什么值得买App下载 App ›
连续签到专享现金活动

QuantLab M2 因子信号管线实操指南:从因子挖掘到信号预测

量化交易的核心在于挖掘有效因子并构建预测模型。QuantLab 的 M2 因子信号管线提供了一套完整的解决方案,涵盖了从因子管理、质量验证、自动挖掘到最终信号产出的全流程。该模块基于 Alpha158 基础因子集,结合 LightGBM 模型进行日频截面预测,能够帮助用户系统化地验证因子逻辑并生成交易信号。
01环境准备与快速开始
  1. 安装依赖
    在 M1 数据环境就绪的基础上,需额外安装 LightGBM:pip install lightgbm,并确认 M1 数据已准备完毕。
  2. 初始化因子池
    进入 quantlab/signal 目录,运行初始化命令自动生成 158 个 Alpha158 基础因子:python factor_registry_cli.py init
  3. 验证因子质量
    对指定因子进行回测验证,评估其有效性:python factor_validate.py --expr "Mean($close, 20)/$close" --start 2021-01-01 --end 2024-12-31
  4. 执行信号预测
    基于当前因子池训练模型并输出某日的交易信号:python signal_alpha_predict.py --anchor-date 2024-06-28
02因子管理与质量验证
M2 管线通过 YAML 文件持久化管理因子池,支持用户自定义因子的增删改查。因子验证模块会计算 IC 均值、ICIR、多空夏普等核心指标,并根据预设标准自动判定因子质量,输出 accept(通过)、reject(拒绝)或 review(待定)结果。
判定结果IC 条件ICIR 条件相关性条件IC 正比率条件
AcceptIC > 0.02ICIR > 0.5最大相关 < 0.7IC 正比 > 55%
RejectIC < 0.01ICIR < 0.2最大相关 > 0.9-
Review介于 Accept 和 Reject 之间---

因子质量自动判定标准

03因子挖掘模式解析

四种挖掘模式

参数搜索

针对特定因子模板,搜索最优参数组合。

  • 适用场景:确定因子逻辑后寻找最佳窗口期。
  • 操作示例:在波动率因子中搜索 window=5,10,20,30,60 的最优值。
组合探索

通过字段、算子与窗口的笛卡尔积生成候选因子。

  • 适用场景:尝试不同量价字段与相关性算子的组合。
  • 逻辑:系统自动计算所有可能排列并按表现排序。
模板探索

基于自定义模板进行变量替换。

  • 适用场景:探索某一类公式(如布林带)的多种变种。
  • 逻辑:替换模板中的字段和窗口参数生成新因子。
全自动挖掘

大规模搜索空间内的全自动探索与注册。

  • 适用场景:无特定目标时的批量发现。
  • 逻辑:采样候选 → 验证 → 去冗余 → 自动排序,可选自动注册通过验证的因子。
04信号预测与 API 交互
信号预测模块使用 LightGBM 进行滚动训练,支持日频截面信号输出。系统会自动判断是否需要重训(每 20 个交易日或因子池变更时)。预测标签采用 T+1 到 T+2 的收益率,以适配 A 股 T+1 交易制度。用户可以通过 Python API 深度集成因子注册、验证和预测流程。
  • FactorRegistry(因子注册表)
    提供 add、remove、enable、disable 等方法管理因子池,支持按类别或来源查询因子,并能获取所有已启用因子的表达式用于模型训练。
  • FactorValidator(因子验证器)
    支持单因子验证、批量验证及横向对比,可计算 IC 衰减、自相关性及与现有因子的相关性矩阵,辅助进行增量评估。
  • FactorMiner(因子挖掘器)
    封装了四种挖掘模式的接口,支持自定义搜索空间(如字段、算子、窗口网格),并可直接调用 accept_and_register 方法批量注册优质因子。
  • AlphaSignalPipeline(信号生产)
    封装模型训练与预测逻辑,自动处理重训触发条件,输出每只股票的预测得分及特征重要性排序。

评论

评论区空态插画

当前文章无评论,是时候发表评论了