betaquant 0.6.4

Alpha Library: A high-performance rolling window calculation library implemented in Rust with Python bindings. Used for financial data analysis and factor research.

betaquant

高性能量化金融算子库。Rust 实现 + Python 绑定 (PyO3)。

提供因子量化交易中常用的滚动窗口高效计算。

项目源：py-alpha-lib

安装

pip install betaquant

授权（License Token）

betaquant 的算子受许可证（license）保护，使用前需持有有效的 license token。

取得机器指纹（机器绑定用）

import betaquant

machine = betaquant.machine_fingerprint()   # 跨 Linux/Windows，机器绑定以它为准
print(machine)

把该指纹提交给签发方，换取绑定到本机的 token。

启用 token：算子入口自动鉴权（推荐）

调用 set_license_token 把 token 设入进程级状态后，每个算子入口都会自动鉴权： 未授权 / 过期 / 未设 token 时算子直接抛 ValueError，无需在每次调用前手写判断。

import betaquant

token = "<从签发方取得的 license key>"
betaquant.set_license_token(token)   # 启动时一次

result = betaquant.ts_ma(data, 3)     # 已授权 → 正常计算
# 若 token 未设置 / 过期 / 该算子不在 allow，betaquant.ts_ma(...) 直接抛 ValueError

不调用 set_license_token 而直接调算子会抛 ValueError。这是与早期版本的关键区别： 鉴权不再依赖调用方自觉判断，而是内嵌在每个算子入口。

手动校验（可选）

也可显式验签或单独判断某算子是否授权（不改变进程级 token 状态）：

# 验签 + 校验（失败 / 过期 / 机器不符抛 ValueError），返回声明 dict
# 机器绑定自动按本机指纹校验，无需传 machine
claims = betaquant.verify_license(token)

# 判断某算子是否被授权（token 无效 / 过期直接返回 False）
if betaquant.license_allows(token, "ts_ma"):
    ...

授权语义（默认拒绝）：算子必须显式出现在 allow（或 allow 含 "*"）才放行； deny 优先级高于 allow。allow=[] 表示全部拒绝，并非不限制。

使用

上下文设置

通过 betaquant.set_ctx() 控制计算行为：

• groups — 数据数组中的标的数量。每个 group 独立并行处理。cc_rank 等截面算子要求 groups >= 2。
• flags — 位标志：
  • FLAG_SKIP_NAN (1)：滚动窗口中跳过 NaN。
  • FLAG_STRICTLY_CYCLE (2)：窗口未填满前返回 NaN（与 pandas rolling() 默认行为一致）。
  • 用 | 组合：flags=FLAG_SKIP_NAN | FLAG_STRICTLY_CYCLE

set_ctx 只更新传入的字段，其它字段保持当前值。要恢复默认 (groups=0, flags=0) 调用 betaquant.reset_ctx()。

如需只算某一段，请在调用前自行切片输入数组（如 betaquant.ts_ma(data[start:end], 3)）。

NaN 处理合约（所有滑窗算子）

输入条件	默认	FLAG_SKIP_NAN	FLAG_STRICTLY_CYCLE	两者同时
periods == 0	全 NaN（除累计语义算子）	全 NaN	全 NaN	全 NaN
当前位置是 NaN	NaN	NaN	NaN	NaN
窗口含 NaN（当前有效）	NaN	跳过窗口里的 NaN，对剩余有效值算	NaN	有效值数 < periods → NaN
i + 1 < periods（窗口未填满）	partial 输出	partial 输出	NaN	NaN

FLAG_SKIP_NAN 用 fixed-time-slot 语义：窗口固定 periods 个时间槽，里面的 NaN 被跳过。 不是 "expand-window 找最近 N 个有效值"。

少数算子有特殊"最少有效值"门槛：var/stddev/zscore ≥ 2，skewness ≥ 3，kurtosis ≥ 4， 不满足时仍返回 NaN。

非滑窗算子（ts_ema / ts_lwma / ts_dma / ts_sma / ts_sumbars / ts_ref / ts_barslast 等） 有自己的 NaN 语义，详见各算子文档。

截面算子（cc_*）的 NaN 处理

上表只适用于滑窗算子。截面算子（cc_rank / cc_zscore / cc_neutralize / cc_bins / cc_group_rank / cc_group_zscore）跨 group 维度计算，没有滚动窗口概念， 不受 FLAG_SKIP_NAN / FLAG_STRICTLY_CYCLE 影响，固定按下面的规则处理：

• 某个位置输入为 NaN ⇒ 该位置输出 NaN；
• 计算截面统计量（均值 / 标准差 / 排名 / 分箱）时自动剔除 NaN，只用有效值；
• 有效值不足时返回 NaN（如 cc_zscore / cc_group_zscore 需要 ≥ 2 个有效值， 否则该截面 / 组输出 NaN）。

