alpha101
WorldQuant 101 Formulaic Alphas — 因子计算、IC测试、回测一体化工具包。 基于Kakushadze (2015) 论文,提供101个价量/波动率/相关性因子的Python/Pandas实现。 Use when: "alpha101", "101因子", "formulaic alphas", "因子回测", "因子IC", "因子筛选", "WorldQuant因子", "价量因子", "alpha因子库".
Install
npx skills add https://github.com/aAAaqwq/AGI-Super-Team/tree/main/skills/alpha101
claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install aaaaqwq-agi-super-team@llmmart
git clone https://github.com/aAAaqwq/AGI-Super-Team.git
The skills CLI installs just this skill, for any of its supported agents. Claude Code installs the whole aaaaqwq/agi-super-team collection as a plugin from our marketplace. Git is the plain clone.
Skill manifest
Alpha101 — WorldQuant 101 Formulaic Alphas
概述
Zura Kakushadze 论文《101 Formulaic Alphas》(arXiv:1601.00991) 的完整Python实现。 101个真实量化交易alpha因子,公式即代码。
论文关键数据
- 平均持仓期: 0.6-6.4天
- 平均两两相关性: 15.9%
- 收益与波动率强相关: R ~ σ^0.76
文件结构
skills/alpha101/
├── SKILL.md ← 本文件
├── scripts/
│ ├── alpha101.py ← 101个因子函数 + 基础函数库
│ ├── compute_ic.py ← 因子IC/IR计算
│ └── backtest_alpha.py ← 单因子回测
└── references/
└── paper_notes.md ← 论文笔记与函数定义
使用方式
1. 因子计算
from scripts.alpha101 import compute_alphas, alpha101
# 输入: date x ticker DataFrame
data = {
'open': df_open, 'close': df_close, 'high': df_high, 'low': df_low,
'volume': df_vol, 'vwap': df_vwap, 'returns': df_returns
}
# 计算所有可用因子
alphas = compute_alphas(data) # dict of alpha_name -> DataFrame
# 单独计算
from scripts.alpha101 import alpha101
a101 = alpha101(df_open, df_close, df_high, df_low)
2. 因子IC测试
python scripts/compute_ic.py --data <path> --output results/
3. 单因子回测
python scripts/backtest_alpha.py --alpha 101 --data <path>
因子分类
| 类别 | 因子 | 输入 |
|---|---|---|
| 纯价量 | #1-#47, #49-#55, #60, #61, #71-#74, #84, #88, #101 | OHLCV + VWAP |
| 行业中性化 | #48, #56, #58-#59, #63, #67, #69-#70, #76, #79-#82, #87, #89-#91, #93, #97, #100 | + 行业分类 |
| 复杂参数 | #57-#99 | 非整数窗口, 混合权重 |
基础函数速查
rank(x) 截面排名 [0,1]
delay(x,d) d天前的值
delta(x,d) 当期 - d天前
correlation(x,y,d) d天滚动相关
scale(x,a=1) 缩放使sum(abs(x))=a
decay_linear(x,d) 线性衰减加权均值
ts_min/ts_max(x,d) 滚动最小/最大
ts_rank(x,d) 时间序列排名
ts_sum/ts_std(x,d) 滚动求和/标准差
adv{d} d天平均成交额
IndNeutralize(x,ind) 行业中性化
回测注意事项
- 交易成本: 论文因子扣除cost后Sharpe才是真Sharpe
- 过拟合: 101个因子中部分可能已衰减,需样本外验证
- 市场适配:
- A股: T+1限制,持仓期需调整
- 加密: 24/7,日频→小时频需改窗口参数
- Polymarket: 流动性低,部分因子不适用
- 行业因子: 需要行业分类映射,加密市场可用板块替代
决策框架
因子计算 → IC/IR筛选(>0.03) → 样本外验证 → 组合构建(低相关等权) → 回测扣费 → 实盘
Files (agi-super-team)
-
references
-
