QMT之WorldQuant 量化因子库实战（下）：经典量价因子的 2 大进阶扩展与 Python 实现

weixin-npy8264926

637人浏览 · 2026-03-31 14:26:46

weixin-npy8264926 · 2026-03-31 14:26:46 发布

前言

在上一篇《WorldQuant 量化因子库深度解析：101 Alphas 经典量价因子原理与 Python 实现》中，我们完整拆解了 WorldQuant 101 Alphas 中经典的量价背离因子，从底层逻辑到 Python 实现做了全流程讲解。而在量化实战中，单一基础因子往往很难适配复杂多变的市场环境，对基础因子做合理的扩展与优化，才是提升策略收益、降低回撤的核心关键。

本篇我们书接上回，针对基础量价相关因子，分享 2 个在 A 股实战中验证有效、行业内高频使用的因子扩展方案，从公式思路、底层逻辑到 Python 代码实现、实战价值做全维度拆解，帮助大家掌握量价因子的进阶优化方法，快速搭建属于自己的 Alpha 因子体系。

本文适合人群：

已入门量化投资，想要进阶因子优化的开发者
对 WorldQuant 101 Alphas 因子库感兴趣的从业者
专注 A 股量价策略、短线交易的投资者
想要丰富多因子模型 Alpha 来源的量化爱好者

注：本文代码复用了上篇实现的correlation滚动相关系数核心函数，未看过上篇的读者可先回顾基础函数实现，保证本文代码可直接复用运行。

一、量价因子的扩展核心逻辑

基础的量价因子-correlation(open, volume, 10)，核心是通过单时间窗口的开盘价与成交量相关性，捕捉量价背离的拐点信号。但在 A 股实战中，这个基础版本存在两个可优化的核心方向：

周期维度：仅用单一 10 日窗口，无法捕捉市场中「短期异动、中期趋势分化」的结构性机会，而这恰恰是 A 股题材轮动、事件驱动行情中的核心盈利来源。
价格维度：仅用开盘价计算相关性，无法反映价格的真实涨跌动能 —— 真正推动趋势形成的，不是开盘价的绝对高低，而是标的连续的收益累积效应。

本文分享的两个进阶扩展因子，正是分别从多周期结构差异和收益动能匹配两个核心维度，对基础因子做升级优化，大幅提升因子在 A 股市场的实战有效性。

二、扩展 1：短中期量价结构差因子（短强长弱型）

这是量化实战中最常用的因子升级方法，通过长短期两个时间窗口的相关性差值，精准捕捉市场中「短期资金异动」的机会点，尤其适配 A 股节奏快、题材轮动频繁的市场特征。

2.1 因子公式与核心思路

因子核心公式如下：

Alpha=correlation(open,volume,5)−correlation(open,volume,20)

公式参数说明：

correlation(open, volume, 5)：短期 5 日窗口，开盘价与成交量的滚动皮尔逊相关系数
correlation(open, volume, 20)：中期 20 日窗口，开盘价与成交量的滚动皮尔逊相关系数
核心逻辑：通过短期与中期的相关性差值，刻画量价结构的周期分化

2.2 因子的直观含义与底层逻辑

这个因子的核心是捕捉 **「短期量价共振，中期量价背离 / 弱相关」** 的特殊量价结构，这种结构通常对应三类典型的市场场景：

题材刺激、事件驱动：标的突发利好消息，短期资金集中进场，形成短期量价共振，但中期趋势尚未形成统一预期；
情绪加速阶段：标的进入主升浪前的资金预热，短期成交量快速放大，价格与成交量形成强同步；
资金短期集中介入：主力资金短期建仓，形成短期量价同步，但中期持仓结构尚未发生根本变化。

这种短长周期的量价结构分化，往往预示着标的即将迎来短期趋势性行情，是短线策略中非常有效的先行信号。

2.3 因子的 Python 完整实现

基于上篇的基础函数，我们可以极简实现这个短中期量价结构差因子，代码具备完善的兼容性，可直接接入各类行情数据源：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 中文显示设置
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt.rcParams["axes.unicode_minus"] = False

# 复用上篇的滚动相关系数核心函数
def correlation(x, y, d):
    """
    计算两个时间序列的滚动皮尔逊相关系数(rolling correlation)
    参数:
        x: pd.Series 或 np.array，第一个时间序列
        y: pd.Series 或 np.array，第二个时间序列
        d: int，滚动计算的时间窗口大小，单位：天
    返回:
        pd.Series，每一天对应的过去d天的相关系数
    """
    x_series = pd.Series(x)
    y_series = pd.Series(y)
    if len(x_series) != len(y_series):
        raise ValueError("输入的两个时间序列x和y长度必须相同！")
    return x_series.rolling(window=d).corr(y_series)

