第 14 章：高性能因子挖掘与表达式引擎¶
本章实践入口¶
快速运行与验收¶
验收要点：
- 脚本可完成至少一个表达式因子的计算与输出。
- 能对同一数据集运行多个因子并比较结果差异。
- 拆分复杂表达式后，结果可逐步复现并便于排障。
1. 本章你会得到什么¶
这一章聚焦一件事：让你能稳定写出可解释、可调试、可批量运行的因子表达式。
学完后你应该能做到：
- 用 1 行表达式快速验证一个 Alpha 想法。
- 区分 TS / CS / EL 三类算子并避免语义误用。
- 对复杂表达式进行拆步调试，而不是“盲猜哪里错了”。
- 用
run_batch批量计算并理解它的性能取舍。
本章讲“怎么思考与实战”，算子清单与排障速查请看 因子表达式引擎指南。
2. 为什么表达式模式更适合因子研究¶
在 Alpha 研究中，研究员真正需要的是“低成本试错”。
- 传统方式：每个因子都写一段 DataFrame 逻辑，重复处理分组、对齐、窗口和缺失值。
- 表达式方式：先写出数学结构，再交给引擎执行，例如
Rank(Ts_Mean(Close, 5))。
核心收益是解耦：
- 你只描述“算什么”。
- 引擎负责“怎么算”（解析、执行计划、并行优化）。
3. 十分钟上手：从 0 到可运行¶
3.1 准备最小数据¶
import akshare as ak
import pandas as pd
from akquant.data import ParquetDataCatalog
catalog = ParquetDataCatalog("./data_catalog")
symbols = ["sh600000", "sz300750"]
for symbol in symbols:
df = ak.stock_zh_a_daily(
symbol=symbol,
start_date="20230101",
end_date="20230601",
adjust="hfq",
)
df["symbol"] = symbol
df["date"] = pd.to_datetime(df["date"])
df.set_index("date", inplace=True)
catalog.write(symbol, df)
3.2 跑通三个层次¶
from akquant.factor import FactorEngine
engine = FactorEngine(catalog)
# 单层表达式：先确认基础计算正确
df_ts = engine.run("Ts_Mean(Close, 5)")
# 嵌套表达式：再确认跨分区语义
df_nested = engine.run("Rank(Ts_Mean(Close, 5))")
# 批量表达式：最后再进行规模化
df_batch = engine.run_batch(
[
"Ts_Mean(Close, 5)",
"Rank(Volume)",
"Rank(Ts_Corr(Close, Volume, 10))",
]
)
3.3 结果先看三列¶
先只看这三件事，再看绩效：
date是否连续且顺序正确。symbol是否完整覆盖样本池。factor_value是否存在异常常数、全 NaN 或极端离群。
4. 表达式写作三板斧¶
4.1 第一板斧：先单层，后嵌套¶
不要一开始就写五层嵌套，建议按顺序：
- 先验证内层（例如
Ts_Mean(Close, 5)）。 - 再包外层（例如
Rank(...)）。 - 最后再加条件或组合项（例如
If(...)）。
4.2 第二板斧：按分区语义写¶
- TS（时序）：按
symbol分组滚动。 - CS（截面）：按
date分组横截面。 - EL（元素级）：逐元素变换，不引入分组窗口。
经验规则：
- 你在问“过去 d 根 K 线”时，优先 TS。
- 你在问“同一天谁强谁弱”时，优先 CS。
- 你在问“单点映射关系”时，优先 EL。
4.3 第三板斧：复杂式子拆成步骤¶
例如表达式：
建议先验证：
再验证外层 Rank(...)。拆步后，定位错误和性能问题都更快。
5. 常用因子模板（可直接改参数）¶
5.1 趋势类¶
- 均线突破：
- 新高强度：
5.2 反转类¶
- 短期反转：
- 乖离回归：
5.3 波动率与量价类¶
- 低波偏好：
- 量价相关：
5.4 组合类¶
- 动量反转：
- 量价背离：
6. 调试与性能：最实用的工作流¶
6.1 排错顺序（建议固定）¶
- 列名是否可映射（
Close/close可以，ClosePrice需要真实存在）。 - 窗口
d是否大于可用历史长度。 - 数据是否有大量 NaN 或停牌空洞。
- 是否一次写了过深嵌套导致难以定位。
6.2 为什么嵌套表达式会慢¶
当出现 CS(TS(...)) 或 TS(CS(...))，引擎会拆成多步并物化中间结果，换来正确语义与可调试性。
这不是额外负担，而是对“结果可解释”的必要成本。遇到慢查询时，先拆步验证再考虑并行/批量策略。
6.3 run_batch 的正确使用场景¶
run_batch 适合：
- 多个候选因子同批计算。
- 统一样本池、统一时间段对比。
run_batch 不适合：
- 单个复杂表达式的微观调试（先用
run更清晰）。
7. 数据质量与时区注意事项¶
- 默认时区为
Asia/Shanghai。 - 非 A 股场景需要显式设置
timezone。 - 时间列必须显式
tz_localize，避免隐式时区偏移。 - 停牌或缺失日期建议先做交易日对齐，再做滚动窗口计算。
时区细节请参考 时区处理指南。
8. 从原理到实践：引擎到底做了什么¶
当你调用：
内部过程可以理解为三步：
- Parser：把字符串转为抽象语法结构。
- Planner：识别 TS/CS/EL，必要时自动拆步。
- Executor：按步骤执行并在关键节点物化中间结果。
这一机制直接决定了两个实践建议：
- 调试优先拆步。
- 优化优先减少不必要的跨分区嵌套。
本章小结¶
- 因子表达式引擎把研究重点从代码细节转向因子语义本身。
- TS、CS、EL 的分区语义是保证结果正确性的核心前提。
- 可解释、可拆步、可批量是高效因子研究的三项基本能力。
常见错误与排查¶
- 表达式报错：优先核对字段名、窗口长度与函数入参类型。
- 结果异常噪声：检查停牌缺失、时区和交易日对齐是否正确。
- 运行性能退化：拆分深层嵌套并减少不必要中间物化。
课后练习¶
- 计算并比较三个因子：
Ts_Mean(Close, 5)、Ts_Std(Close, 20)、Rank(Volume)。 - 复现动量反转：
Rank(Ts_Mean(Close, 5)) - Rank(Ts_Mean(Close, 20))，观察不同窗口参数下的分布变化。 - 构造一个“先 TS 再 CS”的复合因子，并写出对应的拆步验证流程。
- 思考：如果不做停牌对齐，
Ts_Rank与Ts_Mean的语义会如何偏离你的预期。