Claude Cursor Skill

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".

LLM Mart · 0 points · 8 views 0 listing impressions 0 install-command copies
Download aaaaqwq-agi-super-team-skills_alpha101-cdb04e8.zip · 13 KB

Install

skills CLI npx skills add https://github.com/aAAaqwq/AGI-Super-Team/tree/main/skills/alpha101
Claude Code claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install aaaaqwq-agi-super-team@llmmart
Git 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

  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
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.

No comments yet.

Reviews (0)

No reviews yet.