也就是说截面算子始终是"跳过 NaN"的语义，无需也无法通过 flag 切换。

算子专门约束

少数算子对输入有额外要求，不满足时返回 NaN 或报错：

• ts_max_drawdown — 输入应为严格正的价格 / 权益曲线。 窗口里出现 ≤ 0 的 peak 时返回 NaN（百分比回撤无定义），不会静默返回 0。

• ts_dma / ts_sma — weight / alpha 必须是 [0, 1] 内的有限值； NaN、±inf、ts_sma(n=0, ...) 都会报 InvalidParameter，而不是产生 NaN 输出。

  import betaquant
  import numpy as np
  
  data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=np.float64)
  
  # 3 周期均线（预热阶段返回部分窗口结果）
  result = betaquant.ts_ma(data, 3)
  # [1.  1.5 2.  3.  4.  5.  6.  7.  8.  9.]
  
  # 严格模式：窗口填满前返回 NaN
  betaquant.set_ctx(flags=betaquant.FLAG_STRICTLY_CYCLE)
  result = betaquant.ts_ma(data, 3)
  # [nan nan 2.  3.  4.  5.  6.  7.  8.  9.]
  
  # 跳过 NaN（fixed-time-slot：窗口里跳过 NaN，剩余有效值算均值）
  betaquant.set_ctx(flags=betaquant.FLAG_SKIP_NAN)
  data_nan = np.array([1, 2, np.nan, 4, 5, 6, 7, 8, 9, 10], dtype=np.float64)
  result = betaquant.ts_ma(data_nan, 3)
  # [1.   1.5   nan 3.   4.5  5.   6.   7.   8.   9. ]
  # i=2 当前是 NaN ⇒ NaN；i=3 窗口 [2,NaN,4] valid [2,4] mean=3.0；
  # i=4 窗口 [NaN,4,5] valid [4,5] mean=4.5；之后窗口无 NaN，恢复正常。
  

命名规范

• 时序算子（rolling-window）以 ts_ 开头：ts_ma、ts_sum、ts_delta、ts_rank 等
• 截面算子（cross-sectional，跨 group）以 cc_ 开头：cc_rank、cc_zscore、cc_neutralize 等
• 元素级算子（max/min/abs/log/sign 等）无前缀

数据布局：扁平化的一维数组 [stock1_day1, stock1_day2, ..., stockN_dayM]，先按 securityid 再按 tradetime 排序。groups 参数告诉算子库每只股票的数据从哪里开始。

因子表达式 → Python 代码

使用 lang 模块把因子表达式（GTJA / WQ101 风格的 DSL）转成 Python 代码：

python -m betaquant.lang examples/wq101/alpha101.txt > factors.py

会读取 examples/wq101/alpha101.txt 中的因子表达式， 生成对应的、调用 betaquant 的 Python 代码。

跑生成的因子：

import betaquant
from factors import alpha_001

# 用合成面板做最小可运行例子；自己的数据用 polars.DataFrame 传入也行
data = betaquant.make_synthetic_panel(securities=50, trades=252)
ctx = betaquant.ExecContext(data)   # 自动推断 groups
result = alpha_001(ctx)

转译完成后可能仍需手动调整：

• 修正 float 与 bool 之间的类型转换
• 按需添加上下文设置

完整示例

GTJA Alpha 191

国泰君安 Alpha 191 因子集，190 / 191 已实现，见 examples/gtja191/。

python examples/gtja191/main.py

默认用 betaquant.make_synthetic_panel() 生成 50 股 × 252 天的合成面板，跑全部因子并打印 绩效统计。要换成自己的数据，直接调用 examples.gtja191.al.run(data=<polars.DataFrame>, alphas=[1, 2, 3])。

WorldQuant Alpha 101

完整实现 101 Formulaic Alphas，见 examples/wq101/：

• al/ — betaquant 实现（Rust 后端）

python examples/wq101/main.py

默认用合成数据跑全部 101 个因子。要换成自己的数据，编辑 wq101/main.py 顶部的 DATA_FILE 常量、或直接调用 examples.wq101.al.run(data_path=...) / run(data=<polars.DataFrame>)。

已支持的算子

完整函数签名与说明：python/betaquant/algo.md

入门示例

examples/quickstart/ 下放了几个最小可运行示例：

• usage.py —— 演示 set_ctx、各种 flag 与常见时序/截面算子
• rank.py —— 截面 rank 与 pandas 对比
• verify_sumif.py —— ts_sumif 行为验证
• full_demo.py —— 从 long-format DataFrame → matrix_transform → ExecContext → 因子计算 → 与 pandas 对照的端到端例子

python examples/quickstart/usage.py

开发

环境要求：

• Rust（最新 stable）
• Python 3.11+
• maturin

# 编译并以开发模式安装
maturin develop --release
cargo build --release
# 运行 Rust 单元测试
cargo test