Alpha158和Alpha360因子计算公式文档
概述
本文档详细描述了Qlib量化投资平台中Alpha158和Alpha360数据集的因子计算公式。这些因子集被广泛用于股票预测模型的训练和评估。
Alpha158因子集
Alpha158包含158个技术分析指标，分为四大类：K线特征、价格特征、成交量特征和滚动窗口技术指标。
1. K线基础特征 (9个)
K线基础特征基于单日OHLC数据计算，反映价格形态特征：
| 因子名称 | 计算公式 | 含义 |
|---|---|---|
| KMID | ($close-$open)/$open |
收盘与开盘价差比例，反映日内涨跌幅 |
| KLEN | ($high-$low)/$open |
最高最低价差比例，反映日内波动幅度 |
| KMID2 | ($close-$open)/($high-$low+1e-12) |
收开差与振幅比，反映实体占比 |
| KUP | ($high-Greater($open, $close))/$open |
上影线比例，反映上方压力 |
| KUP2 | ($high-Greater($open, $close))/($high-$low+1e-12) |
上影线占总振幅比例 |
| KLOW | (Less($open, $close)-$low)/$open |
下影线比例，反映下方支撑 |
| KLOW2 | (Less($open, $close)-$low)/($high-$low+1e-12) |
下影线占总振幅比例 |
| KSFT | (2*$close-$high-$low)/$open |
收盘价相对于中点位置 |
| KSFT2 | (2*$close-$high-$low)/($high-$low+1e-12) |
收盘价在振幅中的相对位置 |
2. 价格特征 (4个)
基础价格特征，标准化为相对当前收盘价的比值：
| 因子名称 | 计算公式 | 含义 |
|---|---|---|
| OPEN0 | $open/$close |
当日开盘价相对收盘价比值 |
| HIGH0 | $high/$close |
当日最高价相对收盘价比值 |
| LOW0 | $low/$close |
当日最低价相对收盘价比值 |
| VWAP0 | $vwap/$close |
当日成交均价相对收盘价比值 |
3. 滚动窗口技术指标 (145个)
使用5,10,20,30,60天滚动窗口计算的技术指标，每个指标生成5个特征，共29类指标。
3.1 价格趋势与动量类
| 因子类别 | 计算公式 | 含义 | 参考链接 |
|---|---|---|---|
| ROC | Ref($close, d)/$close |
d日前价格变化率 | Rate of Change |
| MA | Mean($close, d)/$close |
d日简单移动平均 | Moving Average |
| STD | Std($close, d)/$close |
d日价格标准差，反映波动性 | - |
| BETA | Slope($close, d)/$close |
d日价格趋势斜率 | - |
| RSQR | Rsquare($close, d) |
d日线性回归R²值，反映趋势线性度 | - |
| RESI | Resi($close, d)/$close |
d日线性回归残差 | - |
3.2 价格位置类
| 因子类别 | 计算公式 | 含义 |
|---|---|---|
| MAX | Max($high, d)/$close |
d日内最高价 |
| MIN | Min($low, d)/$close |
d日内最低价 |
| QTLU | Quantile($close, d, 0.8)/$close |
d日80%分位数 |
| QTLD | Quantile($close, d, 0.2)/$close |
d日20%分位数 |
| RANK | Rank($close, d) |
当前价格在d日内排名百分位 |
| RSV | ($close-Min($low, d))/(Max($high, d)-Min($low, d)+1e-12) |
相对强弱值，KDJ指标基础 |
3.3 时间序列位置类
| 因子类别 | 计算公式 | 含义 | 参考链接 |
|---|---|---|---|
| IMAX | IdxMax($high, d)/d |
最高价出现的相对位置 | Aroon Indicator |
| IMIN | IdxMin($low, d)/d |
最低价出现的相对位置 | Aroon Indicator |
| IMXD | (IdxMax($high, d)-IdxMin($low, d))/d |
高低点时间差，反映下跌动量 | - |
3.4 价格-成交量关联类
| 因子类别 | 计算公式 | 含义 |
|---|---|---|
| CORR | Corr($close, Log($volume+1), d) |
价格与成交量相关性 |
| CORD | Corr($close/Ref($close,1), Log($volume/Ref($volume, 1)+1), d) |
价格变化与成交量变化相关性 |
3.5 涨跌统计类
| 因子类别 | 计算公式 | 含义 |
|---|---|---|
| CNTP | Mean($close>Ref($close, 1), d) |
d日内上涨天数比例 |
| CNTN | Mean($close<Ref($close, 1), d) |
d日内下跌天数比例 |
| CNTD | CNTP - CNTN |
涨跌天数差 |
3.6 RSI类指标
| 因子类别 | 计算公式 | 含义 | 参考链接 |
|---|---|---|---|
| SUMP | Sum(Greater($close-Ref($close, 1), 0), d)/(Sum(Abs($close-Ref($close, 1)), d)+1e-12) |
总收益占总变动比例 | RSI Indicator |
| SUMN | Sum(Greater(Ref($close, 1)-$close, 0), d)/(Sum(Abs($close-Ref($close, 1)), d)+1e-12) |
总亏损占总变动比例 | RSI Indicator |
| SUMD | SUMP - SUMN |
收益亏损差值比，类RSI指标 | RSI Indicator |
3.7 成交量技术指标
| 因子类别 | 计算公式 | 含义 | 参考链接 |
