把这五个因子各自是什么、为什么有效、代码怎么写、常见的坑在哪里，全部拆开说清楚。

我尽量用大白话讲，代码也尽量精简。只要你会一点Python，会pandas，跟着敲一遍，你就能在自己的电脑上算出这些因子，并且把它们用于之后的选股和回测。

1. 先搞清楚：量化交易里的“因子”到底是什么

很多新手第一次听到“因子”这个词，容易把它想得很玄。其实因子的本质就是一个可以量化的筛选条件，它用历史数据告诉你，哪些股票更有可能在未来一段时间内跑赢别的股票。你可以把它理解成一个“体检指标”，比如医生判断一个人健不健康，会看血压、心率、血脂，每个指标都有合理区间。金融市场里，因子就是资产的“体检指标”，比如动量、反转、波动率、流动性、质量。

为什么因子能让策略赚钱？因为市场经常会出现一些规律性的偏差。比如某只股票最近涨得猛，未来一段时间继续涨的概率会略高一点点；或者某只股票跌太多了，后面反弹的概率会变大。这些偏差在单个股票上可能很微弱，但当你用因子筛选出一篮子股票，长期反复执行，偏差就会累积成超额收益。这就是因子策略的本质：赚的是市场非完全有效的那部分钱。

这里有个关键点要先说清楚：因子不是万能的，它给的是概率，不是确定性。你筛选出来的十只股票里，可能有六只会涨，四只会跌，但只要这六只的涨幅大于四只的跌幅，整个组合就是赚钱的。所以做因子策略，永远要记得分散，不要押单票。

1.1 因子必须具备的两个属性：预测力与稳定性

不是随便一个指标都能叫因子。判断一个指标能不能用，主要看两件事。

第一是预测力。就是说，过去某个时间点上这个指标低的一组股票，未来收益是不是确实比指标高的那组股票更好（或者相反）。这个可以通过分组回测来验证。第二是稳定性。也就是这个规律不能只在一两年里有效，最好能在不同市场环境（牛市、熊市、震荡市）下都保持大致方向一致。如果某个指标今年有效明年失效，那它作为因子的可靠性就大打折扣。

我见过不少新手自己做研究，发现某个奇特指标在最近三年的数据里回测收益特别高，兴奋得不行。结果一拉长时间，或者换个时间段测试，收益就消失了。这种情况通常不是挖到了宝藏，而是过度拟合了噪音。所以后面写代码的时候，我建议你把数据分成两段：前面一段用来“发现规律”，后面一段用来“验证规律”，千万不要用同一段数据既做研究又做验证。

1.2 一个简单的因子计算框架

我们需要一个统一的数据结构来算所有因子。在Python量化里，最常用的是pandas的DataFrame，每一行代表一只股票在某一天的数据，列包括日期、股票代码、收盘价、成交量、成交额、财务指标等。因子计算本质上就是按股票代码分组，对时间序列做滚动计算。

我习惯先把基础数据准备好，做成一个干净的long format面板数据，然后用groupby加transform或者rolling来算因子。这样写出来的代码不仅简洁，速度也快。后面每个因子的代码示例，我都会基于这个框架来写，这样你看完五个因子，其实也就掌握了一套通用的数据计算套路。

2. 动量因子：强者恒强，最经典的进攻信号

先讲动量因子，因为它是量化里最古老、最广泛使用的因子之一，也是最容易理解的一个。动量因子的核心思想就是：过去一段时间涨得多的股票，未来一段时间倾向于继续涨；过去跌得多的，未来倾向于继续跌。A股里常说的“追涨”，其实就是在交易动量效应，只是散户往往是追在最高点，而量化会把动量当作一个统计规律来用。

2.1 动量效应的来源与解释

动量效应为什么存在？学术界给过很多解释，但最有说服力的有两条。第一是投资者反应不足。市场里的信息传播有快有慢，当一个利好出现时，不是所有人都能立刻意识到，价格会随着信息慢慢扩散而持续上涨。第二是羊群效应。很多人看到股票在涨，会跟风买入，这种跟风行为会让上涨趋势延续一段时间。

