jh_factors

A股市场因子收益与个股因子暴露计算框架。

功能特性

• 多因子模型支持: CAPM、FF3、FF5、CARHART、NOVY_MARX、HOU_XUE_ZHANG、DHS、CH3、SY4、REVERSAL、LOW_VOL
• 因子收益计算: 独立排序，支持多种加权方案
• 个股暴露计算: 通过OLS回归估计滚动和混合beta
• 因子验证: 截距检验、Fama-MacBeth两步法回归
• 数据校验: 因子计算前进行数据预处理和质量校验
• 并行计算: 使用joblib实现并发计算

安装

uv add jh-factors

快速开始

计算因子收益

from jh_factors import calculate_factor_returns, FactorType

# 为A股所有股票计算Fama-French三因子收益
ff3_monthly = calculate_factor_returns(
    factor_type=FactorType.FF3,
    start_date='2020-01-01',
    end_date='2024-12-31',
    period='M',
)
print(ff3_monthly.head())

计算个股因子暴露

from jh_factors import calculate_exposures, FactorType

stock_returns = your_stock_returns_data  # DataFrame，含 [symbol, date, return] 列

# 计算滚动beta
exposures = calculate_exposures(
    stock_returns=stock_returns,
    factor_returns=ff3_monthly,
    period='M',
    lookback=36  # 36个月滚动窗口
)

验证因子有效性

from jh_factors import validate_factor, calculate_exposures

stock_returns = your_stock_returns_data  # DataFrame，含 [symbol, date, return] 列

exposures = calculate_exposures(
    stock_returns=stock_returns,
    factor_returns=ff3_monthly,
)

# 截距检验：检验因子收益是否显著不为零
intercept_result = validate_factor(
    factor_returns=factor_returns,
    stock_returns=stock_returns,
    method='intercept',
    alpha=0.05
)

# Fama-MacBeth回归：因子风险溢价的横截面检验
fama_result = validate_factor(
    factor_returns=factor_returns,
    stock_returns=stock_returns,
    factor_exposures=exposures,
    method='fama_macbeth',
    alpha=0.05
)

支持的因子模型

因子计算特别说明

DHS模型 - 预期盈余的替代计算

学术定义: SUE (标准化未预期盈余) = (实际EPS - 预期EPS) / std(实际EPS - 预期EPS)

当前实现: 由于无分析师一致预期数据，使用净利润同比变化率作为代理变量。

SUE ≈ (EPS_t - EPS_{t-4}) / std(EPS_t - EPS_{t-4})

即：当期净利润与去年同期净利润之差，除以其标准差。

理论基础: 若假设利润服从随机游走，则 $E(eps_t) = eps_{t-4}$，此时同比变化确实等于SUE。

NOVY_MARX模型 - 毛利因子与HML_ADJ行业调整

学术定义: GP/A = 毛利 / 总资产，毛利 = 营业收入 - 营业成本

当前实现: 使用 (revenue - cogs) / ta 计算，其中：

• revenue: 营业总收入
• cogs: 营业总支出（营业成本）
• ta: 总资产（从资产负债表获取）

HML_ADJ行业调整: hml_adj因子在分组时使用行业调整后的BM值：

• bm_adj = bm - median(bm within same industry)
• 即每个股票的BM减去其所在行业的BM中位数，再进行高低分组

REVERSAL模型 - 反转因子方向

学术定义: 短期反转因子 = 低收益率组合 - 高收益率组合（即"跌的多的未来涨的多"）

实现: REV因子计算为 low - high，做多过去20日跌幅最大的组，做空涨幅最大的组。

LOW_VOL模型 - 特质波动率

学术定义: 通过CAPM或FF3模型对日收益率做残差回归，取残差的标准差

当前实现: 使用日收益率的滚动20日标准差作为特质波动率的简化代理。

CH3模型 - 价值因子VMG

学术定义: VMG (Value Minus Growth) 在分组前先剔除市场市值最小的30%股票

当前实现: 在分组计算时暂未实现剔除逻辑，VMG与传统HML计算方式一致。

SY4模型 - 管理因子与绩效因子

学术定义:

• MGMT (管理因子): 综合资产增长率、应计项、净股票发行等指标
• PERF (绩效因子): 综合ROE、资产周转率变动、财务困境指标

当前实现:

• MGMT: 使用资产增长率 (asset_growth) 作为代理
• PERF: 使用ROE作为代理

数据原则

因子与数据映射

PIT原则（Point-in-Time）

获取财务报表数据时，采用PIT原则确定报告期，确保使用已披露的财务数据，避免使用距离交易日最近但尚未披露的财务数据。

报告期选择规则：

原则上最理想情况是结合公告日期，因为akshare提供的财报(东财接口)是最新修订的，理论上去年的财务数据也可能被修订过

前视偏差(Look-Ahead Bias)控制

所有因子计算均严格控制前视偏差：

• 股价数据：使用前复权数据
• 财务数据：确保PIT原则，使用已披露的财务数据

License

This project is licensed under the BSD 3-Clause License - see the LICENSE file for details.