简介本资源是一套面向量化投资初学者与进阶学习者的Python实战复现项目聚焦国内主流券商金工研报的核心模型与策略逻辑帮助读者系统掌握因子构建、回测验证、风险归因等关键环节。资源适用于计算机、金融工程、统计学等相关专业学生及从业者可用于课程设计、毕业设计、实习项目或自学提升尤其适合希望将学术研报落地为可运行代码的学习者。压缩包共316个文件含69个Python脚本、44个Jupyter Notebook含完整复现流程、62份PDF研报与论文、18个CSV数据集如factors_frame、sw_level1、gold_stock_frame等辅以图表与说明文档整体大小173.39MB结构清晰、模块分明。已有209人下载学习所有代码均经实测可运行配套README与远程答疑支持显著降低研报复现门槛助力从理论理解迈向工程实践。 我最早开始系统化复现券商金工研报不是因为别人告诉我这有多重要而是自己吃了一次亏。当时我刚接触量化研究花了两周时间写了一个自认为很妙的量价因子回测曲线也好看结果无意间翻到一份公开的券商金工研报发现同样的思路人家早就做过而且从样本外验证到稳健性测试整个研究框架比我严谨得多。那次之后我意识到与其闭门造车不如把国内券商金工研报系统性地用Python复现一遍既能学别人的研究框架也能找到自己的差距。后来这个行为慢慢变成了一个固定项目对各类研报做拆解、编码、回测、验证最后把过程沉淀成源码和文档说明。这篇内容就是这个项目的完整复盘。我会从研报筛选、文字拆解、代码落地、回测对齐到工程化沉淀把整条链路讲清楚。适合三类人看刚入门量化、想拿真实研报练手的Python使用者已经在做因子研究但没系统化处理过研报的研究员以及想把自己零散研究整理成可复用源码的人。1. 复现之前先给研报分个类不是所有研报都值得写代码金工研报这个大类下面其实藏了好几种完全不同的东西。很多人一上来就找最新的报告打开PDF就一行行抄公式结果抄到一半发现数据源根本拿不到或者回测逻辑被省略了只能半途而废。我的经验是动手之前先花半小时判断这篇研报值不值得复现能省下后面至少一周的折腾。1.1 深度报告、专题报告和周报的差异券商金工团队发布的报告大致能分成三类。一类是深度报告通常是某个团队花几个月研究出来的成果标题里一般带着深度报告系列研究框架研究这类字样。这类报告会把因子定义、数据源、回测设置、稳健性检验写得相对完整是复现的首选对象。我现在项目里的主力复现对象八成以上都是这一类。另一类是专题报告比如针对某个热点问题做的研究例如ESG因子在A股是否有效高频量价特征能否预测次日收益。这种报告内容聚焦但篇幅通常比深度报告短细节可能有所省略。复现时经常需要自己补数据口径适合有一定经验之后再碰。还有一类是周报/月报/定期跟踪报告这类报告更像是对已有模型的跟踪输出里面会有本周模型跑出的多空组合收益或行业配置信号这类结果。它的价值在于给你一个现成的输出对照但报告里通常不会展开讲模型细节复现价值相对有限。我刚开始做这个项目时看到报告就下载后来发现不少周报根本没有可复现的完整逻辑白白浪费了时间。现在我的习惯是先看报告类型再决定要不要进下一轮筛选。1.2 一张研报信息拆解清单判断一篇研报是否可复现不能凭感觉。我给自己列了一张很朴素的信息拆解清单每篇报告拿到手先照着填空因子或模型是否有明确的数学定义不要求写出完整公式但至少要有文字描述加示例能让我推导出可执行的计算过程。数据来源是否明确报告里写的是全部A股还是沪深300成分股是否剔除了ST、停牌、次新股这些直接影响股票池范围。调仓频率和调仓时点是否写了月度调仓是月末最后一个交易日收盘还是下月初开盘买入两种情况写出来的代码逻辑完全不同。回测区间和绩效指标是什么报告给出的是年化收益、夏普比率还是多空组合净值区间不同结果没法直接对比。是否有稳健性检验如果报告里只给了一个参数的结果我会默认这个因子对参数可能比较敏感复现时要做参数扫描不能只复现单一参数。这五条里前三条只要有一条不满足复现难度就会明显上升。尤其是调仓时点很多报告写得含糊用月末调仓一笔带过但实际不同团队可能用的是当月最后一个交易日收盘价换仓也可能用下月第一个交易日开盘价换仓两者在A股这种跳空高开低开常见的地方回测结果能差出好几个点。1.3 选研报的三条硬标准信息拆解清单做完之后我会再用三条硬标准做最后一道过滤数据可得性。研报里用到的数据必须是公开或常规数据源能拿到的比如行情数据、财务数据、分析师预期数据。如果是独家另类数据或者自建标签数据直接放弃因为复现出来也无法对齐。逻辑闭环。我能不能从报告文字中还原出一条完整的链路原始数据如何清洗、因子如何计算、股票如何筛选、组合如何构建、绩效如何评估。中间任何一环断裂我都会把这篇报告标记为参考但不复现。研究样本足够长。报告回测区间最好能覆盖完整的牛熊周期至少五年以上。如果只有两三年我复现出来也很难判断因子到底是有效还是过拟合。把这三条硬标准和前面的拆解清单结合起来基本能筛掉一半以上的报告。剩下那些才是值得投入时间仔细复现的对象。2. 把研报读成伪代码因子定义、数据口径和调仓细节研报筛选好之后下一步不是急着打开IDE写代码而是先把它读成伪代码。这个过程相当于给代码搭骨架。我一般会拿一支笔在纸上画或者直接在Markdown文档里写把研报里每个关键动作翻译成类似伪代码的描述。2.1 因子定义拆成字段窗口算子我复现过的量价因子绝大多数可以拆成三个要素数据字段、计算窗口、聚合算子。这个三元组看起来简单但能覆盖大部分常见因子。打个比方过去20日日收益率的均值就是字段日收益率窗口20算子均值。过去3个月日均换手率相对于过去12个月日均换手率的倍数就是字段日均换手率窗口3和12算子除法。把研报文字翻译成三元组之后很多模糊的地方会自己暴露出来。比如研报里写月度换手率变动因子我就要问月度换手率是当月总成交额除以当月平均流通市值还是当月每日换手率的简单平均变动是和过去三个月比还是和过去六个月比这些细节研报不一定逐字写清楚但一旦落到三元组我就知道哪里需要自己补假设。我在代码里也直接按这个三元组设计因子计算接口。每个因子就是一组配置字段名列表、窗口列表、算子列表。这样做的好处是后面要批量复现多篇研报时因子定义能统一抽象不需要每篇报告都重写一套计算逻辑。2.2 数据口径统一是复现的第一道坎很多复现结果对不上问题不在代码而在数据口径。尤其A股市场几个关键口径必须提前定死否则回测结果能差出一大截。第一个是复权方式。研报里如果没特别说明我默认使用前复权或后复权价格计算收益率。