廣告：本人的單因子測試視頻教程https://edu.csdn.net/course/detail/25572 python

上次，咱們利用get_clean_factor_and_forward_returns這個函數，能夠得到alphalens可以接受的一種factor數據，接下來，咱們就是利用這個函數返回給咱們的數據去進行因子的分析。咱們隊這個函數的返回值命名爲factor_data，即factor_date = get_clean_factor_and_forward_returns(......)。函數

今天咱們主要基於return來分析，也就是說，是因子收益率分析。測試

1.得到因子平均收益率數據

因子收益率分析的第一個函數定義以下：spa

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

參數解釋
factor_data : pd.DataFrame - MultiIndex
這個就是咱們用整理好的數據產生的的factor_data。
by_date : bool
是否按天計算收益率
by_group : bool
是否按組別來計算收益率
demeaned : bool
是不是計算超額收益（或者說，是某種group後的中性收益）.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是上次的那個函數整合的因子數據。視頻

兩個return的結果以下：blog

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

固然，咱們也能夠不分組。
mean_return_by_q, std_err = alphalens.performance.mean_return_by_quantile( factor_data)

2.繪製均值收益的直方圖

把上面得到的第一個參數，也就是mean_return_by_q這一類做爲參數，傳給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):

參數解釋
mean_ret_by_q : pd.DataFrame
上一步得到的數據，能夠是分組後的，也能夠沒有分組的，通常建議不分組或者按照行業分組
by_group : bool
若是mean_ ret的數據是安按照group分組的，那麼這裏也須要設置爲True.
ylim_percentiles : tuple of integers
y軸的參數設置
ax : matplotlib.Axes, optional
matplotlib的ax句柄

返回值：
ax : matplotlib.Axes
筆者嘗試了一下按行業分，效果大概以下嗎，每一個行業，五層因子值中每層在不一樣週期下的收益率均值的直方圖。

上面的按日期算均值的mean_ret有一個美麗的用法，就是結合alphalens.plotting.plot_quantile_returns_violin繪製提琴圖。
alphalens.plotting.plot_quantile_returns_violin(mean_return_by_q_daily)

3.收益率差值圖

一樣的邏輯，先產生數據，而後繪圖。此次繪製的是收益率差值圖，也就是說，是好的因子層的收益率減去最差的因子層的收益率。

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

參數解釋
----------
mean_returns : pd.DataFrame
以前得到的，咱們使用的是daily的
upper_quant : int
高收益的因子層序號
lower_quant : int
低收益的因子層序號
std_err : pd.DataFrame
以前生成的標準差

返回值
-------
mean_return_difference : pd.Series
收益率差值數據
joint_std_err : pd.Series
差值的標準誤
畫圖的函數以下

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

參數說明：
----------
mean_returns_spread : pd.Series
上一個函數得到的數據
std_err : pd.Series
上一個函數得到的標準誤
bandwidth : float
帶寬，就是布林帶帶寬的概念，在圖上繪製多少倍的標準誤做爲帶寬
ax : matplotlib.Axes, optional
ax句柄

返回值
-------
ax : matplotlib.Axes
圖片的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)
繪製出來的效果以下：

4.各層因子累計收益率圖

對於一個因子，咱們但願好的分層和差的分層的收益率有很大的差異，也就是說，因子的區分度越好，咱們越以爲因子有效。下面這個函數可以計算出不一樣分層下的投資累計收益回報。隨着時間曲線發散，愈加散，說明因子越有效。

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

參數解釋：
quantile_returns : pd.DataFrame
以前的回報率數據
period: int, optional
計算回報率的週期
ax : matplotlib.Axes, optional
ax句柄
Returns

圖片的ax句柄

5.cash-netural 方法

還有一種因子測試方法，就是以因子值爲權重，作多高收益率的因子層股票，最空低收益率的因子層股票，得到相對收益。
一樣的邏輯，先得到數據：
def factor_returns(factor_data, long_short=True, group_neutral=False):
參數：

factor_data : pd.DataFrame - MultiIndex
以前一開始就得到的數據
long_short : bool
是否進行多空組合計算
group_neutral : bool
是否group中性，因爲group一般是行業，因此，是不是行業中性。若是中性，那麼，每一個group內部將會進行配權重。

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)

分別繪製調倉週期爲天的周的cash-netural investment的收益率曲線。

6.alpha and beta value

咱們知道，alpha策略的理論根據是capm模型，因此，咱們最後計算一下每個調倉下的alpha和beta值

alpha_beta = alphalens.performance.factor_alpha_beta(factor_data)

alpha_beta的數值以下：

7.整個函數

以上全部圖片，咱們能夠用如下兩句話來解決，這是alphalens裏面常有的特性。

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

本文同步分享在博客「錢塘小甲子」（CSDN）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。