Imported from sunny52juli/QuantitativeSystem (core/skill/SKILL.md). Install upstream with npx skills add sunny52juli/QuantitativeSystem --skill skill. Copyright stays with the author.

Factor Mining Skill - 重构优化版

概述

本Skill提供量化因子构建的完整指导，支持基础表达式和MCP工具函数。

⚠️ 可用数据字段（重要约束）

标准字段（必须使用以下字段，不得编造）

系统提供以下标准化的股票数据字段，所有因子构建必须且只能使用这些字段：

基础价格字段

• 开盘价 / open - 当日开盘价
• 最高价 / high - 当日最高价
• 最低价 / low - 当日最低价
• 收盘价 / close - 当日收盘价
• 前收盘 / pre_close - 前一交易日收盘价
• 涨跌额 / change - 涨跌额（元）
• 涨跌幅 / pct_chg - 涨跌幅（%）

成交量字段

• 成交量 / vol - 当日成交量（手）
• 成交额 / amount - 当日成交金额（千元）

基础信息字段

• trade_date / date - 交易日期（YYYYMMDD格式）
• ts_code / code - 股票代码（如：000001.SZ）
• name - 股票名称
• area - 所属地域
• industry - 所属行业
• market - 所属市场（主板/创业板/科创板等）
• list_date - 上市日期

估值指标字段（每日指标）

• turnover_rate - 换手率（%）
• turnover_rate_f - 换手率（自由流通股）
• vol_ratio - 量比
• pe - 市盈率（总市值/净利润，亏损的PE为空）
• pe_ttm - 市盈率（TTM，滚动12个月）
• pb - 市净率（总市值/净资产）
• ps - 市销率
• ps_ttm - 市销率（TTM）
• dv_ratio - 股息率（%）
• dv_ttm - 股息率（TTM）（%）
• total_share - 总股本（万股）
• float_share - 流通股本（万股）
• free_share - 自由流通股本（万股）
• total_mv - 总市值（万元）
• circ_mv - 流通市值（万元）

复权因子字段

• adj_factor - 复权因子（用于计算前复权和后复权价格）

资金流向字段（个股资金流）

• buy_sm_vol - 小单买入量（手）
• buy_sm_amount - 小单买入金额（万元）
• sell_sm_vol - 小单卖出量（手）
• sell_sm_amount - 小单卖出金额（万元）
• buy_md_vol - 中单买入量（手）
• buy_md_amount - 中单买入金额（万元）
• sell_md_vol - 中单卖出量（手）
• sell_md_amount - 中单卖出金额（万元）
• buy_lg_vol - 大单买入量（手）
• buy_lg_amount - 大单买入金额（万元）
• sell_lg_vol - 大单卖出量（手）
• sell_lg_amount - 大单卖出金额（万元）
• buy_elg_vol - 特大单买入量（手）
• buy_elg_amount - 特大单买入金额（万元）
• sell_elg_vol - 特大单卖出量（手）
• sell_elg_amount - 特大单卖出金额（万元）
• net_mf_vol - 净流入量（手）
• net_mf_amount - 净流入额（万元）

融资融券字段

• rzye - 融资余额（元）
• rqye - 融券余额（元）
• rzmre - 融资买入额（元）
• rqyl - 融券余量（股）
• rzche - 融资偿还额（元）
• rqchl - 融券偿还量（股）
• rqmcl - 融券卖出量（股）
• rzrqye - 融资融券余额（元）

衍生字段（系统自动计算）

• vwap - 成交量加权平均价 = 成交额 / 成交量
• ret - 收益率（同pct_change）
• ret1 - 次日收益率（用于回测）
• volatility - 波动率

字段使用规则

1. 严格约束: 只能使用上述列出的字段，禁止编造或假设其他字段
2. 中英文支持: 价格和成交量字段支持中英文名称（如"收盘价"或"close"）
3. 字段组合: 可以通过表达式组合字段（如(最高价+最低价)/2）
4. 工具计算: 可以使用MCP工具对字段进行计算（如rolling_mean("收盘价", 20)）
5. 单位注意: 注意字段单位差异（如成交额单位为千元，市值单位为万元）

