- name
- a-share-multifactor-model
- description
- A股多因子模型/Barra风格因子分析。当用户说"多因子"、"multifactor"、"Barra"、"因子模型"、"风格因子"、"XX的因子暴露"、"因子收益率"、"风险模型"时触发。基于 cn-stock-data 获取行情和财务数据，构建多因子风险模型，分析因子暴露、因子收益、协方差矩阵。支持研报风格（formal）和快速分析风格（brief）。
A股多因子模型
数据源
SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"
# 个股K线（计算动量/波动率因子）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期]
# 实时行情（市值/PE/PB等）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],...
# 财务指标（ROE/营收增速等基本面因子）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]量化计算：
QSCRIPTS="$SKILLS_ROOT/a-share-multifactor-model/scripts"
# 多因子回归
python "$QSCRIPTS/multifactor_builder.py" --returns returns.csv --factors "size,value,momentum" --method olsWorkflow
Step 1: 确定因子体系
根据用户需求选择因子集：
- Barra CNE5 风格：Size/Beta/Momentum/ResidVol/NLSize/BP/Liquidity/EarningsYield/Growth/Leverage
- 自定义因子：用户指定的因子组合
- 通过 cn-stock-data 获取原始数据（行情+财务）
Step 2: 因子计算与标准化
- 从原始数据计算因子值
- 去极值（MAD 法 ±3 倍）
- 标准化（Z-score）
- 缺失值处理（行业均值填充）
Step 3: 截面回归估计因子收益
- 每期对股票收益 vs 因子暴露做 OLS 回归
- 回归系数即为因子收益率
- 计算因子收益的 t 统计量
Step 4: 构建风险模型
- 因子协方差矩阵（指数加权）
- 特质风险估计（回归残差的波动率）
- 股票层面的风险分解
Step 5: 输出
| 维度 | formal（完整因子报告） | brief（快速分析） |
|---|---|---|
| 因子定义 | 完整因子体系说明 | 仅列出因子名 |
| 因子收益 | 完整时序+统计检验 | 近期因子收益排名 |
| 暴露分析 | 个股因子暴露详表 | 关键因子暴露值 |
| 风险模型 | 协方差矩阵+特质风险 | 无 |
| 图表 | 因子收益累计曲线 | 无 |
默认风格：brief。用户要求"详细"/"完整模型"时切换为 formal。
关键规则
- 因子暴露需经行业和市值中性化处理
- 因子协方差使用半衰期 90 天的指数加权
- 特质收益率需检验正态性假设
- A 股需剔除 ST 股和次新股（上市<60日）
- 行业分类默认使用申万一级（31 个行业）