【Python量化策略实战 #02】多因子合成mom和vol两因子打分合成

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

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。