一、Alphalens 简介

Alphalens是用于因子分析的Python工具包，是Quantopian公司旗下三大开源包之一，另外两个分别是 Zipline（回测）和Pyfolio（绩效和风险分析）。

Github-Zipline：回测
Github-Alphalens：因子分析
Github-Pyfolio：绩效和风险分析

Alphalens的主要功能：

Returns Analysis
Information Coefficient Analysis
Turnover Analysis
Grouped Analysis

二、Alphalens 安装

alphalens 0.3.6
使用pip安装：

pip install alphalens

使用conda安装：

conda install -c conda-forge alphalens

三、Alphalens 使用

1、数据预处理

factor_data = utils.get_clean_factor_and_forward_returns(factor_df, price_df,
quantiles=5, bins=None,periods=(1, 5, 10, 20), max_loss=0.5)

factor_df:

price_df:

factor_data:

2、主要功能 alphalens.tears.create_full_tear_sheet

def create_full_tear_sheet(factor_data,long_short=True,group_neutral=False,by_group=False):# 因子分组统计结果plotting.plot_quantile_statistics_table(factor_data)# 因子收益率分析create_returns_tear_sheet(factor_data,long_short,group_neutral,by_group,set_context=False)# 因子IC分析create_information_tear_sheet(factor_data,group_neutral,by_group,set_context=False)create_turnover_tear_sheet(factor_data, set_context=False)

1）因子分组统计结果

plotting.plot_quantile_statistics_table(factor_data)

生成Quantiles Statistics，因子值factor_data[‘factor’]按不同分组factor_data[‘factor_quantile’]进行统计分析。

２）因子收益率分析

create_returns_tear_sheet

def create_returns_tear_sheet(factor_data,long_short=True,group_neutral=False,by_group=False):# weights = factor_weights(factor_data, demeaned, group_adjust, equal_weight)# weights = (factor - factor.mean())/sum(abs((factor - factor.mean())))# 某一交易日所有股票的因子值，去中心化(factor - factor.mean())后得到权重weights# 该交易日的factor_returns=factor_data中的收益率按照weights加权平均# factor_returns相当于是因子值加权的收益率，其中weights和为0。 factor_returns = perf.factor_returns(factor_data,long_short,group_neutral)# Compute mean returns for factor quantiles across provided forward returns columns.# 首先，对同一横截面上的收益率去中心化处理(x - x.mean())# 然后，对不同分组factor_quantile(level)计算去中心化收益率的均值(mean_quant_ret)和# 标准差(std_quantile)mean_quant_ret, std_quantile = \perf.mean_return_by_quantile(factor_data,by_group=False,demeaned=long_short,group_adjust=group_neutral)# period_ret.add(1).pow(conversion_factor).sub(1)# 将收益率按照base_period统一计算维度mean_quant_rateret = \mean_quant_ret.apply(utils.rate_of_return, axis=0,base_period=mean_quant_ret.columns[0])# compute quantile bucket returns separately for each date.# 首先，对横截面上的收益率去中心化(x - x.mean())# 然后，对不同分组和不同日期分别计算去中心化收益率的均值(mean_quant_ret_bydate)# 和标准差(std_quant_daily)mean_quant_ret_bydate, std_quant_daily = \perf.mean_return_by_quantile(factor_data,by_date=True,by_group=False,demeaned=long_short,group_adjust=group_neutral)mean_quant_rateret_bydate = mean_quant_ret_bydate.apply(utils.rate_of_return, axis=0,base_period=mean_quant_ret_bydate.columns[0])compstd_quant_daily = \std_quant_daily.apply(utils.std_conversion, axis=0,base_period=std_quant_daily.columns[0])# reg_fit = OLS(y, x).fit()# alpha, beta = reg_fit.params# x为横截面上所有个股的平均收益率，x代表市场表现# x = add_constant(x)# y为因子值加权的收益率(factor_returns)alpha_beta = perf.factor_alpha_beta(factor_data,factor_returns,long_short,group_neutral)# Top组的mean_quant_rateret_bydate - Bottom组的mean_quant_rateret_bydatemean_ret_spread_quant, std_spread_quant = \perf.compute_mean_returns_spread(mean_quant_rateret_bydate,factor_data['factor_quantile'].max(),factor_data['factor_quantile'].min(),std_err=compstd_quant_daily)fr_cols = len(factor_returns.columns)vertical_sections = 2 + fr_cols * 3gf = GridFigure(rows=vertical_sections, cols=1)# 表格Returns Analysis(不同周期下的收益率结果)：# alpha、beta、mean_quant_rateret.iloc[-1]、mean_quant_rateret.iloc[0]、# mean_ret_spread_quant.mean()plotting.plot_returns_table(alpha_beta,mean_quant_rateret,mean_ret_spread_quant)# 柱形图Mean Period Wise Return By Factor Quantile：#　mean_quant_rateret，分组平均超额收益（收益去中心化处理）plotting.plot_quantile_returns_bar(mean_quant_rateret,by_group=False,ylim_percentiles=None,ax=gf.next_row())# 小提琴图violinplotting.plot_quantile_returns_violin(mean_quant_rateret_bydate,ylim_percentiles=(1, 99),ax=gf.next_row())# <CustomBusinessDay>trading_calendar = factor_data.index.levels[0].freqif trading_calendar is None:trading_calendar = pd.tseries.offsets.BDay()warnings.warn("'freq' not set in factor_data index: assuming business day",UserWarning)for p in factor_returns:# p遍历factor_returns的列名1D、5D、10D、20Dtitle = ('Factor Weighted '+ ('Group Neutral ' if group_neutral else '')+ ('Long/Short ' if long_short else '')+ "Portfolio Cumulative Return ({} Period)".format(p))# 因子加权的多空累计收益净值曲线# Factor Weighted Long/Short Portfolio Cumulative Return (1D Period)# factor_returns = perf.cumulative_returns(factor_returns, period, freq)plotting.plot_cumulative_returns(factor_returns[p],period=p,freq=trading_calendar,title=title,ax=gf.next_row())# 因子分组超额收益净值曲线plotting.plot_cumulative_returns_by_quantile(mean_quant_ret_bydate[p],period=p,freq=trading_calendar,ax=gf.next_row())ax_mean_quantile_returns_spread_ts = [gf.next_row()for x in range(fr_cols)]plotting.plot_mean_quantile_returns_spread_time_series(mean_ret_spread_quant,std_err=std_spread_quant,bandwidth=0.5,ax=ax_mean_quantile_returns_spread_ts)plt.show()gf.close()

