A Share Multifactor Model

A股多因子模型/Barra风格因子分析。当用户说"多因子"、"multifactor"、"Barra"、"因子模型"、"风格因子"、"XX的因子暴露"、"因子收益率"、"风险模型"时触发。基于 cn-stock-data 获取行情和财务数据，构建多因子风险模型，分析因子暴露、因子收益、协方差矩阵。支持研报风格（formal）和快速分析风格（brief）。

A股多因子模型

数据源

bash

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 个股K线（计算动量/波动率因子）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期]

# 实时行情（市值/PE/PB等）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],...

# 财务指标（ROE/营收增速等基本面因子）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

量化计算：

bash

QSCRIPTS="$SKILLS_ROOT/a-share-multifactor-model/scripts"
# 多因子回归
python "$QSCRIPTS/multifactor_builder.py" --returns returns.csv --factors "size,value,momentum" --method ols

Workflow

Step 1: 确定因子体系

根据用户需求选择因子集：

• Barra CNE5 风格：Size/Beta/Momentum/ResidVol/NLSize/BP/Liquidity/EarningsYield/Growth/Leverage
• 自定义因子：用户指定的因子组合
• 通过 cn-stock-data 获取原始数据（行情+财务）

Step 2: 因子计算与标准化

1. 从原始数据计算因子值
2. 去极值（MAD 法 ±3 倍）
3. 标准化（Z-score）
4. 缺失值处理（行业均值填充）

Step 3: 截面回归估计因子收益

1. 每期对股票收益 vs 因子暴露做 OLS 回归
2. 回归系数即为因子收益率
3. 计算因子收益的 t 统计量

Step 4: 构建风险模型

1. 因子协方差矩阵（指数加权）
2. 特质风险估计（回归残差的波动率）
3. 股票层面的风险分解

Step 5: 输出

维度	formal（完整因子报告）	brief（快速分析）
因子定义	完整因子体系说明	仅列出因子名
因子收益	完整时序+统计检验	近期因子收益排名
暴露分析	个股因子暴露详表	关键因子暴露值
风险模型	协方差矩阵+特质风险	无
图表	因子收益累计曲线	无

默认风格：brief。用户要求"详细"/"完整模型"时切换为 formal。

关键规则

1. 因子暴露需经行业和市值中性化处理
2. 因子协方差使用半衰期 90 天的指数加权
3. 特质收益率需检验正态性假设
4. A 股需剔除 ST 股和次新股（上市<60日）
5. 行业分类默认使用申万一级（31 个行业）