但要注意，动量效应并不是永远成立的，它也有失效甚至反转的时候。尤其是当市场风格急剧切换，比如一波热门股突然集体下跌，动量因子会短期回撤得很厉害。所以动量因子的持有周期和观察周期很关键。常见的观察周期有20天、60天、120天，对应的持有周期也不同。国内研究者发现，A股市场短周期动量（比如20天）效果更明显，但也更容易受交易成本和滑点影响。

2.2 Python实现动量因子

用Python算动量因子其实很简单，最常用的动量因子就是过去N个交易日的收益率。

import pandas as pd import numpy as np # 假设df是包含date、code、close（收盘价）三列的面板数据 # 先按股票代码和日期排序 df = df.sort_values(['code', 'date']) # 定义一个计算动量的函数：过去N日收益率 def momentum(df, n=20): # 按股票分组，计算每个股票的收益 df['momentum'] = df.groupby('code')['close'].transform( lambda x: x.pct_change(periods=n) ) return df # 调用示例 df = momentum(df, n=20)

这里用的是pct_change(periods=n)，意思就是拿今天的收盘价除以20天前的收盘价再减1，得到这20天的累计涨跌幅。注意periods=20在中文语境里容易混淆，它实际上用的是第0天到第20天的收盘价，也就是包含了20个交易日的区间。

实际使用中，我更推荐把动量分成“绝对动量”和“相对动量”。绝对动量就是上面直接算出的收益率，相对动量则是把每只股票的收益率在整个市场里排名，做截面标准化。因为市场大涨的时候，所有股票都有正的绝对动量，但这并不代表每只股票都值得买。相对动量可以过滤掉市场整体波动的干扰。

# 相对动量：截面排名标准化 df['mom_rank'] = df.groupby('date')['momentum'].rank(pct=True)

这一步做完后，mom_rank就代表每天每只股票在动量维度上的相对位置，数值在0到1之间，越大说明动量越强。做组合的时候，就可以按这个分数从高到低选股票了。

2.3 动量因子使用中的三个坑

第一，剔除刚上市的新股。新股上市初期波动巨大，动量数据往往失真，建议直接过滤掉上市不满60天的股票。

第二，注意动量因子的“刹车”。连续涨停的股票动量极高，但一旦打开涨停，往往就是大跌的开始。所以动量因子不能机械地用，最好结合价格是否偏离均线过远来判断，比如加上“乖离率”过滤，当乖离率超过某阈值时就剔除。

第三，交易成本是动量策略的隐形杀手。高频调仓的动量策略看起来收益高，但每次换手都要付佣金和冲击成本。新手建议设置一个调仓缓冲带，比如只有当动量排名变化超过20%时才调仓，减少不必要的交易。

3. 反转因子：别追涨，跌多了反而是机会

说完了强者恒强，接着就要讲一个逻辑完全相反的因子——反转因子。反转因子的思想是：过去一段时间跌得多的股票，未来倾向于涨回来；过去涨得太猛的，未来倾向于回调。这看起来跟动量直接矛盾，其实它们各自适应不同的时间尺度。

3.1 反转与动量的差异在哪里

动量因子一般用在相对较短或中等的周期，比如20天到60天，捕捉的是趋势延续。反转因子通常用在更短的周期（比如5天、10天）或者更长的周期（比如250天），捕捉的是过度反应后的价格修复。A股市场的散户占比高，情绪化明显，很多股票短期的暴涨暴跌往往超出基本面，所以短周期反转效应在A股是特别强的。

这里必须强调一下：动量和反转不是“二选一”，而是“看周期”。如果你用5天的涨跌幅做因子，大概率得到的是反转效应；如果用60天的涨跌幅做因子，大概率得到的是动量效应。我自己习惯的做法是：短周期（5-20天）做反转来选“超跌反弹”的标的，中周期（60-120天）做动量来选“趋势强者”，两者结合使用，而不是单押一边。

