多因子选股

回答一个问题：按我定的这几个因子和权重，这一池股票里排前面的是哪些。

它的定位是「把几千只压到几十只」，把人工复核的工作量降下来。剩下的功夫仍然要你自己花。

适用场景

• 你想从全市场或某个指数成分里压缩出一个候选池，而不是逐只翻。
• 你已经有一组因子想法，想知道它们合起来排序长什么样。
• 你发现自己的几个因子可能高度相关，想先看看相关性矩阵再定权重。

输入

输出

1. 参数与口径：样本数、剔除数、去极值方式、标准化方式、每个因子的方向与权重
2. 因子相关性矩阵——用来发现权重是否被重复计算
3. 候选名单：排名、总分、逐因子的标准化值
4. 可导出 CSV 与 JSON

核心逻辑

第一步：缺失值处理

按因子逐个统计缺失。单只股票缺失比例超过阈值（默认 40%）时整只剔除并计数，不用均值填充。

原因：填出来的值会让这只股票在排序里得到一个凭空的分数。剔除会损失样本，但填入会污染排序——统计上宁可损失样本。

第二步：去极值（winsorize）

用分位法把两侧各 1% 的值截到分位点上。不做这一步，一个极端值（比如某项财务比率因为分母极小而爆表）会主导整张排名。

第三步：标准化（z-score）

横截面标准化：

z = (x − 均值) / 标准差

然后按因子方向取正（方向为 - 的因子先取负），使所有因子的「越大越好」一致。

最后截断到 ±3，防止标准化后的极端离群值再次主导。

第四步：加权合成

总分 = Σ (权重_i × z_i)

权重之和归一化到 1。

第五步：输出相关性矩阵——这一步不能省

如果两个因子的相关系数很高（比如 ROE 与毛利率），说明它们的权重被重复计算了：同一个信息被计了两遍。矩阵是发现这件事的最直接方式。

依赖与安装

无依赖。 脚本只用 Python 标准库（读 CSV、算统计），不需要 pip install 任何东西。

因子数据需要你自己准备好并拼成 CSV——本脚本不联网。这样设计有两个理由：一是财务数据的不同口径（单季/累计、是否调整）差异很大，交给你自己决定比脚本替你猜更安全；二是避免把「取数错误」伪装成「因子无效」。

用法

# 等权五因子
python3 scripts/multifactor_screen.py --csv universe.csv \
    --factors "roe:+,gross_margin:+,pe_ttm:-,mom_3m:+,vol_60d:-" --top 30

# 指定权重
python3 scripts/multifactor_screen.py --csv universe.csv \
    --factors "roe:+,pe_ttm:-" --weights 0.6,0.4 --out picks.csv --json full.json

CSV 需要一列股票标识（代码 / code / symbol / 名称），其余列为因子。

出处

• Fama & French (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics 33(1) —— 三因子模型（市场、规模 SMB、价值 HML）的原始论文。原文摘要：「There are three stock-market factors: an overall market factor and factors related to firm size and book-to-market equity.」
• Fama & French (2015). A five-factor asset pricing model. Journal of Financial Economics 116(1) —— 在三因子上增加盈利 RMW 与投资 CMA。
• Fama & French (1992). The Cross-Section of Expected Stock Returns. Journal of Finance 47(2) —— 规模与账面市值比解释横截面收益的前置研究。
• Novy-Marx (2013). The other side of value: The gross profitability premium. Journal of Financial Economics 108(1) —— 质量因子构造之一：毛利润 / 总资产。
• CFA Institute Magazine (2014), Quality Control —— 质量因子的常见度量：盈利波动、毛利率、ROE、利润边际、负债占总资产比例。这组指标并存，没有唯一定义。
• MSCI, Barra Global Equity Model (GEM3) —— 34 个行业因子（基于 GICS）+ 11 个风格因子 + 特质风险的三层结构。
• MSCI, Barra Taiwan Equity Model —— 风格因子清单：Beta、Size、Book-to-Price、Leverage、Earnings Quality、Momentum、Earnings Yield、Dividend Yield、Liquidity、Residual Volatility。

完整清单与逐条说明见包内 references/sources.md。

风险与局限

1. 因子有效性会衰减。 一个因子在被广泛发现之后，超额收益通常会被套利掉。某个因子在你发现它之前有效，不代表之后还有效。
2. 结果对参数极其敏感。 换一个去极值阈值、换一组权重、换一个再平衡窗口，排名都可能显著变化。
3. 因子有效性阈值没有权威标准。 市面上流传的「IC > 0.05 算优秀」「ICIR > 0.5 视为有效」都是业界经验，没有任何监管或学术机构对此作出强制规定。
4. 质量因子没有唯一定义。 ROE、毛利率、应计、盈利波动等口径并存，选哪个会显著影响结果。
5. 本脚本不做中性化。 未做行业中性化与市值中性化，所以排在前面的可能只是某个行业的集中暴露。如果你需要，这要在取数阶段先处理。
6. 这是初筛，不是决策。 把多因子结果当作最终买卖依据，等于把风控交给了参数。

常见问题

为什么相关性矩阵里两个因子 0.9 相关，脚本不自动处理？ 因为「怎么处理」是个决策，不是计算：你可以删掉其中一个，可以各给一半权重，也可以保留但知悉它们其实是一个因子。脚本把它指出来，选择权留给你。

IC 和 IR 是什么？ IC（信息系数）是因子值与未来收益的相关系数；IR 是 IC 的均值除以 IC 的标准差。二者来自 Grinold & Kahn 的主动管理基本法则（IR = IC × √BR）。本脚本不计算它们——那需要历史面板数据，属于回测范畴，超出「初筛」的定位。

能不能用全市场几千只跑？ 可以，但要注意：样本越大，去极值的作用越明显，而且缺失值的处理策略会比因子本身更影响结果。建议先在几十到几百只的池子里把流程跑通，确认排序符合预期，再放到全市场。