常见错误示例（禁止）

❌ 错误: 使用不存在的字段

# 错误：系统已有"换手率"字段，应使用turnover_rate
自定义换手率 = 成交量 / 总股本

# 错误：系统已有"市盈率"字段，应使用pe或pe_ttm
自定义市盈率 = 总市值 / 净利润

# 错误：编造不存在的字段
涨停价 - 收盘价

✅ 正确: 使用标准字段或通过计算得到

# 正确：直接使用换手率字段
turnover_rate / rolling_mean("turnover_rate", 20)

# 正确：使用市盈率字段
pe_ttm / rolling_mean("pe_ttm", 60)

# 正确：使用涨跌幅字段
pct_chg / rolling_std("pct_chg", 20)

# 正确：使用资金流向字段构建因子
(buy_lg_amount - sell_lg_amount) / (total_mv + 0.0001)

# 正确：使用融资融券字段
rzye / (circ_mv * 10000 + 0.0001)

# 正确：使用估值指标
(pb - rolling_mean("pb", 60)) / (rolling_std("pb", 60) + 0.0001)

新增字段使用示例

估值因子

# 市盈率相对位置
(pe_ttm - rolling_min("pe_ttm", 252)) / (rolling_max("pe_ttm", 252) - rolling_min("pe_ttm", 252) + 0.0001)

# 市净率反转
1 / (pb + 0.0001)

# 股息率因子
dv_ttm / rolling_mean("dv_ttm", 60)

资金流向因子

# 主力资金净流入占比
(buy_lg_amount + buy_elg_amount - sell_lg_amount - sell_elg_amount) / (amount + 0.0001)

# 大单买入强度
buy_elg_amount / (buy_elg_amount + sell_elg_amount + 0.0001)

# 资金流向动量
rolling_mean("net_mf_amount", 5) / rolling_std("net_mf_amount", 20)

融资融券因子

# 融资买入占比
rzmre / (amount * 1000 + 0.0001)

# 融资余额变化率
pct_change("rzye", 5)

# 融资融券余额占流通市值比
rzrqye / (circ_mv * 10000 + 0.0001)

流动性因子

# 换手率异常
turnover_rate / rolling_mean("turnover_rate", 20)

# 量比因子（自动计算）
vol_ratio  # ✅ 系统会自动计算：当日成交量 / 过去 20 日平均成交量

# 也可以使用自定义窗口
vol_ratio_10  # ✅ 当日成交量 / 过去 10 日平均成交量

# 成交额占流通市值比
(amount * 1000) / (circ_mv * 10000 + 0.0001)

市值因子

# 流通市值对数
log_transform("circ_mv")

# 自由流通比例
free_share / (total_share + 0.0001)

# 市值相对位置
ts_rank("total_mv", 252)

⚠️ 重要：变量命名约定

支持的变量格式

系统支持以下变量命名格式，用于表示不同周期的技术指标：

1. 标准格式（推荐）

• MA{n} - n 日移动平均，如 MA5, MA20
• EMA{n} - n 日指数移动平均，如 EMA12
• STD{n} - n 日标准差，如 STD20
• RSI{n} - n 日 RSI 指标，如 RSI14
• MOM{n} - n 日动量，如 MOM5
• VOL{n} - n 日成交量均值，如 VOL20

2. 下划线格式（同样支持）

• ma_{n} - n 日移动平均，如 ma_5, ma_20
• ema_{n} - n 日指数移动平均，如 ema_12
• std_{n} - n 日标准差，如 std_20
• rsi_{n} - n 日 RSI 指标，如 rsi_14
• mom_{n} - n 日动量，如 mom_5