paper_notes.md 2 KB
Loading…
-
-
scripts
-
alpha101.py 30.6 KB
Loading… -
backtest_alpha.py 3.3 KB
Loading… -
compute_ic.py 3 KB
Loading…
-
-
SKILL.md 3.2 KB
--- name: alpha101 description: | WorldQuant 101 Formulaic Alphas — 因子计算、IC测试、回测一体化工具包。 基于Kakushadze (2015) 论文,提供101个价量/波动率/相关性因子的Python/Pandas实现。 Use when: "alpha101", "101因子", "formulaic alphas", "因子回测", "因子IC", "因子筛选", "WorldQuant因子", "价量因子", "alpha因子库". allowed-tools: Read, Write, Edit, Grep, Glob, Bash(python:*) version: 1.0.0 author: Simons (CQO) --- # Alpha101 — WorldQuant 101 Formulaic Alphas ## 概述 Zura Kakushadze 论文《101 Formulaic Alphas》(arXiv:1601.00991) 的完整Python实现。 101个真实量化交易alpha因子,公式即代码。 ### 论文关键数据 - 平均持仓期: 0.6-6.4天 - 平均两两相关性: 15.9% - 收益与波动率强相关: R ~ σ^0.76 ## 文件结构 ``` skills/alpha101/ ├── SKILL.md ← 本文件 ├── scripts/ │ ├── alpha101.py ← 101个因子函数 + 基础函数库 │ ├── compute_ic.py ← 因子IC/IR计算 │ └── backtest_alpha.py ← 单因子回测 └── references/ └── paper_notes.md ← 论文笔记与函数定义 ``` ## 使用方式 ### 1. 因子计算 ```python from scripts.alpha101 import compute_alphas, alpha101 # 输入: date x ticker DataFrame data = { 'open': df_open, 'close': df_close, 'high': df_high, 'low': df_low, 'volume': df_vol, 'vwap': df_vwap, 'returns': df_returns } # 计算所有可用因子 alphas = compute_alphas(data) # dict of alpha_name -> DataFrame # 单独计算 from scripts.alpha101 import alpha101 a101 = alpha101(df_open, df_close, df_high, df_low) ``` ### 2. 因子IC测试 ```bash python scripts/compute_ic.py --data <path> --output results/ ``` ### 3. 单因子回测 ```bash python scripts/backtest_alpha.py --alpha 101 --data <path> ``` ## 因子分类 | 类别 | 因子 | 输入 | |------|------|------| | 纯价量 | #1-#47, #49-#55, #60, #61, #71-#74, #84, #88, #101 | OHLCV + VWAP | | 行业中性化 | #48, #56, #58-#59, #63, #67, #69-#70, #76, #79-#82, #87, #89-#91, #93, #97, #100 | + 行业分类 | | 复杂参数 | #57-#99 | 非整数窗口, 混合权重 | ## 基础函数速查 ``` rank(x) 截面排名 [0,1] delay(x,d) d天前的值 delta(x,d) 当期 - d天前 correlation(x,y,d) d天滚动相关 scale(x,a=1) 缩放使sum(abs(x))=a decay_linear(x,d) 线性衰减加权均值 ts_min/ts_max(x,d) 滚动最小/最大 ts_rank(x,d) 时间序列排名 ts_sum/ts_std(x,d) 滚动求和/标准差 adv{d} d天平均成交额 IndNeutralize(x,ind) 行业中性化 ``` ## 回测注意事项 1. **交易成本**: 论文因子扣除cost后Sharpe才是真Sharpe 2. **过拟合**: 101个因子中部分可能已衰减,需样本外验证 3. **市场适配**: - A股: T+1限制,持仓期需调整 - 加密: 24/7,日频→小时频需改窗口参数 - Polymarket: 流动性低,部分因子不适用 4. **行业因子**: 需要行业分类映射,加密市场可用板块替代 ## 决策框架 ``` 因子计算 → IC/IR筛选(>0.03) → 样本外验证 → 组合构建(低相关等权) → 回测扣费 → 实盘 ```
Comments (0)
Sign in to join the conversation.
Reviews (0)
No reviews yet.
No comments yet.