前复权和后复权处理分红除权的方式不太一样长期收益序列的形状会有差异尤其是高分红股票复权方式选错因子值就会在除权日附近产生假信号。我自己的习惯是统一用后复权价做因子计算再用实际价格做交易撮合两套口径分开。第二个是ST和停牌处理。研报里常见的描述是剔除ST、停牌和上市不满60日的股票。这句话执行起来有几个细节ST是期初剔除还是期末剔除停牌股票是直接跳过还是顺延买入上市不满60日是从上市日期算还是从首次可交易日期算这些细节对因子回测影响很大尤其是高换手因子本来就会选中一批波动大的股票如果ST和次新股没剔除干净多空收益会被明显拉偏。第三个是涨跌停处理。A股有涨跌停制度回测时如果你计算的信号是某只股票需要买入但它在调仓日一字涨停买不进去那这笔交易在现实中就成交不了。严谨的研报会把这种交易限制写进回测引擎。我复现时至少会在调仓日标记涨停买不进、跌停卖不出的股票不做这个处理的话回测净值会被系统性高估。2.3 我常用的研报要素映射表在正式写代码前我会把每篇研报的信息填进一张固定的映射表相当于伪代码阶段的工作底稿。这里分享一个简化版的结构信息要素需要确认的问题常见情况股票池全A沪深300中证500是否剔除ST/次新/停牌全A剔除ST、上市不满60日数据字段使用收盘价、收益率、换手率还是成交额前复权收盘价、日收益率、日换手率计算窗口因子回看多少天/月5、10、20、60日或多个月份聚合算子均值、标准差、斜率、排名还是比值过去20日收益率、过去12月波动率调仓频率每日、每周、每月月度调仓最常见调仓时点期末收盘价还是下期开盘价使用下一交易日开盘价更接近现实组合权重等权、市值加权、还是因子值加权等权最稳妥市值加权需额外确认交易成本佣金、印花税、滑点怎么设置双边千分之三到千分之五剔除条件调仓时涨停/跌停的股票怎么处理涨停不买、跌停不卖绩效指标年化收益、夏普、最大回撤、多空月胜率多空组合和单多头分组表现都要看这张表填完之后研报读成伪代码的任务就完成了一大半。填不出来的地方就是需要我补假设的地方我会在源码的文档说明里把这些假设标出来。这也是为什么我的复现项目会强调文档说明——因为复现的价值不在于代码本身而在于你清楚记录了自己在模糊处做了什么选择。3. 工程目录与最小回测闭环一份研报对应一个模块有人复现研报的时候习惯在一个Notebook里从数据读到因子计算再到回测全部做完。这种写法跑起来很爽但一旦报告数量超过五六篇Notebook就会变成一团乱麻。我的项目从第10篇研报开始改用标准工程结构一篇研报对应一个独立模块效果立竿见影。3.1 目录怎么组织才能支撑多研报并行我现在的目录结构大致是这样research_reproduction/ ├── config/ │ ├── data_path.yaml │ └── backtest_default.yaml ├── data/ │ ├── raw/ │ └── processed/ ├── factors/ │ ├── base.py │ ├── turnover_deviation.py │ ├── momentum.py │ └── ... ├── backtest/ │ ├── engine.py │ └── metrics.py ├── reports/ │ ├── 2023_xx证券_xx因子/ │ │ ├── notes.md │ │ ├── factor_config.json │ │ └── result_summary.md │ └── ... ├── docs/ │ ├── data_dictionary.md │ └── reproduction_guide.md └── README.md这个结构的核心思路是数据、因子、回测、报告说明四层拆开。数据层统一处理一个数据源服务所有因子因子层只做计算不掺回测逻辑回测层只负责撮合和绩效评估不关心因子怎么来的报告层则单独存放每篇研报的复现笔记和结果。为什么这么拆因为不同研报之间的数据清洗逻辑高度重复不拆出来就会每篇报告复制一遍数据读取代码改起Bug来要改好几个地方。因子层拆出来则是因为同一个因子定义可能出现在多篇研报里只是参数不同。把因子写成可配置的模块换参数跑就行不用复制代码。3.2 因子计算层的最小实现因子层是这套工程的核心。我在基类里统一约定输入输出格式输入是日频DataFrame索引是日期列是多只股票输出同样结构的因子值矩阵索引是调仓日期列是股票代码。以换手率偏离因子为例核心计算函数可以写得很短import pandas as pd import numpy as np def calc_turnover_deviation( turnover: pd.DataFrame, short_window: int 1, long_window: int 3, method: str ratio, ) - pd.DataFrame: 月度换手率偏离因子。 turnover: 月度日均换手率index为月份columns为股票代码 short_window: 短期回看月数 long_window: 长期回看月数 method: ratio短期/长期-1, zscore(短期-长期均值)/长期标准差 short_avg turnover.rolling(short_window, min_periods1).mean() long_avg turnover.rolling(long_window, min_periodslong_window).mean() long_std turnover.rolling(long_window, min_periodslong_window).std() if method ratio: factor short_avg / long_avg - 1 elif method zscore: factor (short_avg - long_avg) / long_std else: raise ValueError(f未知的标准化方式: {method}) return factor这段代码本身不难真正的难点在于_turnover_这个月度日均换手率怎么算出来。我先把日频换手率按股票分组再对每个月份取算术平均最后把缺失月份用NaN补齐。这一步看起来简单实际执行时要处理停牌导致的空数据、上市首月数据不足等问题。这也是为什么我一直建议工程化而不是Notebook写到底因子计算流程里到处是边界情况工程化之后每个边界情况都有明确的位置去处理而不是散落在几十个单元格里。