3.2 反转因子的Python实现

反转因子和动量因子在代码上几乎没有区别，只是方向相反。动量是过去N日收益率越高越好，反转是过去N日收益率越低越好。所以我们可以直接复用动量计算的逻辑，在选股时把排序方向反过来即可。

# 计算过去5日收益率（短期反转因子） def reversal(df, n=5): df = df.sort_values(['code', 'date']) df['reversal'] = df.groupby('code')['close'].transform( lambda x: x.pct_change(periods=n) ) # 反转因子：过去涨幅越小（甚至跌幅越大），未来越有可能上涨 return df # 使用：按reversal从小到大排序，选最小的那一批 df['rev_rank'] = df.groupby('date')['reversal'].rank(ascending=True)

这里跟动量有个容易踩坑的地方：计算出来的reversal是负值代表跌。做反转选股时，你以为要选reversal最小的，也就是跌最惨的，但实际操作中要特别注意流动性问题。往往跌最惨的那些股票，可能是出了重大利空，或者流动性枯竭，买进去之后继续跌的概率也不小。所以反转因子不能单独用，至少要叠加一个流动性过滤，或者叠加一个“跌幅不过度”的区间过滤。

3.3 反转因子实操中的注意点

我用反转因子最深的体会是：反转策略最怕的是“价值陷阱”。你以为跌多了会反弹，结果它一路阴跌，根本不给反弹机会。要避免这种情况，最好叠加两个条件：一是股票的基本面没有出现致命问题，比如营业收入和净利润不能连续下滑；二是下跌的过程中成交量要相对放大，说明有资金愿意抄底，而不是无人问津的缩量阴跌。

截面上做反转选股，也不建议选跌幅最大的前1%，而是选跌幅排在前10%到20%之间的股票。这样既捕捉了超跌反弹的机会，又躲开了极端弱势股的下跌惯性。

4. 波动率因子：低波动不是无聊，是稳赚

接下来这个因子，很多人会本能地觉得不对劲：波动大的股票才能赚大钱，波动小的股票涨得慢，怎么会是优质因子？但大量的研究和实盘数据都指向一个反直觉的现象——低波动率股票的组合，长期收益往往好于高波动率股票的组合。这在学术上叫做“低波动异象”。

4.1 低波动异象：为什么高波动股票反而让人失望

高波动股票之所以让人失望，主要有几个原因。第一，波动大的股票往往估值偏高，大量投机资金参与，未来收益被透支。第二，高波动的股票在计算收益率时容易被复利效应拖累——同样年均涨20%，高波动的路径可能是先涨50%再跌20%，而低波动的路径可能是平稳上涨，最后实际收益差异很大。第三，高波动股票回撤太大，实盘中很难拿得住，容易在低点割肉。

低波动因子还有一个操作上的巨大优势：它的换手率低，交易成本小。高波动策略往往需要频繁买卖，每次进出都贡献给券商和交易所，实际到手收益大打折扣。低波动组合则可以拿得比较久，省下不少摩擦成本。

4.2 波动率因子的Python实现

波动率因子最常见的计算方式，是过去N日收益率的标准差。标准差越大，波动越高。

# 计算过去20日收益率的标准差作为波动率 def volatility(df, n=20): df = df.sort_values(['code', 'date']) # 先算每日收益率 df['daily_ret'] = df.groupby('code')['close'].pct_change() # 再用滚动窗口算标准差 df['volatility'] = df.groupby('code')['daily_ret'].transform( lambda x: x.rolling(window=n, min_periods=n).std() ) return df # 使用：按volatility从小到大排序，选波动率最低的 df['vol_rank'] = df.groupby('date')['volatility'].rank(ascending=True)

如果你用的是分钟数据或者高频数据，也可以用日内价格振幅来算波动率，但对新手来说，日频收益率标准差已经够了。模拟数据测试时，大概用100只股票，每次选波动率最低的20只，持有一年，就能看出明显差异。

4.3 低波动因子的两个细节问题

第一个细节，是计算波动率时要用对数收益率，而不是简单收益率。简单收益率在股价出现极端值时会造成数据失真，比如一天跌停的股票，收益率为-10%，但第二天反弹时再涨停，简单收益率会造成复利计算偏差。对数收益率可以避免这个问题，代码上把pct_change()换成np.log(close / close.shift(1))就行。

