因子 - 暴露计算与验证

暴露计算

基本用法

from jh_quant.factors import FactorEngine, FactorType
from jh_quant.data import JHData, DataTypes

engine = FactorEngine()

# 1. 计算因子收益率
ff3 = engine.calculate_factor_returns(
    factor_type=FactorType.FF3,
    period='M',
    start_date='2023-01-01',
    end_date='2024-12-31',
)

# 2. 获取个股收益率
jh = JHData()
stock_returns = jh.get_data(
    DataTypes.AK_STOCK_ZH_A_HIST_QFQ,
    symbol="000001,600519",
    start="2023-01-01",
    end="2024-12-31",
)

stock_returns = stock_returns[['symbol', 'date', 'pct_chg']].rename(
    columns={'pct_chg': 'return'}
)
stock_returns['return'] = stock_returns['return'] / 100

# 3. 计算暴露度
exposures = engine.calculate_stock_exposures(
    stock_returns=stock_returns,
    factor_returns=ff3,
    n_jobs=4,
)
print(exposures.head())

输出示例：

  symbol        date     alpha       mkt       smb       hml
0  000001  2024-12-31   0.0023    0.8956   -0.1234    0.4567
1  600519  2024-12-31  -0.0012    0.7234    0.0890   -0.2340

便捷函数

from jh_quant.factors import calculate_exposures

exposures = calculate_exposures(
    stock_returns=stock_returns,
    factor_returns=ff3,
    period='M',        # 影响默认 lookback
    lookback=36,       # 滚动窗口大小，默认 36（月频）/ 252（日频）
)

计算方法

暴露度通过 OLS 时序回归 计算：

r_i - r_f = alpha_i + beta_1 * MKT + beta_2 * SMB + beta_3 * HML + epsilon_i

底层使用 numpy.linalg.lstsq 拟合。

滚动窗口 vs 全样本

# 滚动窗口（默认）
exposures_rolling = engine.calculate_stock_exposures(
    stock_returns=stock_returns,
    factor_returns=ff3,
    n_jobs=4,
)

# 全样本（pooled OLS）
from jh_quant.factors.exposure import StockExposureCalculator

calc = StockExposureCalculator(min_observations=24, n_jobs=4)
exposures_pooled = calc.calculate_all_exposures(
    stock_returns, ff3, rolling=False,
)

因子验证

截距项验证

检验因子收益率序列是否显著不为零。

from jh_quant.factors.validators import validate_factor_intercept

result = validate_factor_intercept(ff3)
print(result.to_dataframe())

# 所有因子是否都在 5% 水平显著
print(result.is_all_significant())

输出格式：

factor	coefficient	t_statistic_nw	p_value_nw	significant_5pct
mkt	0.0082	2.08	0.041	True
smb	0.0034	1.72	0.089	False
hml	0.0056	2.35	0.022	True

Fama-MacBeth 两步验证

Step 1（横截面回归）：每个月用个股收益率对因子暴露度做横截面回归

Step 2（时序检验）：对风险溢价序列做 t 检验

from jh_quant.factors.validators import FamaMacBethValidator

validator = FamaMacBethValidator()

result = validator.validate(
    stock_returns=stock_returns,
    factor_returns=ff3,
    exposures=exposures,        # 可选，不传则自动计算
    nw_lags=12,
)

print(result.to_dataframe())

输出格式：

factor	mean_lambda	t_statistic_nw	p_value_nw	significant
mkt	0.0078	2.21	0.031	True
smb	0.0021	1.43	0.158	False
hml	0.0045	2.55	0.014	True

两种验证的区别

方面	截距项验证	Fama-MacBeth
检验对象	因子收益率均值是否非零	因子风险溢价是否显著
数据需求	仅需因子收益率	需要个股收益率 + 因子收益率
计算复杂度	低	高
学术地位	初步检验	黄金标准

一站式验证

from jh_quant.factors.validators import validate_factor

results = validate_factor(
    factor_returns=ff3,
    stock_returns=stock_returns,
    exposures=exposures,  # 可选
)

# results['intercept']: InterceptValidationResult
# results['fama_macbeth']: FamaMacBethValidationResult