3.3 快速回测先跑通再谈优化回测层的目标很明确在现有因子值矩阵上快速生成一组绩效指标供我判断这个因子是否值得继续优化。不需要一开始就上复杂的滑点模型、冲击成本模型先把最朴素的版本跑通让结果说话。我的最小回测流程分四步根据调仓频率将因子值对齐到调仓日截面在每个截面上做因子排序并选出多空组合或TopN组合计算组合在持有期内每个交易日的收益率最后汇总成年化收益、夏普比率、最大回撤和月胜率。很多人一开始就想着做细节很完美的回测结果被事务处理的复杂度拖住反而迟迟看不到因子的真实水平。我的建议是先用最简单的等权配置加千分之三双边成本跑一遍如果这个简单框架下因子都没有正向表现那大概率不是交易细节的问题而是因子本身的方向有问题。等确认因子有效之后再逐步加更复杂的交易限制。4. 实战拆解一个月度换手率偏离因子的完整复现理论讲再多不如一个完整案例来得直接。我拿自己复现过的一个量价因子来演示整条链路这个因子在很多券商的研报里以不同形式出现过核心假设是当月换手率如果异常偏离过去一段时间的平均水平往往意味着资金行为发生突变后续收益可能出现反转或动量效应。4.1 研报原文描述和我的翻译研报里一段典型的描述是这样的构建月度换手率偏离因子定义如下当月日均换手率相对于过去三个月日均换手率的偏离程度偏离程度采用比值方式计算。调仓频率为月度月末最后一个交易日按因子值由小到大排序做多因子值最小的30%做空因子值最大的30%持有一个月剔除ST、停牌及上市不满60个自然日的股票。这段文字翻译成伪代码就是for 每个月末: 股票池 全体A股 - ST - 停牌 - 上市不满60日 短期换手率 当月每日换手率的平均 长期换手率 过去3个月每月日均换手率的平均 因子值 短期换手率 / 长期换手率 - 1 排序 按因子值从小到大 做多组合 排序前30% 做空组合 排序后30% 持有到下个月末按等权计算收益到这里整篇研报的文字描述就变成了一个可执行的流程。接下来只需要把每一步翻译成Python代码。4.2 核心代码片段与运行结果第一步是计算月度日均换手率。这里需要用到日频的成交量、成交额和流通市值。换手率的定义选择的是当日成交量占当日流通股本的比例如果数据源直接用自由流通市值换手率也可以直接读入但要注意不同数据源的定义可能不同口径必须记录在可复现文档里。# 假设日频数据已经读入 daily_df包含 close, volume, float_mv # 先算日换手率 daily_df[turnover] daily_df[volume] / daily_df[float_mv] # 按月分组取日均换手率 monthly_turnover ( daily_df[turnover] .resample(ME) .mean() .unstack(level0) )第二步用前面写的calc_turnover_deviation函数算因子值然后在每个调仓截面上排序分组。第三步行成组合回测核心如下def backtest_factor(factor: pd.DataFrame, ret: pd.DataFrame, groups3): 极简多空回测。factor: 月度截面因子ret: 下月收益矩阵。 results {} for dt in factor.index: # 按因子值排序前1/3做多后1/3做空 rank factor.loc[dt].rank(ascendingTrue) n rank.notna().sum() if n 10: continue long_stocks rank[rank n / groups].index short_stocks rank[rank n * (groups - 1) / groups].index ret_dt ret.loc[dt] # 下一个月收益 results[dt] { long: ret_dt[long_stocks].mean(), short: ret_dt[short_stocks].mean(), ls: ret_dt[long_stocks].mean() - ret_dt[short_stocks].mean(), } result_df pd.DataFrame(results).T return result_df我实际跑出来的结果多空月度胜率在50%到60%之间年化多空收益大概在8%到12%之间取决于短期窗口的参数。这个数字和研报原文公布的并不完全一致但在逻辑方向和显著性水平上是吻合的。这里要特别说明复现不等于复制。就算我给足数据源和代码不同人的复现结果也大概率不会和研报完全相同。研报里没写清楚的小假设、数据供应商不同导致的价差、复权方式差异都会让净值曲线有偏移。关键在于方向一致、结论一致而不是数字逐位一致。4.3 参数敏感性为什么不能只复现单一参数研报里通常只给一组参数比如短期1个月对长期3个月。但一个因子是否值得信任要看它在参数扫描下是否稳健而不是只看最优参数组合。我在这个案例里把短期窗口固定为1个月长期窗口从2个月跑到12个月观察多空年化收益和胜率的变化。结果发现长期窗口在3到6个月之间时因子表现比较稳定长期窗口拉到12个月后因子效果显著减弱。这说明这个因子本质上捕捉的是中期换手率偏离而不是长期趋势。参数敏感性分析还有一个附带的收获当你发现最优参数和研报参数不一致时可以反过来推测研报作者可能在参数选择上有过一版更细致的扫描只是没在报告里写出来。这种脑补作者思路的过程对提升研究直觉很有帮助。5. 回测结果对不上研报按这张排查链路走复现最折磨人的环节是代码跑出来后结果和研报差了一大截。这时候不要急着改参数硬凑一旦开始硬凑整个复现就失去了意义。我现在的做法是按照固定链路排查从数据层到交易层再到计算层一层一层找原因。5.1 偏差来源排序数据层 交易层 计算层我的经验里回测结果偏差的来源按概率排序大概是数据层偏差最多交易层其次计算层最少。这里有个很反直觉的点很多人第一反应是检查因子计算有没有Bug但实际上因子计算逻辑反而是容易写对的部分真正坑人的往往是数据口径和交易细节。偏差来源典型现象排查方式复权方式不一致因子在除权日附近出现异常尖峰对比前复权/后复权因子值差异股票池范围不同多头超额和研报趋势一致但数值整体偏低核对是否含ST、是否含科创板/北交所调仓时点偏差净值曲线形状相似但月度收益错位一个月逐月对比组合构建日期和研报描述交易成本设置高换手因子回测收益明显高于研报检查佣金、印花税、滑点是否被低估涨跌停无法成交多头收益被高估尤其小盘因子加入涨停买卖限制重新回测收益率计算方法等权和多空收益对不上确认是简单收益率还是对数收益率、是月度还是日度累乘数据层的偏差通常影响的是因子值和股票池表现是复现结果总是偏低或偏高但整体走势和研报一致。