因子 - 计算方法详解

SIMPLE vs CLASSIC

维度	SIMPLE（默认）	CLASSIC
分组方法	中位数二分	分位数断点（如 30%/70%）
组合加权	等权平均	市值加权
分组维度	单变量独立排序	多变量独立排序 (2x3 等)
计算速度	快	较慢
学术严谨性	一般	接近学术论文实现

因子计算需要先准备符合 schema 的数据帧。最简方式是 load_ts_factor_inputs()，返回可直接传给 calculate_factor_returns() 的输入：

from jh_quant.factors import calculate_factor_returns, load_ts_factor_inputs

inputs = load_ts_factor_inputs(
    start_date="2020-01-01",
    end_date="2024-12-31",
    period="M",
)

SIMPLE 方法

每个因子按对应变量独立排序后二分（high / low）：

smb = 小市值股票等权均值 - 大市值股票等权均值
hml = 高 BM 股票等权均值 - 低 BM 股票等权均值

ff3 = calculate_factor_returns(
    "ff3",
    **inputs,
    method="simple",  # 默认值
)

CLASSIC 方法

以 FF3 CLASSIC 为例：

Size 分组: small（市值 <= 中位数）/ big（> 中位数）
Value 分组: low (bottom 30%) / medium / high (top 30%)

6个交叉组合的市值加权收益率:
  S/L S/M S/H  B/L B/M B/H

SMB = (S/L + S/M + S/H)/3 - (B/L + B/M + B/H)/3
HML = (S/H + B/H)/2 - (S/L + B/L)/2

ff3 = calculate_factor_returns(
    "ff3",
    **inputs,
    method="classic",
)

各模型 CLASSIC 分组配置

模型	排序维度	分组
FF3	size(50%), bm(30%/70%)	2x3
FF5	size(50%), bm(30%/70%), op(30%/70%), inv(30%/70%)	2x3x3x3
Carhart	size(50%), bm(30%/70%), momentum(30%/70%)	2x3x3
HXZ	size(50%), asset_growth(30%/70%), roe(30%/70%)	2x3x3
SY4	size(50%), mgmt(20%/80%), perf(20%/80%)	2x5x5

日频 vs 月频

月频/日频在 load_ts_factor_inputs 的 period 参数选择："M" 直接使用 TS_MONTHLY_* 月频行情与 TS_MONTHLY_BASIC 月度基本面；"D" 使用日频行情并转换为月末收益：

# 月度因子（基本面使用 TS_MONTHLY_BASIC）
inputs_m = load_ts_factor_inputs(
    start_date="2020-01-01", end_date="2024-12-31", period="M",
)
ff3_m = calculate_factor_returns("ff3", **inputs_m)

# 日度因子（日频行情转月末收益）
inputs_d = load_ts_factor_inputs(
    start_date="2020-01-01", end_date="2024-12-31", period="D",
)
ff3_d = calculate_factor_returns("ff3", **inputs_d)

方面	月频	日频
数据量	~120个月/10年	~2500日/10年
计算速度	快	较慢
噪音	较低	较高
适用场景	资产定价研究	高频回测

性能优化

Polars 加速

# 启用 Polars（默认）
ff5 = calculate_factor_returns("ff5", **inputs, use_polars=True)

# 禁用（使用纯 pandas）
ff5 = calculate_factor_returns("ff5", **inputs, use_polars=False)

并行任务数

# 自动检测（默认，最多 4 核）
ff3 = calculate_factor_returns("ff3", **inputs)

# 单线程（调试用）
ff3 = calculate_factor_returns("ff3", **inputs, n_jobs=1)

# 指定核数
ff3 = calculate_factor_returns("ff3", **inputs, n_jobs=8)

数据过滤

计算过程中自动执行：

收益过滤：排除 return <= -1 或 return >= 10 的异常值
缺失值处理：NA 值归入 “low” 组
最小股票数：单日可用股票 < 20 只时跳过
财报匹配：仅使用 ann_date 已知且不超过 6 个月的财报数据

无风险利率

框架支持传入 SHIBOR 作为无风险利率（用于计算超额收益）：

ff3 = calculate_factor_returns(
    "ff3",
    **inputs,
    risk_free_rate=shibor,  # JHData().get_data(DataTypes.TS_SHIBOR, ...) 的返回
)

月度计算：使用 1 个月期 SHIBOR，转为月度利率（TS_SHIBOR 列名 f_1m，即 rf = f_1m / 100 / 12）
日度计算：使用隔夜 SHIBOR，转为日度利率（TS_SHIBOR 列名 on，即 rf = on / 100 / 360）

数据源统一用 tushare 的 TS_SHIBOR（akshare 的 SHIBOR 接口已不再更新）。列名兼容：传 DataTypes.TS_SHIBOR 的原始返回（date/on/f_1m/...）即可；旧 akshare 列名 on_rate/m1_rate 也仍被识别。

限定标的范围

通过 load_ts_factor_inputs 的 symbols 参数限定范围（省略时默认全市场）：

inputs = load_ts_factor_inputs(
    start_date="2020-01-01",
    end_date="2024-12-31",
    symbols=["000001.SZ", "000002.SZ", "600519.SH"],
)

ff3 = calculate_factor_returns("ff3", **inputs)