示例：

# 以下两种格式等价，都可以使用
MA20          # ✅ 标准格式
ma_20         # ✅ 下划线格式

RSI14         # ✅ 标准格式
rsi_14        # ✅ 下划线格式

自动推断的衍生字段

系统还支持以下衍生字段格式的自动推断：

• {field}_{n}d - n 日字段值（滚动最小/最大值）

  • 如：low_20d → 20 日最低价滚动最小值
  • 如：high_20d → 20 日最高价滚动最大值

• {field}_avg_{n}d - n 日字段平均值

  • 如：vol_avg_20d → 20 日平均成交量

• {field}_max_{n}d - n 日字段最大值

  • 如：high_max_20d → 20 日最高价

• {field}_min_{n}d - n 日字段最小值

  • 如：low_min_20d → 20 日最低价

错误示例

❌ 错误: 使用未定义的变量

ma_20 + ma_60  # ❌ 如果数据中没有 ma_20 和 ma_60 列，系统会自动计算

✅ 正确: 使用系统支持的格式

# 系统会自动推断并计算这些变量
ma_20          # ✅ 自动计算 20 日均线
ma_50          # ✅ 自动计算 50 日均线
RSI14          # ✅ 自动计算 14 日 RSI

快速开始

基础表达式（简单因子）

# 日内振幅
(最高价-最低价)/(收盘价+0.0001)

# 量价关系
成交量/(收盘价+0.0001)

# 价格位置
(收盘价-最低价)/(最高价-最低价+0.0001)

工具组合（复杂因子）

# 动量因子：5日收益率标准化
pct_change(收盘价, 5) → zscore_normalize(结果)

# 波动因子：20日波动率
rolling_std(收盘价, 20)

# 技术指标：RSI
rsi(收盘价, 14)

API参考

数学运算工具

abs_value(values)

• 描述: 计算绝对值
• 参数: values - 输入表达式
• 返回: abs(values)
• 示例: abs_value("收盘价-开盘价") → abs(收盘价-开盘价)

log_transform(values)

• 描述: 对数变换 log(1 + x)
• 参数: values - 输入表达式
• 返回: log(1 + values)
• 用途: 压缩大数值范围

rank_normalize(values)

• 描述: 横截面排名归一化到[0,1]
• 参数: values - 输入表达式
• 返回: 排名归一化结果
• 用途: 统一不同因子到相同范围

zscore_normalize(values)

• 描述: Z-score标准化 (x - mean) / std
• 参数: values - 输入表达式
• 返回: 标准化结果
• 用途: 消除量纲，均值0方差1

sqrt_transform(values)

• 描述: 平方根变换，保留符号
• 参数: values - 输入表达式
• 返回: sqrt(abs(values)) * sign(values)
• 用途: 压缩大数值范围，保留正负信息

power_transform(values, power=2)

• 描述: 幂次变换
• 参数:
  • values - 输入表达式
  • power - 幂次（默认2）
• 返回: values ** power
• 用途: 放大差异或非线性变换

时间序列工具

rolling_mean(values, window=5)

• 描述: 移动平均
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认5）
• 返回: N日移动平均
• 示例: rolling_mean("收盘价", 5) → ma_5(收盘价)

rolling_std(values, window=5)

• 描述: 移动标准差
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认5）
• 返回: N日移动标准差
• 用途: 衡量波动性

lag(values, periods=1)

• 描述: 滞后值
• 参数:
  • values - 输入字段
  • periods - 滞后期数（默认1）
• 返回: N天前的值
• 示例: lag("收盘价", 1) → lag_1(收盘价)

pct_change(values, periods=1)

• 描述: 百分比变化
• 参数:
  • values - 输入字段
  • periods - 间隔期数（默认1）
• 返回: (当前值 - N天前值) / N天前值
• 示例: pct_change("收盘价", 5) → pct_5(收盘价)

rolling_max(values, window=20)