# 短中期量价结构差因子实现
def correlation_short_long(df, short_window=5, long_window=20):
    """
    计算短中期量价结构差因子
    参数:
        df: pd.DataFrame，必须包含open(开盘价)、volume(成交量)列
        short_window: int，短期滚动窗口，默认5天
        long_window: int，中期滚动窗口，默认20天
    返回:
        pd.Series，短中期量价结构差因子值
    """
    df = df.copy()
    # 计算短期、中期量价相关系数
    corr_short = correlation(df['open'], df['volume'], short_window)
    corr_long = correlation(df['open'], df['volume'], long_window)
    # 计算差值得到最终因子
    return corr_short - corr_long

2.4 因子使用示例与可视化解读

我们通过模拟行情数据，演示因子的调用与可视化效果，实际使用时替换为真实行情数据即可：

# ---------------------- 1. 模拟生成行情数据（替换为你的真实数据源即可） ----------------------
date_range = pd.date_range(start='2025-01-01', end='2025-10-31', freq='B')
np.random.seed(888)

# 模拟开盘价和成交量数据
open_price = np.cumsum(np.random.randn(len(date_range)) * 0.6) + 25
volume = np.random.randint(low=20000, high=800000, size=len(date_range))

# 构建行情DataFrame
df = pd.DataFrame({
    'open': open_price,
    'volume': volume
}, index=date_range)

# ---------------------- 2. 计算短中期量价结构差因子 ----------------------
df['alpha_short_long'] = correlation_short_long(df, short_window=5, long_window=20)

# ---------------------- 3. 因子与股价可视化 ----------------------
fig, ax1 = plt.subplots(figsize=(16, 8), dpi=100)

# 左轴：股票开盘价走势
ax1.set_xlabel('日期', fontsize=12)
ax1.set_ylabel('股票开盘价', fontsize=12, color='#d62728')
line1 = ax1.plot(df.index, df['open'], color='#d62728', linewidth=2, label='开盘价')
ax1.tick_params(axis='y', labelcolor='#d62728')
ax1.grid(True, alpha=0.3)

# 右轴：短中期量价结构差因子
ax2 = ax1.twinx()
ax2.set_ylabel('短中期量价结构差因子', fontsize=12, color='#2ca02c')
line2 = ax2.plot(df.index, df['alpha_short_long'], color='#2ca02c', linewidth=1.5, linestyle='--', label='Alpha因子')
ax2.axhline(y=0, color='black', linestyle='-', alpha=0.5)
ax2.tick_params(axis='y', labelcolor='#2ca02c')

# 合并图例与图表设置
lines = line1 + line2
labels = [l.get_label() for l in lines]
ax1.legend(lines, labels, loc='upper left', fontsize=12)
plt.title('短中期量价结构差因子与股价走势对比', fontsize=16, fontweight='bold')
plt.tight_layout()
plt.show()

从因子可视化结果中可以清晰看到：当因子值出现显著正向峰值时，意味着标的短期量价共振显著强于中期，往往对应着短期资金集中介入，后续股价大概率会出现阶段性的趋势行情，完美适配 A 股短线题材交易的核心需求。

三、扩展 2：基于收益的量价动能因子

如果说第一个扩展是从「周期维度」优化，那第二个扩展就是从「价格本质」升级 —— 把基础公式中的开盘价，替换为标的的涨跌幅收益率，直接升级为行业内高频使用的量价动能因子，能更敏锐地判断趋势的健康度与可持续性。

3.1 因子公式与核心升级思路

因子核心公式如下：

Alpha=correlation(returns,volume,10)

公式核心升级点：

将基础公式中的open开盘价，替换为returns标的日涨跌幅收益率
保留 10 日核心计算窗口，无需取反，因子值的正负直接对应趋势的健康度
核心逻辑：通过收益率与成交量的相关性，直接刻画价格涨跌动能与成交量的匹配度

3.2 因子的直观含义与趋势解读

这个因子的核心是判断趋势的质量与可持续性，通过量能与涨跌的匹配度，区分「健康趋势」与「虚假趋势」：

因子值为正（正相关）：当标的「上涨的时候放量、下跌的时候缩量」，收益率与成交量呈现正相关。这种结构说明：上涨有成交量配合，资金做多意愿强烈；下跌时成交量萎缩，抛压不足，是健康的上涨趋势，后续延续性极强。
因子值为负（负相关）：当标的「上涨不放量、下跌却放量」，收益率与成交量呈现负相关。这种结构说明：上涨没有资金认可，量能无法支撑价格涨幅；下跌时恐慌盘涌出，抛压极大，是质量极差的趋势，极易出现反转和大幅回撤。

