广告：本人的单因子测试视频教程https://edu.csdn.net/course/detail/25572 python

上次，咱们利用get_clean_factor_and_forward_returns这个函数，能够得到alphalens可以接受的一种factor数据，接下来，咱们就是利用这个函数返回给咱们的数据去进行因子的分析。咱们队这个函数的返回值命名为factor_data，即factor_date = get_clean_factor_and_forward_returns(......)。函数

今天咱们主要基于return来分析，也就是说，是因子收益率分析。测试

1.得到因子平均收益率数据

因子收益率分析的第一个函数定义以下：spa

def mean_return_by_quantile(factor_data,
                            by_date=False,
                            by_group=False,
                            demeaned=True):

参数解释
factor_data : pd.DataFrame - MultiIndex
这个就是咱们用整理好的数据产生的的factor_data。
by_date : bool
是否按天计算收益率
by_group : bool
是否按组别来计算收益率
demeaned : bool
是不是计算超额收益（或者说，是某种group后的中性收益）.net

返回值code

mean_ret : pd.DataFrame
收益率的均值
std_error_ret : pd.DataFrame
收益率的方差orm

使用方法demo：
mean_return_by_q_daily, std_err = alphalens.performance.mean_return_by_quantile(factor_data, by_date=True)
factor_data是上次的那个函数整合的因子数据。视频

两个return的结果以下：blog

mean_return_by_q_group, std_err = alphalens.performance.mean_return_by_quantile(factor_data, by_group =True)教程

固然，咱们也能够不分组。
mean_return_by_q, std_err = alphalens.performance.mean_return_by_quantile( factor_data)

2.绘制均值收益的直方图

把上面得到的第一个参数，也就是mean_return_by_q这一类做为参数，传给alphalens.plotting.plot_quantile_returns_bar(mean_return_by_q)。

def plot_quantile_returns_bar(mean_ret_by_q,
                              by_group=False,
                              ylim_percentiles=None,
                              ax=None):

参数解释
mean_ret_by_q : pd.DataFrame
上一步得到的数据，能够是分组后的，也能够没有分组的，通常建议不分组或者按照行业分组
by_group : bool
若是mean_ ret的数据是安按照group分组的，那么这里也须要设置为True.
ylim_percentiles : tuple of integers
y轴的参数设置
ax : matplotlib.Axes, optional
matplotlib的ax句柄

返回值：
ax : matplotlib.Axes
笔者尝试了一下按行业分，效果大概以下吗，每一个行业，五层因子值中每层在不一样周期下的收益率均值的直方图。

上面的按日期算均值的mean_ret有一个美丽的用法，就是结合alphalens.plotting.plot_quantile_returns_violin绘制提琴图。
alphalens.plotting.plot_quantile_returns_violin(mean_return_by_q_daily)

3.收益率差值图

一样的逻辑，先产生数据，而后绘图。此次绘制的是收益率差值图，也就是说，是好的因子层的收益率减去最差的因子层的收益率。

def compute_mean_returns_spread(mean_returns,
                                upper_quant,
                                lower_quant,
                                std_err=None):

参数解释
----------
mean_returns : pd.DataFrame
以前得到的，咱们使用的是daily的
upper_quant : int
高收益的因子层序号
lower_quant : int
低收益的因子层序号
std_err : pd.DataFrame
以前生成的标准差

返回值
-------
mean_return_difference : pd.Series
收益率差值数据
joint_std_err : pd.Series
差值的标准误
画图的函数以下

def plot_mean_quantile_returns_spread_time_series(mean_returns_spread,
                                                  std_err=None,
                                                  bandwidth=1,
                                                  ax=None):

参数说明：
----------
mean_returns_spread : pd.Series
上一个函数得到的数据
std_err : pd.Series
上一个函数得到的标准误
bandwidth : float
带宽，就是布林带带宽的概念，在图上绘制多少倍的标准误做为带宽
ax : matplotlib.Axes, optional
ax句柄

返回值
-------
ax : matplotlib.Axes
图片的ax句柄

使用demo：

quant_return_spread, std_err_spread = alphalens.performance.compute_mean_returns_spread(mean_return_by_q_daily,
upper_quant=5,
lower_quant=1,
std_err=std_err_daily)
alphalens.plotting.plot_mean_quantile_returns_spread_time_series(quant_return_spread, std_err_spread)
绘制出来的效果以下：

4.各层因子累计收益率图

对于一个因子，咱们但愿好的分层和差的分层的收益率有很大的差异，也就是说，因子的区分度越好，咱们越以为因子有效。下面这个函数可以计算出不一样分层下的投资累计收益回报。随着时间曲线发散，愈加散，说明因子越有效。

def plot_cumulative_returns_by_quantile(quantile_returns, period=1, ax=None):

参数解释：
quantile_returns : pd.DataFrame
以前的回报率数据
period: int, optional
计算回报率的周期
ax : matplotlib.Axes, optional
ax句柄
Returns

图片的ax句柄

5.cash-netural 方法

还有一种因子测试方法，就是以因子值为权重，作多高收益率的因子层股票，最空低收益率的因子层股票，得到相对收益。
一样的逻辑，先得到数据：
def factor_returns(factor_data, long_short=True, group_neutral=False):
参数：

factor_data : pd.DataFrame - MultiIndex
以前一开始就得到的数据
long_short : bool
是否进行多空组合计算
group_neutral : bool
是否group中性，因为group一般是行业，因此，是不是行业中性。若是中性，那么，每一个group内部将会进行配权重。

返回值：
-------
returns : pd.DataFrame

dollar neutral portfolio weighted by factor value的收益率。

示例demo：

ls_factor_returns = alphalens.performance.factor_returns(factor_data)

ls_factor_returns 的值以下：

alphalens.plotting.plot_cumulative_returns(ls_factor_returns[1])
alphalens.plotting.plot_cumulative_returns(ls_factor_returns[5]， period=5)

分别绘制调仓周期为天的周的cash-netural investment的收益率曲线。

6.alpha and beta value

咱们知道，alpha策略的理论根据是capm模型，因此，咱们最后计算一下每个调仓下的alpha和beta值

alpha_beta = alphalens.performance.factor_alpha_beta(factor_data)

alpha_beta的数值以下：

7.整个函数

以上全部图片，咱们能够用如下两句话来解决，这是alphalens里面常有的特性。

alphalens.tears.create_returns_tear_sheet(factor_data)
plt.show()

本文同步分享在博客“钱塘小甲子”（CSDN）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。