• 描述: 移动最大值
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认20）
• 返回: N日移动最大值
• 用途: 识别高点位置

rolling_min(values, window=20)

• 描述: 移动最小值
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认20）
• 返回: N日移动最小值
• 用途: 识别低点位置

ewm(values, span=12)

• 描述: 指数加权移动平均
• 参数:
  • values - 输入字段
  • span - 时间跨度（默认12）
• 返回: N日指数加权移动平均
• 特点: 对近期数据赋予更高权重，响应更快

技术指标工具

rsi(values, window=14)

• 描述: 相对强弱指标RSI
• 参数:
  • values - 价格字段
  • window - 计算窗口（默认14）
• 返回: RSI值 [0, 100]
• 解读: RSI > 70: 超买, RSI < 30: 超卖

bollinger_position(values, window=20, num_std=2)

• 描述: 布林带位置
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认20）
  • num_std - 标准差倍数（默认2）
• 返回: 价格在布林带中的位置 [0, 1]
• 解读: 0: 下轨, 0.5: 中轨, 1: 上轨

ema(values, span=12)

• 描述: 指数移动平均
• 参数:
  • values - 输入字段
  • span - 时间跨度（默认12）
• 返回: N日指数移动平均
• 特点: 对近期数据赋予更高权重

macd(values, fast=12, slow=26, signal=9)

• 描述: MACD指标（Moving Average Convergence Divergence）
• 参数:
  • values - 价格字段
  • fast - 快线周期（默认12）
  • slow - 慢线周期（默认26）
  • signal - 信号线周期（默认9）
• 返回: MACD值
• 解读: DIF上穿DEA为金叉买入信号，下穿为死叉卖出信号

kdj(high, low, close, window=9)

• 描述: KDJ随机指标
• 参数:
  • high - 最高价字段（默认"最高价"）
  • low - 最低价字段（默认"最低价"）
  • close - 收盘价字段（默认"收盘价"）
  • window - 计算周期（默认9）
• 返回: K、D、J值
• 解读: K值>80超买，K值<20超卖；J值>100极度超买，J值<0极度超卖

atr(high, low, close, window=14)

• 描述: 平均真实波幅（Average True Range）
• 参数:
  • high - 最高价字段
  • low - 最低价字段
  • close - 收盘价字段
  • window - 计算周期（默认14）
• 返回: ATR值
• 解读: 衡量市场波动性，ATR越大波动越大，常用于止损设置

obv(close, vol)

• 描述: 能量潮指标（On Balance vol）
• 参数:
  • close - 收盘价字段（默认"收盘价"）
  • vol - 成交量字段（默认"成交量"，实际字段名为vol）
• 返回: OBV值
• 解读: 价涨量增OBV上升为强势，价涨量缩OBV下降为弱势
• 注意: 参数名为vol，但实际数据字段名为vol，系统会自动映射

统计工具

correlation(x, y, window=20)

• 描述: 滚动相关系数
• 参数:
  • x - 第一个字段
  • y - 第二个字段
  • window - 窗口大小（默认20）
• 返回: 相关系数 [-1, 1]
• 用途: 量价关系分析

skewness(values, window=20)

• 描述: 偏度（分布偏斜程度）
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认20）
• 返回: 偏度值
• 解读: 正偏表示右偏分布（长尾在右），负偏表示左偏分布（长尾在左）

kurtosis(values, window=20)

• 描述: 峰度（分布尖峭程度）
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认20）
• 返回: 峰度值
• 解读: 峰度>3表示尖峰分布（厚尾），峰度<3表示平坦分布（薄尾）

特征工程工具

ts_rank(values, window=10)

• 描述: 时间序列排名
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认10）
• 返回: 当前值在过去N天的排名位置
• 用途: 识别相对强弱，值越大表示当前值在历史中排名越靠前

ts_argmax(values, window=10)

• 描述: 时间序列最大值位置
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认10）
• 返回: 过去N天最大值距今的天数
• 用途: 识别高点距离，值越小表示最大值越接近当前

ts_argmin(values, window=10)

