【期货量化进阶】期货量化交易策略因子挖掘方法（Python量化）-编程阁

一、前言

因子挖掘是量化交易的核心环节。好的因子能够带来稳定的超额收益。本文将介绍期货量化交易中的因子挖掘方法，包括技术因子、基本面因子、统计因子的挖掘技巧。

因子挖掘的基本流程
技术指标因子挖掘
价格形态因子挖掘
统计因子挖掘
因子有效性验证

二、为什么选择天勤量化（TqSdk）

优势	说明
数据完整	支持历史数据和实时数据
计算高效	pandas/numpy支持高效计算
指标丰富	内置多种技术指标
灵活扩展	支持自定义因子计算

安装方法：

pipinstalltqsdk pandas numpy scipy

三、因子挖掘基础

3.1 因子定义

因子是能够预测未来收益的变量，通常分为：

因子类型	说明	示例
技术因子	基于价格和成交量	均线、MACD
基本面因子	基于供需关系	库存、仓单
统计因子	基于统计特征	波动率、相关性
价量因子	基于价格和成交量关系	量价背离

3.2 因子挖掘流程

数据准备 → 因子计算 → 因子测试 → 因子筛选 → 因子组合

四、技术指标因子挖掘

4.1 均线类因子

#!/usr/bin/env python# -*- coding: utf-8 -*-""" 功能：均线类因子挖掘 说明：本代码仅供学习参考 """fromtqsdkimportTqApi,TqAuthfromtqsdk.tafuncimportmaimportpandasaspdimportnumpyasnpdefcalculate_ma_factors(klines):"""计算均线类因子"""factors={}# 不同周期均线ma5=ma(klines['close'],5)ma10=ma(klines['close'],10)ma20=ma(klines['close'],20)ma60=ma(klines['close'],60)# 因子1：价格相对均线位置factors['price_ma5_ratio']=klines['close']/ma5-1factors['price_ma20_ratio']=klines['close']/ma20-1# 因子2：均线斜率factors['ma5_slope']=(ma5-ma5.shift(5))/ma5.shift(5)factors['ma20_slope']=(ma20-ma20.shift(5))/ma20.shift(5)# 因子3：均线排列factors['ma_arrangement']=(ma5>ma10).astype(int)+(ma10>ma20).astype(int)+(ma20>ma60).astype(int)returnpd.DataFrame(factors)# 使用示例api=TqApi(auth=TqAuth("快期账户","快期密码"))klines=api.get_kline_serial("SHFE.rb2510",3600,200)api.wait_update()factors=calculate_ma_factors(klines)print(factors.head())api.close()

4.2 动量类因子

defcalculate_momentum_factors(klines):"""计算动量类因子"""factors={}# 收益率因子factors['return_1d']=klines['close'].pct_change(1)factors['return_5d']=klines['close'].pct_change(5)factors['return_20d']=klines['close'].pct_change(20)# RSI因子fromtqsdk.tafuncimportrsi factors['rsi']=rsi(klines['close'],14)# MACD因子fromtqsdk.tafuncimportmacd macd_data=macd(klines['close'],12,26,9)factors['macd']=macd_data['macd']factors['macd_signal']=macd_data['signal']factors['macd_hist']=macd_data['hist']returnpd.DataFrame(factors)

五、价格形态因子挖掘

5.1 K线形态因子

defcalculate_candle_pattern_factors(klines):"""计算K线形态因子"""factors={}# 实体大小body=abs(klines['close']-klines['open'])factors['body_ratio']=body/(klines['high']-klines['low'])# 上影线比例upper_shadow=klines['high']-klines[['open','close']].max(axis=1)factors['upper_shadow_ratio']=upper_shadow/(klines['high']-klines['low'])# 下影线比例lower_shadow=klines[['open','close']].min(axis=1)-klines['low']factors['lower_shadow_ratio']=lower_shadow/(klines['high']-klines['low'])# 涨跌判断factors['is_up']=(klines['close']>klines['open']).astype(int)returnpd.DataFrame(factors)

