factor-test

基于 Polars LazyFrame 的横截面因子研究与组合回测框架。覆盖因子接口、远期收益、IC / Rank IC、 分层诊断、目标权重生成和逐日账户核算，适合研究因子的预测能力，并检验其在交易费用、 整数股和停牌约束下的组合表现。

• 账户级回测，关注扣费后收益：逐日维护现金和实际股数，将佣金、印花税、滑点、 整数股与停牌约束纳入核算。净值、持仓、成交及未成交原因均有记录，便于追溯收益来源与执行差异。
• 从因子预测力到组合表现的综合验证：先通过 IC / Rank IC、分层收益和信号稳定性 检验因子，再比较多空、纯多头及不同调仓周期的账户表现。研究用远期收益与账户执行独立， 避免将重叠持有期收益直接累计为净值。
• Polars 原生，便于批量研究与复用：以 LazyFrame 串联因子计算、远期收益和分层诊断， 可利用 Parquet 惰性扫描与查询优化。自定义因子通过统一的 compute() 接口接入， 可沿用已有分析和回测流程。

输入采用长表，每行对应一个日期和一只股票，使用 Polars LazyFrame：

(date, symbol) 必须非空且唯一，信号日期必须包含在行情中，两表键类型须一致或兼容。 建议日期使用 pl.Date / pl.Datetime，月度调仓要求这两种日期类型。 日期序列取输入行情已有日期的并集并排序，不补充整体缺失的交易日，也不跳过个股缺价日。 具体因子的历史窗口、交易日对齐、复权口径和股票池筛选由调用方准备。

以下示例读取调用方准备的两张 Parquet 长表。

import polars as pl

from factor_test.analyzer import (
    compute_returns,
    daily_information_coefficient,
    information_coefficient,
    mean_return_by_quantile,
    portfolio_metrics,
    portfolio_returns,
)

signals = pl.scan_parquet("signals.parquet")  # date, symbol, factor
prices = pl.scan_parquet("prices.parquet")    # date, symbol, open
horizons = (1, 5, 20)

# 因子研究：t 日信号，下一交易日开盘进入，再持有 h 个交易区间。
prepared = compute_returns(
    signals, prices=prices, horizons=horizons, entry_lag=1,
)
daily_ic = daily_information_coefficient(prepared, horizons=horizons)
ic_summary = information_coefficient(daily_ic).collect()
group_returns = mean_return_by_quantile(
    prepared, horizons=horizons, quantiles=5,
).collect()

# 账户回测：独立使用信号与行情，每五个交易日调仓，做多因子最高的 20%。
result = portfolio_returns(
    signals,
    prices,
    rebalance_every=5,
    entry_lag=1,
    weight_method="quantile",
    quantile_pct=0.2,
    long_short=False,
    initial_value=1_000_000,
    commission_rate=0.0003,
    slippage_rate=0.0002,
    sell_tax_rate=0.0,
)
metrics = portfolio_metrics(result)
nav = result.daily.select("date", "net_return", "nav", "drawdown")

portfolio_returns 返回 BacktestResult，各表均为 pl.DataFrame：

portfolio_metrics 提供总收益、年化收益 / 波动、Sharpe、最大回撤、成本及换手汇总； 传入基准后还提供超额、跟踪误差、信息比率、alpha / beta。

以下为使用本仓库 src 框架得到的回测展示，比较负向乖离率多空组合、纯多头组合与中证500。 数据准备、运行方式、报告文件及数据局限详见 example/README.md。

回测区间：2016-01-04 至 2025-12-31，共2,430个交易日。 AKShare 1.19.3；后复权行情；月度调仓；开盘到开盘估值。

原始因子为20日乖离率：BIAS = 后复权收盘价 / 最近20个交易日后复权收盘价的简单均值 − 1，均价包含当日，策略使用负向因子 -BIAS。

• 原始乖离率：BIAS(t) = C(t) / mean(C(t−19), …, C(t)) − 1，C为后复权收盘价。 简单均价覆盖含信号日在内的最近20个共同交易日；停牌或缺价沿用已知的最近有效收盘价，不向未来填充。
• 按负向因子处理，传给框架的策略因子为 factor = -BIAS。
• 调用 src/factor_test/analyzer.py 的 portfolio_returns，设置 weight_method="quantile"、 quantile_pct=0.2。两种策略使用相同信号、行情、日期及费率，各自独立运行。
• 多空组合设置 long_short=True：做多原始乖离率最低的20%股票，做空最高的20%股票，目标多空各50%，每侧内部等权。
• 纯多头组合设置 long_short=False：仅做多原始乖离率最低的20%股票，目标100%资金等权配置；20%指选股比例。 选股使用框架的平均排名，不按代码拆分并列值。
• 月末收盘形成信号，下一交易日开盘调仓，使用框架 rebalance_every="monthly"、entry_lag=1。 持有期间股数固定，成交、现金、整数股、费用、停牌与缺价均由 src/factor_test/portfolio.py 核算。
• 每个信号时点剔除上市不足60个交易日的股票；均价须完整20日A股价格历史，不使用上市前新三板报价补足历史。
• 每种策略初始资金100,000,000元；佣金 commission_rate=0.0003（买卖双向）， 印花税 sell_tax_rate=0.001（仅卖出方向），滑点 slippage_rate=0.0。 多空组合融券年化费率0.00%；纯多头不收取融券费用。
• 中证500使用000905价格指数，首日开盘买入，基准与组合均按每日开盘估值。
• 绩效通过框架 portfolio_metrics 计算。年化按252日，无风险利率0，现金不计息；样本末端保留未到期持仓。

每种策略初始资金100,000,000元；佣金 commission_rate=0.0003（买卖双向）， 印花税 sell_tax_rate=0.001（仅卖出方向），滑点 slippage_rate=0.0。 多空组合融券年化费率0.00%；纯多头不收取融券费用。

费用直接汇总框架每日账户；卖出印花税包括卖空开仓，买入平空不征收卖出税。