• 描述: 时间序列最小值位置
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认10）
• 返回: 过去N天最小值距今的天数
• 用途: 识别低点距离，值越小表示最小值越接近当前

decay_linear(values, window=10)

• 描述: 线性衰减加权平均
• 参数:
  • values - 输入字段
  • window - 窗口大小（默认10）
• 返回: 线性衰减加权平均值
• 用途: 对近期数据赋予更高权重，权重线性递减

风险指标工具

volatility(values, window=20)

• 描述: 波动率（年化标准差）
• 参数:
  • values - 收益率字段
  • window - 窗口大小（默认20）
• 返回: 年化波动率
• 公式: std * sqrt(252)
• 用途: 衡量资产风险水平

max_drawdown(values, window=60)

• 描述: 最大回撤
• 参数:
  • values - 价格字段
  • window - 窗口大小（默认60）
• 返回: 最大回撤比例
• 解读: 值越小（负值绝对值越大）风险越大
• 用途: 评估下行风险

组合工具

max_of(x, y)

• 描述: 最大值
• 参数:
  • x - 第一个表达式
  • y - 第二个表达式
• 返回: max(x, y)
• 示例: max_of("收盘价-开盘价", "0") → 只保留上涨部分

clip(values, lower=None, upper=None)

• 描述: 裁剪到指定范围
• 参数:
  • values - 输入表达式
  • lower - 下界
  • upper - 上界
• 返回: 裁剪后的值
• 用途: 去除极端值

filter_by_industry(industry)

• 描述: 按行业筛选股票（返回布尔Series）
• 参数:
  • industry - 行业名称（支持模糊匹配）
• 返回: 布尔Series，True表示属于该行业
• 用途: 筛选特定行业的股票
• 示例:
  • filter_by_industry("通信设备") → 筛选通信设备行业
  • filter_by_industry("通信") → 筛选包含"通信"的所有行业
• 注意:
  • 支持模糊匹配，会匹配行业名称中包含关键词的所有股票
  • 可以在表达式中与其他条件组合使用（如 filter_by_industry("通信设备") & (收盘价 > 10)）

filter_by_market(market)

• 描述: 按市场筛选股票（返回布尔Series）
• 参数:
  • market - 市场名称（主板/创业板/科创板等）
• 返回: 布尔Series，True表示属于该市场
• 用途: 筛选特定市场的股票
• 示例:
  • filter_by_market("主板") → 筛选主板股票
  • filter_by_market("科创板") → 筛选科创板股票
• 注意:
  • 支持模糊匹配
  • 可以在表达式中与其他条件组合使用

因子构建指南

⚠️ 重要：因子定义格式（必读）

系统支持两种因子定义方式：

方式 1：简单表达式（推荐用于简单因子）

直接使用字段和基本运算符，不需要工具调用。

{
  "name": "日内振幅",
  "expression": "(最高价 - 最低价)/(收盘价 + 0.0001)",
  "rationale": "标准化日内波动",
  "tools_used": []
}

✅ 适用场景：只涉及字段加减乘除、不需要时间序列计算

方式 2：工具组合（用于复杂因子）

使用 MCP 工具函数进行时间序列计算、技术指标等。

{
  "name": "成交量动量因子",
  "tools": [
    {
      "tool": "pct_change",
      "params": {"values": "vol", "periods": 10},
      "var": "vol_pct_10"
    }
  ],
  "expression": "vol_pct_10",
  "rationale": "成交量 10 日变化率"
}

✅ 适用场景：需要移动平均、百分比变化、技术指标等

❌ 常见错误：在 expression 中直接写函数调用

// 错误示范！！不要在 expression 中这样写：
{
  "name": "错误示例",
  "expression": "pct_change(成交量，10)"  // ❌ 系统无法解析
}