交易层的偏差影响更隐蔽它对高换手因子的影响特别大因为交易频繁时成本效应会被放大。计算层的偏差反而最少见因为代码逻辑一旦写错结果往往完全偏掉而不是差一点。5.2 我排查偏差的一段真实经历去年我复现一个动量类因子研报里写的多空年化收益超过25%我跑出来只有12%差距大到没法忽略。一开始我怀疑是因子计算代码写错了反复检查逻辑没发现问题。后来把逐月收益打印出来和研报里的分组净值图对照发现前6个月走势基本吻合第7个月开始逐步拉大。这个特征让我判断问题不在计算逻辑而在数据层或交易层。我把研报的股票池定义重新读了一遍发现它写的是剔除上市不满12个月的次新股而我代码里写的是剔除上市不满60个自然日。这一下就差了很多因为动量因子本来就偏好次新小盘股我的股票池里多了一批刚上市不久、波动巨大的股票把多空收益的稳定性拉低了。还有一次是一个低波因子我跑出来的净值曲线明显比研报平滑最大回撤小得可疑。查了一圈发现是收益率数据里包含了分红再投资的默认设置而研报用的是价格收益率没有把分红算进去。这种口径差异在低波因子这种长期慢速因子上会被放大因为你本来赚的就是复利积累的钱分红处理方式不同累计净值就会差出一大截。这两次经历让我总结出一个习惯每次复现之前先把研报里所有和数据口径相关的句子高亮出来逐句核对比写完代码再回头查要高效得多。5.3 复现成功的标准不是误差为零很多人复现研报有个误区觉得复现成功就是和研报上的数字一模一样。实际上这是不可能的也没有必要。研报公布的结果是作者在自己环境里跑出的一个样本你换个数据源换个复权方式结果自然会有差异。我对复现成功的定义有三条因子收益的方向一致。研报说多头跑赢空头你的结果里多空收益为正。显著性和稳定性一致。研报里因子在多数年份有效你的结果里也至少要在多数年份有效不能只有一两年爆发。关键风险特征一致。研报里最大回撤发生在哪段市场环境你的结果里也应该有类似表现。如果这三条都满足那即使具体数字差几个点我也认为这篇研报复现成功。如果方向不一致或者显著性和研报截然相反那才会进入找Bug流程。6. 源码与文档的沉淀让复现不只是一次性任务复现研报最大的价值是把别人的研究思路沉淀成自己的资产。但如果代码和文档写得很随意这些资产过两个月自己就看不懂了等于白做。这个项目里我花了不少心思在源码组织和文档说明上这里分享一些具体做法。6.1 一份可维护的目录结构前面已经提过整体的目录结构这里再补充几个容易被忽略的细节。首先是配置文件和代码分离。数据路径、回测参数、成本参数不要散落在代码里统一放进yaml配置文件。这样复现另一篇研报时只需要复制一份配置改参数就能跑不用动代码。其次是README要写清楚复现对象和结论。我每完成一篇研报会在reports目录下写一个Markdown文件内容包括研报标题和发布日期、我的复现假设、和研报原文的差异点、最终复现结论。这个文件比代码本身更重要因为三个月后我回顾项目时先看这个文件就能快速想起这篇研报值不值得进一步研究。最后是数据字典一定要有。数据层data_source.py里每个字段的命名和来源单位全部记录在docs/data_dictionary.md里。比如volume是用手还是用股float_mv是流通市值还是自由流通市值。没有数据字典的量化项目迟早会死在我记得这个字段好像是....6.2 README和配置说明怎么写才有价值很多开源项目的README写得像API文档列了一堆函数名和类名用户看完还是不知道怎么跑。我自己的README习惯是从用户故事出发写。一个典型的README应该按这个顺序组织项目简介一句话说明这个项目能干什么比如用Python复现国内券商金工研报中的常见因子与回测框架。环境依赖Python版本、核心库版本、数据源格式要求。这里一定要写版本号pandas 1.x和2.x的某些接口行为不一样。快速开始从配置文件到运行脚本三步之内跑出一个示例结果。这一步最关键如果没有快速开始读者很难有耐心继续看。复现清单当前已复现的研报列表每篇研报的状态标记为完全复现逻辑复现或复现失败。已知差异每个复现模块和研报原文之间的已知差异比如研报使用市值加权本项目使用等权。配置说明方面我倾向于把每个参数的取值范围和含义写在yaml注释里而不是单独写一个很长的配置文档。配置文件和注释放一起改参数的时候更容易注意到边界条件。6.3 从单篇复现到批量复现框架做到第20篇研报复现的时候我的项目已经从单篇报告复现长成了批量复现框架。复现流程变成了一条流水线下载研报、阅读填表、配置因子参数、运行统一回测引擎、生成复现报告。这个框架最大的价值不是自动化本身而是提升了可对比性。当所有因子都跑在同一套回测引擎下使用同样的成本设置和股票池标准不同研报之间的因子表现才真正可比较。否则A研报用万分之三成本B研报用千分之三成本两个因子放在一起比收益高低完全没有意义。我现在的做法是所有复现出来的因子在统一框架下跑一次基准体检包含五组固定测试不同换手率区间分组表现、牛熊市分段表现、不同市值分组表现、参数敏感性热力图、和常见因子市值/反转/波动率的相关性矩阵。这套体检结果比研报原文给出的绩效指标更能反映因子的真实面貌。有一个很有意思的衍生效果当我用统一框架跑完一批因子后发现不同团队在相近时间段发布的研报因子之间的相关性其实很高说明国内量化研究在量价因子上的同质化程度不低。这本身就是一个值得写进文档的观察结论——复现的目的不只是验证单个因子也是理解整个研究生态。一些实际操作中的体会把这个项目做下来我最大的感受是券商金工研报复现的本质不是抄作业而是用代码重新思考一遍作者的思路。很多研报里一笔带过的假设比如调仓时点、股票池细节、成本设定只有在你自己写代码时才会意识到它们对结果的巨大影响。这种重新思考的训练对量化研究能力的提升比单纯看十篇研报都有用。如果让我给刚开始做这件事的人一个建议就是不要追求复现数量先精读并复现五篇高质量深度报告。把数据口径、因子定义和回测框架的完整闭环跑通之后后面再遇到新研报速度会快很多。最后再说一个小技巧每完成一篇研报的复现就在文档里留一个如果作者重新写这篇报告我会建议改进什么的小节。这个习惯帮我把复现从被动的验证变成了主动的研究。本文还有配套的精品资源点击获取