|---|---|---|---|
| VMA | Mean($volume, d)/($volume+1e-12) |
成交量移动平均 | Volume Moving Average |
| VSTD | Std($volume, d)/($volume+1e-12) |
成交量标准差 | - |
| WVMA | Std(Abs($close/Ref($close, 1)-1)*$volume, d)/(Mean(Abs($close/Ref($close, 1)-1)*$volume, d)+1e-12) |
成交量加权价格变动波动率 | - |
| VSUMP | Sum(Greater($volume-Ref($volume, 1), 0), d)/(Sum(Abs($volume-Ref($volume, 1)), d)+1e-12) |
成交量增加占比 | - |
| VSUMN | Sum(Greater(Ref($volume, 1)-$volume, 0), d)/(Sum(Abs($volume-Ref($volume, 1)), d)+1e-12) |
成交量减少占比 | - |
| VSUMD | VSUMP - VSUMN |
成交量变化差值比 | - |
滚动窗口说明
所有滚动指标都使用以下窗口大小：[5, 10, 20, 30, 60]天
因此每个滚动指标会生成5个特征，例如：
- ROC5, ROC10, ROC20, ROC30, ROC60
- MA5, MA10, MA20, MA30, MA60
- STD5, STD10, STD20, STD30, STD60
- ...以此类推
Alpha360因子集
Alpha360提供360个原始价格特征，包含过去60天的完整OHLCV数据序列。
设计理念
- 原始数据保留：提供原始价格数据而非工程化特征
- 统一标准化：所有价格通过最新收盘价标准化，成交量通过最新成交量标准化
- 时间序列完整性：保持60天完整时间序列，便于深度学习模型使用
因子构成
Alpha360包含6类因子，每类60个特征，共360个：
1. 收盘价序列 (60个)
CLOSE59, CLOSE58, CLOSE57, ..., CLOSE2, CLOSE1, CLOSE0
计算公式：
- CLOSE59:
Ref($close, 59)/$close(59天前收盘价/当前收盘价) - CLOSE58:
Ref($close, 58)/$close(58天前收盘价/当前收盘价) - ...
- CLOSE1:
Ref($close, 1)/$close(1天前收盘价/当前收盘价) - CLOSE0:
$close/$close = 1(当前收盘价，标准化后恒为1)
2. 开盘价序列 (60个)
OPEN59, OPEN58, OPEN57, ..., OPEN2, OPEN1, OPEN0
计算公式：Ref($open, i)/$close (i从59到0)
3. 最高价序列 (60个)
HIGH59, HIGH58, HIGH57, ..., HIGH2, HIGH1, HIGH0
计算公式：Ref($high, i)/$close (i从59到0)
4. 最低价序列 (60个)
LOW59, LOW58, LOW57, ..., LOW2, LOW1, LOW0
计算公式：Ref($low, i)/$close (i从59到0)
5. 成交均价序列 (60个)
VWAP59, VWAP58, VWAP57, ..., VWAP2, VWAP1, VWAP0
计算公式：Ref($vwap, i)/$close (i从59到0)
6. 成交量序列 (60个)
VOLUME59, VOLUME58, VOLUME57, ..., VOLUME2, VOLUME1, VOLUME0
计算公式：Ref($volume, i)/($volume+1e-12) (i从59到0)
标准化说明
- 价格标准化：所有价格(收盘、开盘、最高、最低、VWAP)都除以当前收盘价
- 成交量标准化：所有成交量都除以当前成交量(加1e-12防止除零)
- 标准化结果：CLOSE0恒为1，VOLUME0恒为1(进一步标准化后可能为0)
标签定义
两个因子集都使用相同的标签定义：
["Ref($close, -2)/Ref($close, -1) - 1"], ["LABEL0"]
含义：预测未来1天的收益率
- 分子：
Ref($close, -2)= t+2日的收盘价 - 分母：
Ref($close, -1)= t+1日的收盘价 - 标签：(t+2日收盘价 / t+1日收盘价) - 1
使用场景对比
Alpha158适用场景
- 传统机器学习模型：LightGBM、XGBoost、线性回归等
- 特征工程完备：包含丰富的技术分析指标
- 解释性强：每个特征都有明确的金融含义
- 计算效率高：预计算的技术指标，模型训练快速
Alpha360适用场景
- 深度学习模型：LSTM、GRU、Transformer等时间序列模型
- 序列建模：保留完整的时间序列信息
- 自动特征提取：模型自动学习价格模式
- 端到端学习：从原始价格数据直接学习预测
数据质量与预处理
缺失值处理
- Alpha158中包含除法运算，分母加入
1e-12防止除零 - 成交量相关计算使用
($volume+1e-12)处理零成交量情况 - 建议训练前进行NaN值检查和填充
异常值处理
- 价格跳空、停牌可能导致极值，建议进行异常值检测
- 成交量为0的情况已通过
1e-12处理 - 建议对特征进行winsorize处理，削减极端值影响
标准化建议
- Alpha158：建议进一步Z-score标准化
- Alpha360：已经过相对标准化，但建议根据模型需求进一步处理
实现代码位置
-
Alpha158实现：
qlib/contrib/data/loader.py:72-310(Alpha158DL.get_feature_config()) -
Alpha360实现：
qlib/contrib/data/loader.py:16-58(Alpha360DL.get_feature_config()) -
数据处理器：
qlib/contrib/data/handler.py:48-158(Alpha158和Alpha360类)
参考文献
- Qlib官方文档
- Rate of Change Indicator
- Moving Average
- RSI Indicator
- Aroon Indicator
- Volume Moving Average
Top comments (0)