joinquant 因子开发实战：如何测试自定义因子的 IC 与收益率？

在多因子量化选股策略的开发过程中，评估因子的有效性（即因子评价）是至关重要的一步。JoinQuant（聚宽）平台提供了强大的 jqfactor 模块，方便量化投资者编写自定义因子并进行 IC（Information Coefficient）及分组收益分析。

本文将手把手带你通过 Python 代码实现自定义因子的编写、计算以及使用 analyze_factor 工具完成单因子分析。

一、准备工作与逻辑步骤

评估一个自定义因子的有效性通常包含以下三个步骤：

1. 继承 Factor 类：定义因子的计算逻辑、依赖数据和滑动窗口。
2. 计算因子值：生成指定股票池（如沪深300）在一定时间范围内的因子矩阵。
3. 单因子分析（analyze_factor）：评估因子的 Rank IC、IC 均值、IC 衰减以及分位数分组收益率。

二、代码实现：编写与测试自定义因子

以下示例展示了如何编写一个简单的自定义因子 GROSSPROFITABILITY（毛利率/总资产），并对该因子在沪深300成分股上的 IC 值及分组收益进行评估。

import numpy as np
import pandas as pd
from jqfactor import Factor, analyze_factor

# 1. 定义自定义因子类
class GrossProfitability(Factor):
    # 因子名称（不可与基础因子重名）
    name = 'gross_profitability'
    # 获取数据的最大时间窗口（天）
    max_window = 1
    # 依赖的基础财务数据或价量数据
    dependencies = ['total_operating_revenue', 'total_operating_cost', 'total_assets']

    def calc(self, data):
        """
        计算因子值的核心函数
        """
        # 获取依赖数据（DataFrame 结构：index为日期，columns为股票代码）
        total_revenue = data['total_operating_revenue']
        total_cost = data['total_operating_cost']
        total_assets = data['total_assets']
        
        # 因子计算逻辑：(营业总收入 - 营业总成本) / 总资产
        gross_profit = (total_revenue - total_cost) / total_assets
        
        # 由于 max_window=1，返回1行N列的DataFrame，需转为 Series (index为股票代码)
        return gross_profit.iloc[0]

# 2. 运行单因子分析
far = analyze_factor(
    factor=GrossProfitability,             # 传入因子类
    universe='000300.XSHG',               # 测试股票池：沪深300
    start_date='2021-01-01',               # 开始日期
    end_date='2022-12-31',                 # 结束日期
    quantiles=5,                          # 分组数：5分位
    periods=(1, 5, 20),                    # 调仓周期：1日、5日、20日
    weight_method='mktcap',               # 分组收益加权方式：市值加权
    industry='jq_l1'                      # 行业分类：聚宽一级行业
)

# 3. 查看 IC 与收益指标
print("=== 月度 IC 信息 ===")
print(far.ic_monthly)

print("\n=== 按分位数分组的平均收益率 ===")
print(far.mean_return_by_quantile)

# 4. 绘制全套分析图表（包括 IC 时间序列图、分位数累计收益图等）
far.create_full_tear_sheet()

三、核心评价指标解读

执行 analyze_factor 后，聚宽会自动计算并输出以下关键指标：

1. Rank IC（秩相关系数）

   • 衡量指标：衡量当期因子值与未来一期股票收益率的排序相关性。
   • 评价标准：绝对值大于 0.02 通常被认为具有预测能力；|IC| 越大且越稳定，因子质量越高。
   • 获取方法：通过 far.ic 访问每日 IC 值。

2. IC 均值与 IR（信息比率）

   • IR 计算：IR = Mean(IC) / Std(IC)。
   • 评价标准：IR 综合考量了因子的预测能力与稳定性，一般 IR > 0.5 表现优秀。
   • 获取方法：使用 far.calc_mean_information_coefficient() 接口获取。

3. 分位数分组收益（Quantile Returns）

   • 多空收益：观察 Top 分位数（如第5组）与 Bottom 分位数（如第1组）的累计收益差（多空组合收益）。
   • 单调性：优秀因子的分组收益率应从第1组到第5组呈现明显的单调递增（或递减）规律。

四、常见问题与注意事项

• 避免未来函数：Factor 类内部已处理好财务数据的披露延迟问题（如在T日只能获取到T日盘前已披露的最新财报），无需手动处理复权或防未来函数问题。
• 数据清洗：在实战策略应用前，建议对原始因子值使用 jqfactor.winsorize_med（中位数去极值）及 jqfactor.neutralize（行业与市值中性化）进行预处理。