用Python复现券商金工研报：从因子拆分到回测工程化的完整链路
简介本资源是一套面向量化投资初学者与进阶学习者的Python实战复现项目聚焦国内主流券商金工研报的核心模型与策略逻辑帮助读者系统掌握因子构建、回测验证、风险归因等关键环节。资源适用于计算机、金融工程、统计学等相关专业学生及从业者可用于课程设计、毕业设计、实习项目或自学提升尤其适合希望将学术研报落地为可运行代码的学习者。压缩包共316个文件含69个Python脚本、44个Jupyter Notebook含完整复现流程、62份PDF研报与论文、18个CSV数据集如factors_frame、sw_level1、gold_stock_frame等辅以图表与说明文档整体大小173.39MB结构清晰、模块分明。已有209人下载学习所有代码均经实测可运行配套README与远程答疑支持显著降低研报复现门槛助力从理论理解迈向工程实践。 我最早开始系统化复现券商金工研报不是因为别人告诉我这有多重要而是自己吃了一次亏。当时我刚接触量化研究花了两周时间写了一个自认为很妙的量价因子回测曲线也好看结果无意间翻到一份公开的券商金工研报发现同样的思路人家早就做过而且从样本外验证到稳健性测试整个研究框架比我严谨得多。那次之后我意识到与其闭门造车不如把国内券商金工研报系统性地用Python复现一遍既能学别人的研究框架也能找到自己的差距。后来这个行为慢慢变成了一个固定项目对各类研报做拆解、编码、回测、验证最后把过程沉淀成源码和文档说明。这篇内容就是这个项目的完整复盘。我会从研报筛选、文字拆解、代码落地、回测对齐到工程化沉淀把整条链路讲清楚。适合三类人看刚入门量化、想拿真实研报练手的Python使用者已经在做因子研究但没系统化处理过研报的研究员以及想把自己零散研究整理成可复用源码的人。1. 复现之前先给研报分个类不是所有研报都值得写代码金工研报这个大类下面其实藏了好几种完全不同的东西。很多人一上来就找最新的报告打开PDF就一行行抄公式结果抄到一半发现数据源根本拿不到或者回测逻辑被省略了只能半途而废。我的经验是动手之前先花半小时判断这篇研报值不值得复现能省下后面至少一周的折腾。1.1 深度报告、专题报告和周报的差异券商金工团队发布的报告大致能分成三类。一类是深度报告通常是某个团队花几个月研究出来的成果标题里一般带着深度报告系列研究框架研究这类字样。这类报告会把因子定义、数据源、回测设置、稳健性检验写得相对完整是复现的首选对象。我现在项目里的主力复现对象八成以上都是这一类。另一类是专题报告比如针对某个热点问题做的研究例如ESG因子在A股是否有效高频量价特征能否预测次日收益。这种报告内容聚焦但篇幅通常比深度报告短细节可能有所省略。复现时经常需要自己补数据口径适合有一定经验之后再碰。还有一类是周报/月报/定期跟踪报告这类报告更像是对已有模型的跟踪输出里面会有本周模型跑出的多空组合收益或行业配置信号这类结果。它的价值在于给你一个现成的输出对照但报告里通常不会展开讲模型细节复现价值相对有限。我刚开始做这个项目时看到报告就下载后来发现不少周报根本没有可复现的完整逻辑白白浪费了时间。现在我的习惯是先看报告类型再决定要不要进下一轮筛选。1.2 一张研报信息拆解清单判断一篇研报是否可复现不能凭感觉。我给自己列了一张很朴素的信息拆解清单每篇报告拿到手先照着填空因子或模型是否有明确的数学定义不要求写出完整公式但至少要有文字描述加示例能让我推导出可执行的计算过程。数据来源是否明确报告里写的是全部A股还是沪深300成分股是否剔除了ST、停牌、次新股这些直接影响股票池范围。调仓频率和调仓时点是否写了月度调仓是月末最后一个交易日收盘还是下月初开盘买入两种情况写出来的代码逻辑完全不同。回测区间和绩效指标是什么报告给出的是年化收益、夏普比率还是多空组合净值区间不同结果没法直接对比。是否有稳健性检验如果报告里只给了一个参数的结果我会默认这个因子对参数可能比较敏感复现时要做参数扫描不能只复现单一参数。这五条里前三条只要有一条不满足复现难度就会明显上升。尤其是调仓时点很多报告写得含糊用月末调仓一笔带过但实际不同团队可能用的是当月最后一个交易日收盘价换仓也可能用下月第一个交易日开盘价换仓两者在A股这种跳空高开低开常见的地方回测结果能差出好几个点。1.3 选研报的三条硬标准信息拆解清单做完之后我会再用三条硬标准做最后一道过滤数据可得性。研报里用到的数据必须是公开或常规数据源能拿到的比如行情数据、财务数据、分析师预期数据。如果是独家另类数据或者自建标签数据直接放弃因为复现出来也无法对齐。逻辑闭环。我能不能从报告文字中还原出一条完整的链路原始数据如何清洗、因子如何计算、股票如何筛选、组合如何构建、绩效如何评估。中间任何一环断裂我都会把这篇报告标记为参考但不复现。研究样本足够长。报告回测区间最好能覆盖完整的牛熊周期至少五年以上。如果只有两三年我复现出来也很难判断因子到底是有效还是过拟合。把这三条硬标准和前面的拆解清单结合起来基本能筛掉一半以上的报告。剩下那些才是值得投入时间仔细复现的对象。2. 把研报读成伪代码因子定义、数据口径和调仓细节研报筛选好之后下一步不是急着打开IDE写代码而是先把它读成伪代码。这个过程相当于给代码搭骨架。我一般会拿一支笔在纸上画或者直接在Markdown文档里写把研报里每个关键动作翻译成类似伪代码的描述。2.1 因子定义拆成字段窗口算子我复现过的量价因子绝大多数可以拆成三个要素数据字段、计算窗口、聚合算子。这个三元组看起来简单但能覆盖大部分常见因子。打个比方过去20日日收益率的均值就是字段日收益率窗口20算子均值。过去3个月日均换手率相对于过去12个月日均换手率的倍数就是字段日均换手率窗口3和12算子除法。把研报文字翻译成三元组之后很多模糊的地方会自己暴露出来。比如研报里写月度换手率变动因子我就要问月度换手率是当月总成交额除以当月平均流通市值还是当月每日换手率的简单平均变动是和过去三个月比还是和过去六个月比这些细节研报不一定逐字写清楚但一旦落到三元组我就知道哪里需要自己补假设。我在代码里也直接按这个三元组设计因子计算接口。每个因子就是一组配置字段名列表、窗口列表、算子列表。这样做的好处是后面要批量复现多篇研报时因子定义能统一抽象不需要每篇报告都重写一套计算逻辑。2.2 数据口径统一是复现的第一道坎很多复现结果对不上问题不在代码而在数据口径。尤其A股市场几个关键口径必须提前定死否则回测结果能差出一大截。第一个是复权方式。研报里如果没特别说明我默认使用前复权或后复权价格计算收益率。