去中心化因子的加权收益率

demeaned = True
weights = factor_weights(factor_data, demeaned, group_adjust, equal_weight)

weights = (factor - factor.mean())/sum(abs((factor - factor.mean())))
同一横截面上所有股票的因子值，去中心化(factor - factor.mean())后得到权重weights
该交易日的因子加权收益率factor_returns=factor_data中的收益率按照weights加权平均

factor_returns = perf.factor_returns(factor_data, long_short, group_neutral)

mean_quant_rateret

首先，对同一横截面上的收益率去中心化处理(x - x.mean())，factor_data[]

# factor_data['5D']=factor_data.groupby('date')['5D'].transform(lambda x: x - x.mean())
factor_data = utils.demean_forward_returns(factor_data)

然后，对不同分组factor_quantile(level)计算去中心化收益率的均值(mean_quant_ret)和标准差(std_quantile)

grouper = ['factor_quantile', factor_data.index.get_level_values('date')]
mean_quant_ret = factor_data.groupby(grouper)['1D','5D','10D','20D'].mean()

将收益率按照base_period统一计算维度

mean_quant_rateret = mean_quant_ret.add(1).pow(conversion_factor).sub(1)

表格Returns Analysis(不同周期下的收益率结果)：

alpha、beta、 mean_quant_rateret.iloc[-1]、mean_quant_rateret.iloc[0]、mean_ret_spread_quant.mean()

plotting.plot_returns_table(alpha_beta,mean_quant_rateret,mean_ret_spread_quant)

分组平均超额收益Mean Period Wise Return By Factor Quantile：

mean_quant_rateret，分组平均超额收益（收益去中心化处理）

plotting.plot_quantile_returns_bar(mean_quant_rateret,by_group=False,ylim_percentiles=None,ax=gf.next_row())

因子加权的多空累计收益净值曲线

# Factor Weighted Long/Short Portfolio Cumulative Return (1D Period)
# factor_returns = perf.cumulative_returns(factor_returns, period, freq)
plotting.plot_cumulative_returns(factor_returns[p],period=p,freq=trading_calendar,title=title,ax=gf.next_row()
)

