请根据以下 SEO 主题生成完整页面内容：

Title: joinquant 因子库应用：如何使用 jqlib.alpha191 快速计算与筛选股票？

Question: 如何在 joinquant 策略中导入并调用 jqlib.alpha191 库计算短周期阿尔法因子？

在 JoinQuant 中使用 jqlib.alpha191 计算阿尔法因子

在聚宽（JoinQuant）量化平台上，jqlib.alpha191 提供了基于国泰君安数量化研究报告的 191 个短周期交易型阿尔法因子（Alpha Factors）。通过该内置库，投资者可以方便地计算个股的因子值并进行多因子选股。

---

一、基本导入与调用方法

调用 Alpha191 因子非常简单，只需导入模块后指定股票池和查询日期即可：

# 1. 导入 Alpha191 库
from jqlib.alpha191 import *

# 2. 获取股票列表（例如所有 A 股股票）
end_date = '2023-01-01'
codes = list(get_all_securities(['stock'], date=end_date).index)

# 3. 调用指定的 alpha 因子（如 alpha_007）
factor_values = alpha_007(codes, end_date=end_date)

# 4. 查看特定股票的因子值
print(factor_values['000001.XSHE'])

---

二、Alpha191 因子函数说明与参数

Alpha191 中的因子函数（如 alpha_001, alpha_007 等）通常接收以下参数：

• code: 股票代码列表，支持 list 或 str 格式。
• end_date: 查询日期，格式为 'YYYY-MM-DD'。在回测中，建议传入 context.previous_date 以避免使用未来数据。
• 返回值: 返回包含各股票因子值的 Series 或 Dict，Key/Index 为股票代码，Value 为计算得到的因子数值。

---

三、策略实战示例：基于 Alpha191 选股并调仓

以下是一个在 JoinQuant 策略中按月/按周计算 alpha_007 因子并买入因子值最大前 10 只股票的完整示例：

import jqdata
from jqlib.alpha191 import *

def initialize(context):
    # 设定基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 设置交易手续费
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 设定时机：每月第一个交易日开盘前选股
    run_monthly(rebalance, monthday=1, time='09:30')

def rebalance(context):
    # 1. 获取沪深300成分股作为股票池
    stocks = get_index_stocks('000300.XSHG', date=context.current_dt)
    
    # 2. 计算 Alpha191 中的 alpha_007 因子
    # 使用 previous_date 避免未来函数
    factor_series = alpha_007(stocks, end_date=context.previous_date)
    
    # 3. 剔除 NaN 值并按因子值降序排序
    valid_factors = factor_series.dropna().sort_values(ascending=False)
    
    # 4. 选取因子值最大的前 10 只股票
    target_stocks = list(valid_factors.index[:10])
    
    # 5. 卖出不在目标池中的持仓
    for stock in context.portfolio.positions:
        if stock not in target_stocks:
            order_target(stock, 0)
            log.info("卖出股: %s" % stock)
            
    # 6. 等权重买入目标股票
    if len(target_stocks) > 0:
        weight_cash = context.portfolio.available_cash / len(target_stocks)
        for stock in target_stocks:
            order_value(stock, weight_cash)
            log.info("买入股: %s" % stock)

---

四、使用注意事项

1. 避免未来函数: 计算因子时，end_date 参数应传入当前交易日之前的时间（如 context.previous_date）。
2. 数据依赖限制: 部分因子内部包含较长的历史回溯窗口（如 504 个交易日），对于上市时间较短的新股可能会返回 NaN，在策略中需使用 .dropna() 进行过滤。
3. 回测模式设置: 建议开启动态复权 set_option('use_real_price', True)，以确保价格与成交量算出的因子数据更符合真实市场状况。