前复权和后复权处理分红除权的方式不太一样长期收益序列的形状会有差异尤其是高分红股票复权方式选错因子值就会在除权日附近产生假信号。我自己的习惯是统一用后复权价做因子计算再用实际价格做交易撮合两套口径分开。第二个是ST和停牌处理。研报里常见的描述是剔除ST、停牌和上市不满60日的股票。这句话执行起来有几个细节ST是期初剔除还是期末剔除停牌股票是直接跳过还是顺延买入上市不满60日是从上市日期算还是从首次可交易日期算这些细节对因子回测影响很大尤其是高换手因子本来就会选中一批波动大的股票如果ST和次新股没剔除干净多空收益会被明显拉偏。第三个是涨跌停处理。A股有涨跌停制度回测时如果你计算的信号是某只股票需要买入但它在调仓日一字涨停买不进去那这笔交易在现实中就成交不了。严谨的研报会把这种交易限制写进回测引擎。我复现时至少会在调仓日标记涨停买不进、跌停卖不出的股票不做这个处理的话回测净值会被系统性高估。2.3 我常用的研报要素映射表在正式写代码前我会把每篇研报的信息填进一张固定的映射表相当于伪代码阶段的工作底稿。这里分享一个简化版的结构信息要素需要确认的问题常见情况股票池全A沪深300中证500是否剔除ST/次新/停牌全A剔除ST、上市不满60日数据字段使用收盘价、收益率、换手率还是成交额前复权收盘价、日收益率、日换手率计算窗口因子回看多少天/月5、10、20、60日或多个月份聚合算子均值、标准差、斜率、排名还是比值过去20日收益率、过去12月波动率调仓频率每日、每周、每月月度调仓最常见调仓时点期末收盘价还是下期开盘价使用下一交易日开盘价更接近现实组合权重等权、市值加权、还是因子值加权等权最稳妥市值加权需额外确认交易成本佣金、印花税、滑点怎么设置双边千分之三到千分之五剔除条件调仓时涨停/跌停的股票怎么处理涨停不买、跌停不卖绩效指标年化收益、夏普、最大回撤、多空月胜率多空组合和单多头分组表现都要看这张表填完之后研报读成伪代码的任务就完成了一大半。填不出来的地方就是需要我补假设的地方我会在源码的文档说明里把这些假设标出来。这也是为什么我的复现项目会强调文档说明——因为复现的价值不在于代码本身而在于你清楚记录了自己在模糊处做了什么选择。3. 工程目录与最小回测闭环一份研报对应一个模块有人复现研报的时候习惯在一个Notebook里从数据读到因子计算再到回测全部做完。这种写法跑起来很爽但一旦报告数量超过五六篇Notebook就会变成一团乱麻。我的项目从第10篇研报开始改用标准工程结构一篇研报对应一个独立模块效果立竿见影。3.1 目录怎么组织才能支撑多研报并行我现在的目录结构大致是这样research_reproduction/ ├── config/ │ ├── data_path.yaml │ └── backtest_default.yaml ├── data/ │ ├── raw/ │ └── processed/ ├── factors/ │ ├── base.py │ ├── turnover_deviation.py │ ├── momentum.py │ └── ... ├── backtest/ │ ├── engine.py │ └── metrics.py ├── reports/ │ ├── 2023_xx证券_xx因子/ │ │ ├── notes.md │ │ ├── factor_config.json │ │ └── result_summary.md │ └── ... ├── docs/ │ ├── data_dictionary.md │ └── reproduction_guide.md └── README.md这个结构的核心思路是数据、因子、回测、报告说明四层拆开。数据层统一处理一个数据源服务所有因子因子层只做计算不掺回测逻辑回测层只负责撮合和绩效评估不关心因子怎么来的报告层则单独存放每篇研报的复现笔记和结果。为什么这么拆因为不同研报之间的数据清洗逻辑高度重复不拆出来就会每篇报告复制一遍数据读取代码改起Bug来要改好几个地方。因子层拆出来则是因为同一个因子定义可能出现在多篇研报里只是参数不同。把因子写成可配置的模块换参数跑就行不用复制代码。3.2 因子计算层的最小实现因子层是这套工程的核心。我在基类里统一约定输入输出格式输入是日频DataFrame索引是日期列是多只股票输出同样结构的因子值矩阵索引是调仓日期列是股票代码。以换手率偏离因子为例核心计算函数可以写得很短import pandas as pd import numpy as np def calc_turnover_deviation( turnover: pd.DataFrame, short_window: int 1, long_window: int 3, method: str ratio, ) - pd.DataFrame: 月度换手率偏离因子。 turnover: 月度日均换手率index为月份columns为股票代码 short_window: 短期回看月数 long_window: 长期回看月数 method: ratio短期/长期-1, zscore(短期-长期均值)/长期标准差 short_avg turnover.rolling(short_window, min_periods1).mean() long_avg turnover.rolling(long_window, min_periodslong_window).mean() long_std turnover.rolling(long_window, min_periodslong_window).std() if method ratio: factor short_avg / long_avg - 1 elif method zscore: factor (short_avg - long_avg) / long_std else: raise ValueError(f未知的标准化方式: {method}) return factor这段代码本身不难真正的难点在于_turnover_这个月度日均换手率怎么算出来。我先把日频换手率按股票分组再对每个月份取算术平均最后把缺失月份用NaN补齐。这一步看起来简单实际执行时要处理停牌导致的空数据、上市首月数据不足等问题。这也是为什么我一直建议工程化而不是Notebook写到底因子计算流程里到处是边界情况工程化之后每个边界情况都有明确的位置去处理而不是散落在几十个单元格里。