第二个细节，是低波动因子在牛市里会跑输大盘，尤其是一波普涨行情里，高波动的题材股涨得飞起，低波动组合看起来就显得“太稳了”。所以用低波动因子时，心里要清楚它的定位——它不是用来博取市场最高收益的，而是用来控制回撤、平滑曲线的。当行情蒸蒸日上的时候，别随便换掉低波动策略去追热点，可能刚好追在风格切换的顶部。

5. 流动性因子：被忽视的隐形杀手

如果说前四个因子都在回答“买什么”，流动性因子回答的是“买不买得到、卖不卖得掉”。很多新手做回测时从不考虑流动性，结果策略收益曲线很漂亮，实盘一买把价格直接推高，一卖又把价格砸低，收益立刻蒸发一大截。流动性因子正是用来规避这些“看起来很能涨但实际无法交易”的股票。

5.1 为什么流动性直接决定策略能不能落地

流动性可以简单理解成交易的难易程度。流动性好的股票，买卖盘厚实，大资金进出不容易引起价格大幅波动；流动性差的股票，挂单稀疏，可能只有一手买盘，你卖100股就能把价格打下去几个百分点。

对于小资金来说，流动性差的影响可能还不明显，但当你管理的资金上了一个台阶之后，流动性几乎成了第一约束条件。哪怕因子得分再高，如果这只股票一天成交额只有几十万，也不可能重仓买入。所以流动性因子更像一个“门槛”，而不是一个“排名”：先在流动性维度上做过滤，再在剩余的股票里用其他因子排序。

5.2 换手率与成交额：流动性因子的关键指标

流动性最常用的代理指标有两个：换手率和成交额。换手率是成交量除以流通股本，反映的是股票的交易活跃度；成交额是总成交金额，反映的是资金参与的绝对规模。

在A股，我一般会用20日平均成交额作为流动性门槛，比如规定最近20天日均成交额必须大于5000万。注意这只是个示例阈值，你要根据自己的资金规模调整。如果资金量不大，可以放宽到2000万；如果资金量大，可能要提高到1亿以上。

代码实现也不复杂：

# 计算20日平均成交额 df['amount_ma20'] = df.groupby('code')['amount'].transform( lambda x: x.rolling(window=20, min_periods=20).mean() ) # 流动性过滤：只保留日均成交额大于5000万的股票 df_filtered = df[df['amount_ma20'] > 5000_0000]

这里要提醒一点，amount字段的数值单位要提前确认好。有些数据源的成交额单位是元，有些是千元，甚至有些是手，单位不统一会导致过滤阈值完全失真。拿到数据后第一步先做单位统一，这是新手最容易忽略的坑。

5.3 极低流动性陷阱的排查方式

我见过一个很典型的例子：某只股票的因子得分常年排在市场前几名，各项指标都非常漂亮，唯一的问题就是日成交额只有几十万。如果你不设流动性过滤，量化模型会反复选到它，但实盘一买入就开始后悔——盘口上根本没人卖给你。

排查方法其实很简单，把你因子得分最高的前50只股票拉出来，逐个看一下20日平均成交额。如果发现一大批股票的日均成交额都在1000万以下，那基本可以断定数据有异常，或者因子在某些边界条件下失效。这时候就该给策略加一道流动性过滤，而且方向不能反——绝不为了买入低流动性股票而降低过滤标准。

6. 质量因子：用财报筛选“好公司”

讲完四个偏交易行为的因子，最后一个要说的是质量因子。质量因子跟高频交易无关，它看的是上市公司的基本面——盈利能力、资产负债结构、现金流状况。它的核心逻辑非常朴素：好公司的股票，长期来看应该跑赢差公司。

6.1 质量因子为什么长期有效

质量因子的有效性，其实来自市场对基本面的定价不充分。很多人买股票只看概念、看消息、看技术图形，对公司财报数据一知半解，这导致那些真正赚钱能力强、财务稳健的公司反而经常被低估。当市场情绪退潮时，资金会重新关注基本面，质量因子的优势就显现出来了。