5.2 价格突破因子

defcalculate_breakout_factors(klines,window=20):"""计算突破因子"""factors={}# 突破高点high_max=klines['high'].rolling(window).max()factors['break_high']=(klines['close']>high_max.shift(1)).astype(int)# 突破低点low_min=klines['low'].rolling(window).min()factors['break_low']=(klines['close']<low_min.shift(1)).astype(int)# 突破幅度factors['break_high_ratio']=(klines['close']-high_max.shift(1))/high_max.shift(1)factors['break_low_ratio']=(low_min.shift(1)-klines['close'])/low_min.shift(1)returnpd.DataFrame(factors)

六、统计因子挖掘

6.1 波动率因子

defcalculate_volatility_factors(klines):"""计算波动率因子"""factors={}returns=klines['close'].pct_change()# 历史波动率factors['volatility_5d']=returns.rolling(5).std()factors['volatility_20d']=returns.rolling(20).std()# 波动率比率factors['volatility_ratio']=factors['volatility_5d']/factors['volatility_20d']# ATR因子fromtqsdk.tafuncimportatr atr_value=atr(klines,14)factors['atr']=atr_value factors['atr_ratio']=atr_value/klines['close']returnpd.DataFrame(factors)

6.2 相关性因子

defcalculate_correlation_factors(klines,klines2):"""计算相关性因子"""factors={}returns1=klines['close'].pct_change()returns2=klines2['close'].pct_change()# 滚动相关性factors['correlation_20d']=returns1.rolling(20).corr(returns2)returnpd.DataFrame(factors)

七、价量因子挖掘

7.1 成交量因子

defcalculate_volume_factors(klines):"""计算成交量因子"""factors={}# 成交量变化factors['volume_change']=klines['volume'].pct_change()factors['volume_ma_ratio']=klines['volume']/klines['volume'].rolling(20).mean()# 价量关系price_change=klines['close'].pct_change()factors['price_volume_corr']=price_change.rolling(20).corr(klines['volume'].pct_change())# OBV因子obv=(np.sign(klines['close'].diff())*klines['volume']).fillna(0).cumsum()factors['obv']=obv factors['obv_change']=obv.pct_change()returnpd.DataFrame(factors)

八、因子有效性验证

8.1 IC分析

defcalculate_ic(factor,forward_return,method='pearson'):""" 计算信息系数（IC） 参数: factor: 因子值 forward_return: 未来收益率 method: 'pearson' 或 'spearman' """ifmethod=='pearson':ic=factor.corr(forward_return)else:fromscipy.statsimportspearmanr ic,_=spearmanr(factor,forward_return)returnicdefanalyze_factor_ic(factors_df,returns,periods=[1,5,20]):"""分析因子IC"""ic_results={}forperiodinperiods:forward_returns=returns.shift(-period)ic_values=[]forcolinfactors_df.columns:ic=calculate_ic(factors_df[col],forward_returns)ic_values.append(ic)ic_results[f'IC_{period}d']=ic_valuesreturnpd.DataFrame(ic_results,index=factors_df.columns)

8.2 因子分层回测

deffactor_layering_backtest(factor,returns,n_layers=5):"""因子分层回测"""# 将因子分成n层factor_quantiles=pd.qcut(factor,n_layers,labels=False,duplicates='drop')layer_returns={}forlayerinrange(n_layers):layer_mask=factor_quantiles==layer layer_returns[layer]=returns[layer_mask].mean()returnpd.Series(layer_returns)

九、因子组合

9.1 因子合成

defcombine_factors(factors_dict,weights=None):"""合成多个因子"""ifweightsisNone:weights={k:1.0forkinfactors_dict.keys()}combined=Nonetotal_weight=sum(weights.values())forfactor_name,factor_datainfactors_dict.items():weight=weights[factor_name]/total_weightifcombinedisNone:combined=factor_data*weightelse:combined+=factor_data*weightreturncombined

十、总结

10.1 因子挖掘要点

要点	说明
数据质量	确保数据准确完整
因子逻辑	因子要有经济意义
有效性验证	通过IC和分层回测验证
因子组合	组合多个因子提高效果