3.3 快速回测先跑通再谈优化回测层的目标很明确在现有因子值矩阵上快速生成一组绩效指标供我判断这个因子是否值得继续优化。不需要一开始就上复杂的滑点模型、冲击成本模型先把最朴素的版本跑通让结果说话。我的最小回测流程分四步根据调仓频率将因子值对齐到调仓日截面在每个截面上做因子排序并选出多空组合或TopN组合计算组合在持有期内每个交易日的收益率最后汇总成年化收益、夏普比率、最大回撤和月胜率。很多人一开始就想着做细节很完美的回测结果被事务处理的复杂度拖住反而迟迟看不到因子的真实水平。我的建议是先用最简单的等权配置加千分之三双边成本跑一遍如果这个简单框架下因子都没有正向表现那大概率不是交易细节的问题而是因子本身的方向有问题。等确认因子有效之后再逐步加更复杂的交易限制。4. 实战拆解一个月度换手率偏离因子的完整复现理论讲再多不如一个完整案例来得直接。我拿自己复现过的一个量价因子来演示整条链路这个因子在很多券商的研报里以不同形式出现过核心假设是当月换手率如果异常偏离过去一段时间的平均水平往往意味着资金行为发生突变后续收益可能出现反转或动量效应。4.1 研报原文描述和我的翻译研报里一段典型的描述是这样的构建月度换手率偏离因子定义如下当月日均换手率相对于过去三个月日均换手率的偏离程度偏离程度采用比值方式计算。调仓频率为月度月末最后一个交易日按因子值由小到大排序做多因子值最小的30%做空因子值最大的30%持有一个月剔除ST、停牌及上市不满60个自然日的股票。这段文字翻译成伪代码就是for 每个月末: 股票池 全体A股 - ST - 停牌 - 上市不满60日 短期换手率 当月每日换手率的平均 长期换手率 过去3个月每月日均换手率的平均 因子值 短期换手率 / 长期换手率 - 1 排序 按因子值从小到大 做多组合 排序前30% 做空组合 排序后30% 持有到下个月末按等权计算收益到这里整篇研报的文字描述就变成了一个可执行的流程。接下来只需要把每一步翻译成Python代码。4.2 核心代码片段与运行结果第一步是计算月度日均换手率。这里需要用到日频的成交量、成交额和流通市值。换手率的定义选择的是当日成交量占当日流通股本的比例如果数据源直接用自由流通市值换手率也可以直接读入但要注意不同数据源的定义可能不同口径必须记录在可复现文档里。# 假设日频数据已经读入 daily_df包含 close, volume, float_mv # 先算日换手率 daily_df[turnover] daily_df[volume] / daily_df[float_mv] # 按月分组取日均换手率 monthly_turnover ( daily_df[turnover] .resample(ME) .mean() .unstack(level0) )第二步用前面写的calc_turnover_deviation函数算因子值然后在每个调仓截面上排序分组。第三步行成组合回测核心如下def backtest_factor(factor: pd.DataFrame, ret: pd.DataFrame, groups3): 极简多空回测。factor: 月度截面因子ret: 下月收益矩阵。 results {} for dt in factor.index: # 按因子值排序前1/3做多后1/3做空 rank factor.loc[dt].rank(ascendingTrue) n rank.notna().sum() if n 10: continue long_stocks rank[rank n / groups].index short_stocks rank[rank n * (groups - 1) / groups].index ret_dt ret.loc[dt] # 下一个月收益 results[dt] { long: ret_dt[long_stocks].mean(), short: ret_dt[short_stocks].mean(), ls: ret_dt[long_stocks].mean() - ret_dt[short_stocks].mean(), } result_df pd.DataFrame(results).T return result_df我实际跑出来的结果多空月度胜率在50%到60%之间年化多空收益大概在8%到12%之间取决于短期窗口的参数。这个数字和研报原文公布的并不完全一致但在逻辑方向和显著性水平上是吻合的。这里要特别说明复现不等于复制。就算我给足数据源和代码不同人的复现结果也大概率不会和研报完全相同。研报里没写清楚的小假设、数据供应商不同导致的价差、复权方式差异都会让净值曲线有偏移。关键在于方向一致、结论一致而不是数字逐位一致。4.3 参数敏感性为什么不能只复现单一参数研报里通常只给一组参数比如短期1个月对长期3个月。但一个因子是否值得信任要看它在参数扫描下是否稳健而不是只看最优参数组合。我在这个案例里把短期窗口固定为1个月长期窗口从2个月跑到12个月观察多空年化收益和胜率的变化。结果发现长期窗口在3到6个月之间时因子表现比较稳定长期窗口拉到12个月后因子效果显著减弱。这说明这个因子本质上捕捉的是中期换手率偏离而不是长期趋势。参数敏感性分析还有一个附带的收获当你发现最优参数和研报参数不一致时可以反过来推测研报作者可能在参数选择上有过一版更细致的扫描只是没在报告里写出来。这种脑补作者思路的过程对提升研究直觉很有帮助。5. 回测结果对不上研报按这张排查链路走复现最折磨人的环节是代码跑出来后结果和研报差了一大截。这时候不要急着改参数硬凑一旦开始硬凑整个复现就失去了意义。我现在的做法是按照固定链路排查从数据层到交易层再到计算层一层一层找原因。5.1 偏差来源排序数据层 交易层 计算层我的经验里回测结果偏差的来源按概率排序大概是数据层偏差最多交易层其次计算层最少。这里有个很反直觉的点很多人第一反应是检查因子计算有没有Bug但实际上因子计算逻辑反而是容易写对的部分真正坑人的往往是数据口径和交易细节。偏差来源典型现象排查方式复权方式不一致因子在除权日附近出现异常尖峰对比前复权/后复权因子值差异股票池范围不同多头超额和研报趋势一致但数值整体偏低核对是否含ST、是否含科创板/北交所调仓时点偏差净值曲线形状相似但月度收益错位一个月逐月对比组合构建日期和研报描述交易成本设置高换手因子回测收益明显高于研报检查佣金、印花税、滑点是否被低估涨跌停无法成交多头收益被高估尤其小盘因子加入涨停买卖限制重新回测收益率计算方法等权和多空收益对不上确认是简单收益率还是对数收益率、是月度还是日度累乘数据层的偏差通常影响的是因子值和股票池表现是复现结果总是偏低或偏高但整体走势和研报一致。