尤其值得关注的是，质量因子与其他因子的相关性通常较低。意思就是，当动量因子失效的时候，质量因子可能还在工作；当低波动因子在市场极端波动时暂时失灵，质量因子往往能起到稳定器的作用。在组合里加入质量因子，可以有效平滑净值曲线，降低系统性回撤风险。

6.2 质量因子的简化计算

如果用真实的财务数据来构建质量因子，最常用的指标包括ROE（净资产收益率）、毛利率、资产负债率、经营现金流与净利润之比等。不过对新手来说，可以先用一个简化版本：用ROE和毛利率两个指标做基础评分。

# 假设df包含code、date、roe（净资产收益率）、gross_margin（毛利率） # 先对每个指标做截面排名 df['roe_rank'] = df.groupby('date')['roe'].rank(pct=True) df['gm_rank'] = df.groupby('date')['gross_margin'].rank(pct=True) # 质量因子 = 两个排名的简单平均 df['quality'] = (df['roe_rank'] + df['gm_rank']) / 2

这里我用的是截面排名而非原始数值，因为不同行业、不同规模的公司在ROE和毛利率上天然存在巨大差异，直接用原始数值比较不同行业的股票会很不公平。如果你希望更精确一点，可以在行业内分别排名，然后再合成因子，这就是所谓的中性化处理，我会在中篇里详细展开。

6.3 质量因子的滞后性与调仓节奏

质量因子的最大缺点是滞后性。财报数据是按季度公布的，而且你拿到的都是上一个报告期的数字。这意味着质量因子的信息时效性远低于交易类因子，市场的认知可能已经发生变化，你却还在基于几个月前的财报做判断。

所以质量因子适合的调仓节奏要慢一些。我一般建议用质量因子选股时，调仓周期至少一个月以上，甚至一个季度调仓一次。太频繁的调仓既增加了交易成本，也浪费了财务数据的特性。

还要注意财报数据的“暴雷”风险。有些公司过去财务数据很好看，但财报公布后突然大幅修正或爆出财务造假，质量因子会瞬间失效。所以即使是质量因子选出来的组合，也要设置一个单票风险上限，避免个别暴雷股拖垮整个组合。

写在最后：上篇结束前，先记住这几件事

五个因子到这里就逐个讲完了。回顾一下：动量因子捕捉趋势延续，反转因子捕捉超跌反弹，波动率因子寻找稳健标的，流动性因子保障交易可行性，质量因子筛选基本面扎实的公司。每一个因子背后，都有一套市场运行逻辑在支撑，都不是凭空捏造的“玄学”。

不过我得再提醒一遍，这一篇讲的是单个因子各自是什么、怎么算。实际做一个策略时，很少有人会只用单一因子，因为单因子的波动太大，而且容易在某段行情里持续失效。真正有效的方法是做因子的组合和高低配，比如用流动性因子做过滤，用动量因子做进攻，用低波动因子和质量因子做防守，再通过一个打分模型把它们融合起来。

这些进阶内容，我打算放在中篇和下篇里详细讲。中篇会讲多因子组合的方法论，包括因子中性化处理、标准化、相关性检验和合成权重；下篇会讲完整的回测框架，包括如何做分组回测、如何计算超额收益、如何处理换手率、如何避免常见回测陷阱。每篇都会继续配Python代码，把你从“知道因子”带到“能跑通一套完整策略”。

最后说一句我的心里话：做量化交易，永远要把风险控制放在收益前面。因子给了你一条大概率成功的路径，但这只是步行的起点。数据质量、交易成本、实盘执行，每一步都可能让收益烟消云散。不要急着上大资金，先把自己的因子库跑熟，把回测框架跑透，再拿小资金去验证半年。这个过程看起来慢，实际上是最快的路。

如果你读完这一篇，能自己算出动量因子，或者用低波动因子筛出一篮子股票去观察，我觉得这篇就没白写。下一篇我们继续。