因子分组超额收益净值曲线

plotting.plot_cumulative_returns_by_quantile(mean_quant_ret_bydate[p],period=p,freq=trading_calendar,ax=gf.next_row()
)

mean return spread 分布

Top组的mean_quant_rateret_bydate - Bottom组的mean_quant_rateret_bydate

３）IC分析

create_information_tear_sheet

def create_information_tear_sheet(factor_data,group_neutral=False,by_group=False):# Computes the Spearman Rank Correlation between factor values and# N period forward returns for each period in the factor index.# 计算每个横截面上,因子值与不同周期收益率的spearman相关系数                 ic = perf.factor_information_coefficient(factor_data, group_neutral)# 生成IC表Information Analysis:plotting.plot_information_table(ic)columns_wide = 2fr_cols = len(ic.columns)rows_when_wide = (((fr_cols - 1) // columns_wide) + 1)vertical_sections = fr_cols + 3 * rows_when_wide + 2 * fr_colsgf = GridFigure(rows=vertical_sections, cols=columns_wide)ax_ic_ts = [gf.next_row() for _ in range(fr_cols)]plotting.plot_ic_ts(ic, ax=ax_ic_ts)ax_ic_hqq = [gf.next_cell() for _ in range(fr_cols * 2)]plotting.plot_ic_hist(ic, ax=ax_ic_hqq[::2])plotting.plot_ic_qq(ic, ax=ax_ic_hqq[1::2])plt.show()gf.close()

计算IC

ic = perf.factor_information_coefficient(factor_data, group_neutral)

计算同一横截面上收益率与因子的spearman相关性

stats.spearmanr( factor_data['5D'], factor_data['factor'])

生成IC表 Information Analysis

def plot_information_table(ic_data):ic_summary_table = pd.DataFrame()ic_summary_table["IC Mean"] = ic_data.mean()ic_summary_table["IC Std."] = ic_data.std()ic_summary_table["Risk-Adjusted IC"] = \ic_data.mean() / ic_data.std()t_stat, p_value = stats.ttest_1samp(ic_data, 0)ic_summary_table["t-stat(IC)"] = t_static_summary_table["p-value(IC)"] = p_valueic_summary_table["IC Skew"] = stats.skew(ic_data)ic_summary_table["IC Kurtosis"] = stats.kurtosis(ic_data)print("Information Analysis")utils.print_table(ic_summary_table.apply(lambda x: x.round(3)).T)

Alphalens笔记相关推荐

Python量化交易学习笔记（1）
Python量化交易学习笔记(1) http://zwpython.com/ http://www.topquant.vip/?p=2275 [更多参见] <zwPython,目前最好的py开发 ...
【读书笔记】知易行难，多实践
前言: 其实,我不喜欢看书,只是喜欢找答案,想通过专业的解答来解决我生活的困惑.所以,我听了很多书,也看了很多书,但看完书,没有很多的实践,导致我并不很深入在很多时候. 分享读书笔记: <高效1 ...
【运维学习笔记】生命不息，搞事开始。。。
001生命不息,搞事不止!!! 这段时间和hexesdesu搞了很多事情! 之前是机械硬盘和固态硬盘的测速,我就在那默默的看着他一个硬盘一个机械测来测去. 坐在他后面,每天都能看到这位萌萌的小男孩,各 ...
SSAN 关系抽取论文笔记
20210621 https://zhuanlan.zhihu.com/p/353183322 [KG笔记]八.文档级(Document Level)关系抽取任务共指id嵌入一样但是实体嵌入的时候 ...
pandas以前笔记
# -*- coding: utf-8 -*- """ Created on Sat Jul 21 20:06:20 2018@author: heimi "& ...
PyTorch 学习笔记（六）：PyTorch hook 和关于 PyTorch backward 过程的理解 call
您的位置首页 PyTorch 学习笔记系列 PyTorch 学习笔记(六):PyTorch hook 和关于 PyTorch backward 过程的理解发布: 2017年8月4日 7,195阅读 ...
容器云原生DevOps学习笔记——第三期：从零搭建CI/CD系统标准化交付流程
暑期实习期间,所在的技术中台-效能研发团队规划设计并结合公司开源协同实现符合DevOps理念的研发工具平台,实现研发过程自动化.标准化: 实习期间对DevOps的理解一直懵懵懂懂,最近观看了阿里专家带 ...
容器云原生DevOps学习笔记——第二期：如何快速高质量的应用容器化迁移
暑期实习期间,所在的技术中台-效能研发团队规划设计并结合公司开源协同实现符合DevOps理念的研发工具平台,实现研发过程自动化.标准化: 实习期间对DevOps的理解一直懵懵懂懂,最近观看了阿里专家带 ...
王道考研计算机网络笔记第六章：应用层
本文基于2019 王道考研计算机网络: 2019 王道考研计算机网络个人笔记总结第一章:王道考研计算机网络笔记第一章:概述&计算机网络体系结构第二章:王道考研计算机网络笔记第 ...

Alphalens笔记