交易层的偏差影响更隐蔽它对高换手因子的影响特别大因为交易频繁时成本效应会被放大。计算层的偏差反而最少见因为代码逻辑一旦写错结果往往完全偏掉而不是差一点。5.2 我排查偏差的一段真实经历去年我复现一个动量类因子研报里写的多空年化收益超过25%我跑出来只有12%差距大到没法忽略。一开始我怀疑是因子计算代码写错了反复检查逻辑没发现问题。后来把逐月收益打印出来和研报里的分组净值图对照发现前6个月走势基本吻合第7个月开始逐步拉大。这个特征让我判断问题不在计算逻辑而在数据层或交易层。我把研报的股票池定义重新读了一遍发现它写的是剔除上市不满12个月的次新股而我代码里写的是剔除上市不满60个自然日。这一下就差了很多因为动量因子本来就偏好次新小盘股我的股票池里多了一批刚上市不久、波动巨大的股票把多空收益的稳定性拉低了。还有一次是一个低波因子我跑出来的净值曲线明显比研报平滑最大回撤小得可疑。查了一圈发现是收益率数据里包含了分红再投资的默认设置而研报用的是价格收益率没有把分红算进去。这种口径差异在低波因子这种长期慢速因子上会被放大因为你本来赚的就是复利积累的钱分红处理方式不同累计净值就会差出一大截。这两次经历让我总结出一个习惯每次复现之前先把研报里所有和数据口径相关的句子高亮出来逐句核对比写完代码再回头查要高效得多。5.3 复现成功的标准不是误差为零很多人复现研报有个误区觉得复现成功就是和研报上的数字一模一样。实际上这是不可能的也没有必要。研报公布的结果是作者在自己环境里跑出的一个样本你换个数据源换个复权方式结果自然会有差异。我对复现成功的定义有三条因子收益的方向一致。研报说多头跑赢空头你的结果里多空收益为正。显著性和稳定性一致。研报里因子在多数年份有效你的结果里也至少要在多数年份有效不能只有一两年爆发。关键风险特征一致。研报里最大回撤发生在哪段市场环境你的结果里也应该有类似表现。如果这三条都满足那即使具体数字差几个点我也认为这篇研报复现成功。如果方向不一致或者显著性和研报截然相反那才会进入找Bug流程。6. 源码与文档的沉淀让复现不只是一次性任务复现研报最大的价值是把别人的研究思路沉淀成自己的资产。但如果代码和文档写得很随意这些资产过两个月自己就看不懂了等于白做。这个项目里我花了不少心思在源码组织和文档说明上这里分享一些具体做法。6.1 一份可维护的目录结构前面已经提过整体的目录结构这里再补充几个容易被忽略的细节。首先是配置文件和代码分离。数据路径、回测参数、成本参数不要散落在代码里统一放进yaml配置文件。这样复现另一篇研报时只需要复制一份配置改参数就能跑不用动代码。其次是README要写清楚复现对象和结论。我每完成一篇研报会在reports目录下写一个Markdown文件内容包括研报标题和发布日期、我的复现假设、和研报原文的差异点、最终复现结论。这个文件比代码本身更重要因为三个月后我回顾项目时先看这个文件就能快速想起这篇研报值不值得进一步研究。最后是数据字典一定要有。数据层data_source.py里每个字段的命名和来源单位全部记录在docs/data_dictionary.md里。比如volume是用手还是用股float_mv是流通市值还是自由流通市值。没有数据字典的量化项目迟早会死在我记得这个字段好像是....6.2 README和配置说明怎么写才有价值很多开源项目的README写得像API文档列了一堆函数名和类名用户看完还是不知道怎么跑。我自己的README习惯是从用户故事出发写。一个典型的README应该按这个顺序组织项目简介一句话说明这个项目能干什么比如用Python复现国内券商金工研报中的常见因子与回测框架。环境依赖Python版本、核心库版本、数据源格式要求。这里一定要写版本号pandas 1.x和2.x的某些接口行为不一样。快速开始从配置文件到运行脚本三步之内跑出一个示例结果。这一步最关键如果没有快速开始读者很难有耐心继续看。复现清单当前已复现的研报列表每篇研报的状态标记为完全复现逻辑复现或复现失败。已知差异每个复现模块和研报原文之间的已知差异比如研报使用市值加权本项目使用等权。配置说明方面我倾向于把每个参数的取值范围和含义写在yaml注释里而不是单独写一个很长的配置文档。配置文件和注释放一起改参数的时候更容易注意到边界条件。6.3 从单篇复现到批量复现框架做到第20篇研报复现的时候我的项目已经从单篇报告复现长成了批量复现框架。复现流程变成了一条流水线下载研报、阅读填表、配置因子参数、运行统一回测引擎、生成复现报告。这个框架最大的价值不是自动化本身而是提升了可对比性。当所有因子都跑在同一套回测引擎下使用同样的成本设置和股票池标准不同研报之间的因子表现才真正可比较。否则A研报用万分之三成本B研报用千分之三成本两个因子放在一起比收益高低完全没有意义。我现在的做法是所有复现出来的因子在统一框架下跑一次基准体检包含五组固定测试不同换手率区间分组表现、牛熊市分段表现、不同市值分组表现、参数敏感性热力图、和常见因子市值/反转/波动率的相关性矩阵。这套体检结果比研报原文给出的绩效指标更能反映因子的真实面貌。有一个很有意思的衍生效果当我用统一框架跑完一批因子后发现不同团队在相近时间段发布的研报因子之间的相关性其实很高说明国内量化研究在量价因子上的同质化程度不低。这本身就是一个值得写进文档的观察结论——复现的目的不只是验证单个因子也是理解整个研究生态。一些实际操作中的体会把这个项目做下来我最大的感受是券商金工研报复现的本质不是抄作业而是用代码重新思考一遍作者的思路。很多研报里一笔带过的假设比如调仓时点、股票池细节、成本设定只有在你自己写代码时才会意识到它们对结果的巨大影响。这种重新思考的训练对量化研究能力的提升比单纯看十篇研报都有用。如果让我给刚开始做这件事的人一个建议就是不要追求复现数量先精读并复现五篇高质量深度报告。把数据口径、因子定义和回测框架的完整闭环跑通之后后面再遇到新研报速度会快很多。最后再说一个小技巧每完成一篇研报的复现就在文档里留一个如果作者重新写这篇报告我会建议改进什么的小节。这个习惯帮我把复现从被动的验证变成了主动的研究。本文还有配套的精品资源点击获取
