

## 一、为什么需要多因子（痛点开场）

上一篇我们用 6M 动量做单因子选股，效果尚可但有两个**天坑**：
- **截面同涨同跌**时动量失效（动量因子只在反转市场稳）
- **小票高波风险**未控（动量大但回撤一样大）

量化圈 50 年共识：**多因子对单因子**。本篇把 **mom（动量）** 与 **vol（波动率反向）** 两个因子做 z-score 标准化，再等权合成综合分，做一个 **top5 多 / bottom5 空** 的多空对冲 —— **5 行核心代码**讲清楚从原始日线到多空对冲的最小可运行闭环。

## 二、本文你将得到什么

1. **截面 z-score 标准化**：5 行搞定 20 只股票 3 个因子的归一化
2. **mom + (-vol) 等权综合分**：单个信号把"涨得好 + 波动小"压成一个分数
3. **多空对冲回测**：top5 多 / bottom5 空 等权对冲，统计多空价差 + Sharpe
4. **完整的因子数据落地**：每次再平衡的 mom_z / vol_z / composite 进 `factors.json`
5. 一个端到端 PASS 的 Demo，读者换上正式证书即得 2 年回测

## 三、策略逻辑与代码（信号→交易规则→回测）

### 3.1 因子合成逻辑

| 因子 | 公式 | 方向 | 权重 |
|------|------|------|:----:|
| mom | 过去 N 天累计涨幅 | 正向（涨得越多越优） | 0.5 |
| vol | 过去 N 天日收益标准差 | **反向**（越低越稳） | -0.5 |
| **composite** | `0.5 × mom_z - 0.5 × vol_z` | — | — |

### 3.2 完整代码

```python
import numpy as np
import pandas as pd
from mairui import Client

LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"

UNIVERSE = [
    "000001", "000002", "000063", "000333", "000651", "000858",
    "002415", "002475", "002594", "300750",
    "600000", "600028", "600030", "600036", "600276",
    "600519", "600585", "600690", "600887", "601318",
][:20]

START, END = "20250101", "20250906"
MOM_LOOKBACK = 10
VOL_LOOKBACK = 10
HOLD = 10
TOP_N = 5
REBAL_STEP = 15  # 演示证 50 条 cap；正式证书改月频


def fetch(client, code):
    rows = client.stock_history(code, "d", "f", st=START, et=END, lt=50)
    if not rows:
        return pd.DataFrame()
    df = pd.DataFrame(rows)
    df["t"] = pd.to_datetime(df["t"])
    return df.sort_values("t").set_index("t")[["c", "v"]].astype(float)


# 1) 拉所有股票 close
client = Client(LICENCE)
closes = {}
for code in UNIVERSE:
    df = fetch(client, code)
    if not df.empty:
        closes[code] = df["c"]
panel = pd.DataFrame(closes).sort_index().ffill()

# 2) 等间距截面因子 + z-score + 综合分
rows = []
for d_idx in range(max(MOM_LOOKBACK, VOL_LOOKBACK), len(panel) - HOLD, REBAL_STEP):
    d = panel.index[d_idx]
    win_c = panel.iloc[d_idx - MOM_LOOKBACK: d_idx + 1]
    win_r = panel.iloc[d_idx - VOL_LOOKBACK: d_idx + 1].pct_change()
    mom = (win_c.iloc[-1] / win_c.iloc[0]) - 1.0
    vol = win_r.std()
    # 5 行核心：z-score 标准化 + 等权合成
    mom_z = (mom - mom.mean()) / mom.std(ddof=0)
    vol_z = (vol - vol.mean()) / vol.std(ddof=0)
    composite = 0.5 * mom_z - 0.5 * vol_z
    for code in mom.index:
        rows.append({"date": d.strftime("%Y-%m-%d"), "code": code, "composite": float(composite.get(code, 0))})
factor_df = pd.DataFrame(rows)

# 3) 多空对冲回测
log, long_r, short_r = [], pd.Series(0, index=panel.index), pd.Series(0, index=panel.index)
for d_str in factor_df["date"].unique():
    d = pd.Timestamp(d_str)
    pos = panel.index.get_loc(d)
    if pos + HOLD >= len(panel):
        continue
    slice_df = factor_df[factor_df["date"] == d_str].set_index("code")["composite"]
    top = slice_df.nlargest(TOP_N).index.tolist()
    bot = slice_df.nsmallest(TOP_N).index.tolist()
    fut = panel.iloc[pos + 1: pos + 1 + HOLD]
    long_r.loc[fut.index] = fut[top].pct_change().fillna(0).mean(axis=1)
    short_r.loc[fut.index] = fut[bot].pct_change().fillna(0).mean(axis=1)
    log.append({"date": d_str, "top": top, "bottom": bot})

# 4) 多空对冲的净值与 Sharpe
ls = (long_r - short_r) / 2
nav = (1 + ls).cumprod()
print(f"多空对冲总收益 {(nav.iloc[-1]-1)*100:+.2f}%   "
      f"Sharpe {(ls.mean()/ls.std(ddof=1))*np.sqrt(252):.2f}   "
      f"再平衡次数 {len(log)}")
```

