jh-factors 0.1.4

jiuhuang factors calculation package

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: FF3、FF5、CARHART、NOVY_MARX、HOU_XUE_ZHANG、DHS、CAPM
• 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

模型	因子	说明
CAPM	MKT	CAPM单因子（市场超额收益）
FF3	MKT, SMB, HML	Fama-French三因子模型
FF5	MKT, SMB, HML, RMW, CMA	Fama-French五因子模型
CARHART	MKT, SMB, HML, UMD	Carhart四因子（加入动量）
NOVY_MARX	MKT, SMB, RMW, CMA	Novy-Marx四因子
HOU_XUE_ZHANG	MKT, ME, IA, ROE	Hou-Xue-Zhang四因子
DHS	MKT, SMB, IDIO_VOL	Daniel-Hirshleifer-Sun三因子

数据原则

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：

交易日期	强制使用的报告期	说明
5月1日 - 8月31日	Q1 (0331)	此时年报和一季报肯定都已出齐
9月1日 - 10月31日	Q2 (0630)	此时中报肯定已出齐
11月1日 - 次年4月30日	Q3 (0930)	此时三季报肯定已出齐

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

使用示例：

# 在 get_financial_data 中传入 trade_date 参数启用PIT原则
financial_data = data_provider.get_financial_data(
    data_type="LRB",
    trade_date="2024-06-15"  # 6月15日 -> 对应Q1(0331)报告期
)

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.