关键区别：

• ✅ 正确："expression": "vol_pct_10"（使用工具计算后的变量名）
• ❌ 错误："expression": "pct_change(成交量，10)"（直接写函数调用）

工具选择原则

1. 简单优先: 能用基础表达式就不用工具
2. 渐进复杂: 从简单工具开始，逐步组合
3. 避免过拟合: 工具步骤不超过3-4步
4. 保持可解释性: 每个步骤都有明确含义

常用工具组合

动量因子

# 5日动量标准化
pct_change("收盘价", 5) → zscore_normalize(结果)

# 表达式: zscore(pct_5(收盘价))

波动因子

# 20日波动率
rolling_std("收盘价", 20)

# 表达式: std_20(收盘价)

趋势因子

# 价格相对均线位置
rolling_mean("收盘价", 20) → (收盘价 - 结果) / (结果 + 0.0001)

# 表达式: (收盘价 - ma_20(收盘价)) / (ma_20(收盘价) + 0.0001)

反转因子

# 短期反转
ts_rank("收盘价", 5) → 1 - 结果

# 表达式: 1 - ts_rank_5(收盘价)

量价因子

# 量价相关性
correlation("收盘价", "成交量", 20)

# 表达式: corr_20(收盘价, 成交量)

波动率因子

# 波动率突破
rolling_std("收盘价", 20) → zscore_normalize(结果)

# 表达式: zscore(std_20(收盘价))

技术指标因子

# RSI反转
rsi("收盘价", 14) → (50 - 结果) / 50

# 表达式: (50 - rsi_14(收盘价)) / 50

高级组合因子

# 动量-波动率调整
pct_change("收盘价", 20) → rolling_std("收盘价", 20) → 结果1 / (结果2 + 0.0001)

# 表达式: pct_20(收盘价) / (std_20(收盘价) + 0.0001)

估值因子（使用新增字段）

# 市盈率反转
pe_ttm → zscore_normalize(结果) → -结果

# 表达式: -zscore(pe_ttm)

资金流向因子（使用新增字段）

# 主力资金净流入强度
(buy_lg_amount + buy_elg_amount - sell_lg_amount - sell_elg_amount) / (amount + 0.0001) → zscore_normalize(结果)

# 表达式: zscore((buy_lg_amount + buy_elg_amount - sell_lg_amount - sell_elg_amount) / (amount + 0.0001))

融资融券因子（使用新增字段）

# 融资余额变化率
pct_change("rzye", 5) → zscore_normalize(结果)

# 表达式: zscore(pct_5(rzye))

流动性因子（使用新增字段）

# 换手率异常
turnover_rate / rolling_mean("turnover_rate", 20) → zscore_normalize(结果)

# 表达式: zscore(turnover_rate / ma_20(turnover_rate))

市值因子（使用新增字段）

# 流通市值对数
log_transform("circ_mv")

# 表达式: log(circ_mv + 1)

响应格式

简单因子

{
  "factors": [
    {
      "name": "日内振幅",
      "expression": "(最高价-最低价)/(收盘价+0.0001)",
      "rationale": "标准化日内波动",
      "tools_used": []
    }
  ]
}

复杂因子

{
  "factors": [
    {
      "name": "动量反转因子",
      "tools": [
        {
          "tool": "pct_change",
          "params": {"values": "收盘价", "periods": 5},
          "var": "mom5"
        },
        {
          "tool": "zscore_normalize", 
          "params": {"values": "mom5"},
          "var": "mom_zscore"
        }
      ],
      "expression": "mom_zscore",
      "rationale": "5日动量标准化"
    }
  ]
}