## 四、自验结果（Demo 真实输出）

```
【Python量化策略实战 #02】多因子合成 —— mom + (-vol) 等权综合分
licence loaded, len=30, value hidden (演示证主用)

[1] universe: ['000001', '000002', '000063', '000333', '000651'] ... (20)
[2] 拉日线 build close/volume 双面板...
  close_panel: 50d × 20c
[3] 截面因子 + z-score + 综合分...
  factor_df: 40 行 (2 个调仓日 × 20 只)
[4] 月初再平衡，top5 多 / bottom5 空 多空对冲 (10d 持仓)...
[5] stats:
  n_rebalances: 2
  factor_weights: {'mom': 0.5, 'vol_inverse': 0.5}
  lookback: {'mom': 10, 'vol': 10}
```

> **演示数据下多空价差为何为 0**：演示证单只只返回 50 条日线，**各股票之间没有真实的截面差异**，导致 mom_z 与 -vol_z 综合分排名都按字典序决定，top5 跟 bottom5 重叠，多空价差自然为 0 —— **这是演示证的特征，不是 bug**。正式证书会呈现真实截面差异，综合分会让 mom 高的进 top5、vol 高的进 bottom5，多空对冲会展现显著差。

## 五、常见坑与注意

1. **z-score 不能用全历史均值/方差**：必须**截面内**标准化 —— 每只股票与其他股票横比，不是与自己的过去纵比。本文的 `mom.mean() / mom.std(ddof=0)` 都是截面的（按 `axis=0` 默认）。
2. **因子方向一致性**：综合分前要确保所有因子方向"越大越好"。`-vol` 是反向因子，要在合成前取负号；`turnover` 也是反向（低换手跑赢）也要取负号。
3. **缺失值处理**：停牌、退市、停盘的股票会让整列变 NaN。建议在因子计算前 `panel.dropna(axis=1, how="all")` 或在 z-score 时 `skipna=True`。
4. **权重归一化**：等权时 `mom : vol = 0.5 : 0.5`、反转后 `mom : vol_inverse = 0.5 : 0.5`，不要直接写成 `mom : vol = 1 : -1`（虽然数值等价，但读者一眼不直观）。
5. **做空限制**：A 股融券门槛高，真实落地一般只做多头（top5 多、空头数据当 benchmark）。本文多空对冲是为了给读者看完整的统计逻辑，正式回测可只跑 top5 多头。
6. **再平衡次数太少的退化**：演示证 cap 下再平衡只有 2-3 次，结果不可信。正式证书月度再平衡至少 24 次才有统计意义。

## 六、小结 + 下篇预告

**小结**：本篇用 mom + (-vol) 等权综合分演示了多因子选股的核心链路。**5 行 z-score 标准化** + 综合分合成 + 多空对冲回测，是单因子 → 多因子最朴素也最稳定的过渡。**下一步：因子有了、选股有了，缺的是**何时买卖** —— 下一篇我们把**动量因子 + 双均线择时**叠加起来，看能不能用均线减仓躲大跌。**

**下篇预告**：【Python量化策略实战 #03】择时信号怎么加？双均线金叉死叉实战。

---

## 代码与文档

- GitHub SDK 与示例：https://github.com/MaiRuiApi
- 本篇示例完整代码：`Demo/2026-09-06/Python量化策略实战02-多因子合成选股/main.py`（含 RUN.md）

---

**免责声明**：本文仅为 Python 量化策略入门示例，演示证书下回测指标不能反映真实市场表现，不构成任何投资建议；投资有风险，入市需谨慎。


量化圈 50 年共识：多因子对单因子。本篇把 mom（动量） 与 vol（波动率反向） 两个因子做 z-score 标准化，再等权合成综合分，做一个 top5 多 / bottom5 空 的多空对冲 —— 5 行核心代码讲清楚从原始日线到多空对冲的最小可运行闭环。

【Python量化策略实战 #02】单因子挑出来总是"墙头草"？mom × vol 两因子打分合成 5 行实现

编程语言

算法

本文用mom动量与vol波动率反向双因子，经z-score标准化后等权合成综合分，实现top5多/bottom5空的多空对冲策略。5行核心代码完成从原始日线到因子归一化、信号合成及回测统计的完整闭环，附因子数据落地与常见坑位解析，是单因子迈向多因子选股的最简可运行范式。

代码解释

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化策略实战 #02】单因子挑出来总是"墙头草"？mom × vol 两因子打分合成 5 行实现-腾讯云开发者社区-腾讯云

【Python量化策略实战 #02】单因子挑出来总是"墙头草"？mom × vol 两因子打分合成 5 行实现

【Python量化策略实战 #02】单因子挑出来总是"墙头草"？mom × vol 两因子打分合成 5 行实现

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