3.3 因子的 Python 完整实现

该因子的实现同样极简，基于基础相关系数函数，仅需新增收益率计算环节，即可完成因子开发：

def correlation_return_volume(df, window=10):
    """
    计算基于收益的量价动能因子
    参数:
        df: pd.DataFrame，必须包含close(收盘价)、volume(成交量)列
        window: int，滚动计算的时间窗口，默认10天
    返回:
        pd.Series，量价动能因子值
    """
    df = df.copy()
    # 计算标的日涨跌幅收益率
    daily_return = df['close'].pct_change()
    # 计算收益率与成交量的滚动相关系数，得到最终动能因子
    return correlation(daily_return, df['volume'], window)

3.4 因子使用示例与可视化解读

同样通过模拟行情数据，演示因子的调用与可视化效果：

# ---------------------- 1. 模拟生成行情数据（替换为你的真实数据源即可） ----------------------
date_range = pd.date_range(start='2025-01-01', end='2025-10-31', freq='B')
np.random.seed(999)

# 模拟收盘价和成交量数据
close_price = np.cumsum(np.random.randn(len(date_range)) * 0.4) + 30
volume = np.random.randint(low=50000, high=1000000, size=len(date_range))

# 构建行情DataFrame
df = pd.DataFrame({
    'close': close_price,
    'volume': volume
}, index=date_range)

# ---------------------- 2. 计算基于收益的量价动能因子 ----------------------
df['alpha_return'] = correlation_return_volume(df, window=10)

# ---------------------- 3. 因子与股价可视化 ----------------------
fig, ax1 = plt.subplots(figsize=(16, 8), dpi=100)

# 左轴：股票收盘价走势
ax1.set_xlabel('日期', fontsize=12)
ax1.set_ylabel('股票收盘价', fontsize=12, color='#ff7f0e')
line1 = ax1.plot(df.index, df['close'], color='#ff7f0e', linewidth=2, label='收盘价')
ax1.tick_params(axis='y', labelcolor='#ff7f0e')
ax1.grid(True, alpha=0.3)

# 右轴：量价动能因子
ax2 = ax1.twinx()
ax2.set_ylabel('量价动能因子', fontsize=12, color='#9467bd')
line2 = ax2.plot(df.index, df['alpha_return'], color='#9467bd', linewidth=1.5, linestyle='--', label='Alpha因子')
ax2.axhline(y=0, color='black', linestyle='-', alpha=0.5)
ax2.tick_params(axis='y', labelcolor='#9467bd')

# 合并图例与图表设置
lines = line1 + line2
labels = [l.get_label() for l in lines]
ax1.legend(lines, labels, loc='upper left', fontsize=12)
plt.title('基于收益的量价动能因子与股价走势对比', fontsize=16, fontweight='bold')
plt.tight_layout()
plt.show()

相比于基础的开盘价版本，这个扩展因子的核心优势在于：它直接锚定了价格涨跌的核心动能，而非价格的绝对数值，能更敏锐地捕捉到趋势的内在质量变化，提前预判趋势的延续与反转，是行业内趋势跟踪策略、动量策略中使用频次极高的核心因子。

四、两大进阶因子的适用场景与组合使用技巧

4.1 两个进阶因子核心差异对比

为了方便大家根据自己的策略风格选择，我们通过表格清晰对比两个因子的核心差异：

因子名称	核心逻辑	适用策略风格	核心优势
短中期量价结构差因子	捕捉短长周期量价结构分化，定位短期资金异动	短线交易、题材轮动、事件驱动策略	适配 A 股快节奏市场，精准抓短期行情启动点
基于收益的量价动能因子	刻画涨跌动能与量能的匹配度，判断趋势健康度	趋势跟踪、动量策略、中长线波段交易	精准识别趋势真假，提前预判趋势反转，稳定性更强

4.2 实盘组合使用技巧

在实战中，两个因子并非二选一，组合使用能实现更好的策略效果，分享 2 个经过实战验证的组合用法：

趋势 + 短线共振选股：先用「量价动能因子」筛选出因子值为正、趋势健康的标的，缩小选股范围；再用「短中期量价结构差因子」筛选出短期资金异动的标的，作为最终的买入标的，兼顾趋势的安全性与短线的爆发力。
多因子模型权重分配：在多因子模型中，给「量价动能因子」分配更高的核心权重，作为 Alpha 的主要来源；给「短中期量价结构差因子」分配辅助权重，作为短期增强因子，既能保证模型的长期稳定性，又能提升短期收益表现。