最佳实践

1. 性能优化

• 优先使用简单工具（lag, delta, pct_change）
• 合理设置窗口大小（5-60天）
• 避免过度复杂的工具组合
• 使用缓存避免重复计算

2. 风险控制

• 除法必须加安全常数（避免除零）
• 使用clip工具限制极端值
• 验证因子逻辑的合理性
• 检查因子的稳定性和鲁棒性

3. 可维护性

• 保持工具步骤的清晰性
• 为每个因子添加详细说明
• 定期验证因子有效性
• 记录因子构建的逻辑和假设

4. 因子设计原则

• 经济意义: 因子应有明确的经济学或金融学解释
• 统计显著: 因子应在历史数据上表现出统计显著性
• 稳定性: 因子在不同市场环境下应保持相对稳定
• 低相关性: 新因子应与现有因子保持较低相关性
• 可交易性: 考虑交易成本和流动性约束

5. 常见因子类型

动量类因子

• 短期动量（1-5日）：捕捉短期趋势
• 中期动量（10-60日）：捕捉中期趋势
• 长期动量（120-252日）：捕捉长期趋势
• 动量反转：结合动量和反转效应

波动率类因子

• 历史波动率：rolling_std
• 实现波动率：基于高频数据
• 波动率偏度：skewness
• 波动率峰度：kurtosis

价值类因子

• 相对估值：价格相对均值
• 价格位置：在历史区间的位置
• 价格动量：价格变化率

量价类因子

• 量价相关：correlation
• 成交量异常：vol突破
• 能量潮：obv
• 量价背离：价格与成交量方向不一致

技术指标类因子

• 趋势指标：MA, EMA, MACD
• 摆动指标：RSI, KDJ
• 波动指标：ATR, Bollinger Bands
• 成交量指标：OBV

估值类因子（使用新增字段）

• 市盈率因子：pe, pe_ttm的相对位置、反转
• 市净率因子：pb的相对位置、反转
• 市销率因子：ps, ps_ttm
• 股息率因子：dv_ratio, dv_ttm
• 估值组合：多个估值指标的加权组合

资金流向类因子（使用新增字段）

• 主力资金：buy_lg_amount, buy_elg_amount净流入
• 大单强度：大单买卖比例
• 资金流向动量：net_mf_amount的时间序列特征
• 资金流向异常：资金流向的突变检测

融资融券类因子（使用新增字段）

• 融资余额：rzye的变化率和相对位置
• 融资买入：rzmre占成交额比例
• 融资融券余额：rzrqye占流通市值比例
• 融资融券变化：融资融券数据的时间序列特征

流动性类因子（使用新增字段）

• 换手率：turnover_rate的异常和趋势
• 量比：vol_ratio
• 流通性：free_share / total_share
• 成交活跃度：成交额占市值比例

市值类因子（使用新增字段）

• 总市值：total_mv的对数、排名
• 流通市值：circ_mv的对数、排名
• 市值风格：大盘股vs小盘股
• 流通比例：float_share / total_share

6. 因子组合策略

多因子融合

# 动量+波动率+量价
factor1 = pct_change("收盘价", 20)
factor2 = rolling_std("收盘价", 20)
factor3 = correlation("收盘价", "成交量", 20)

# 加权组合
composite = 0.4 * zscore(factor1) + 0.3 * zscore(factor2) + 0.3 * zscore(factor3)

因子中性化

# 行业中性
factor_raw = pct_change("收盘价", 20)
factor_neutral = factor_raw - industry_mean(factor_raw)

因子正交化

# 对已有因子正交
factor_new = residual(factor_raw, factor_existing)

故障排除

常见问题

Q: 工具调用失败？ A: 检查参数格式是否正确，确保所有必需参数都已提供

Q: 因子计算结果异常？ A: 检查输入数据质量，添加安全常数避免除零错误

Q: 性能问题？ A: 减少工具调用次数，使用更简单的表达式

调试建议

1. 从简单因子开始测试
2. 逐步增加复杂度
3. 验证每个工具的输出
4. 检查最终表达式的合理性

更新日志

• v1.0.0: 重构优化，采用模块化设计
• v0.9.0: 初始版本，基础功能

注意: 本Skill持续优化中，建议定期查看更新内容。