通用量化因子
101 因子
白金 会员可用WorldQuant Alpha 101 经典量价因子库
API 接入
查询 Alpha 101 因子（82 个 WorldQuant 经典量价因子，60 分钟级，后复权）。按 symbol 切片分页返回。
/api/v1/factors/alpha101/queryHeader 必带 X-API-Key响应示例（真实数据）
{
"code": "SUCCESS",
"data": {
"items": [
{
"symbol": "sh600519",
"datetime": "2026-05-28T15:00:00",
"factors": {
"alpha001": 1.0,
"alpha002": 0.0,
"alpha003": 0.0,
"alpha004": -5.0,
"alpha005": -1.0,
"alpha006": 0.37304413,
"alpha007": -1.0,
"alpha008": -1.0,
"alpha009": -0.032226562
// ... 共 82 个因子
}
}
],
"factor_names": ["alpha001", "alpha002", "...", "alpha101"],
"pagination": {"page": 1, "page_size": 1, "total": 2316, "total_pages": 2316}
},
"message": "查询成功"
}查询参数
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
| symbol | sh600519 / 600519.SH | 必填 | 股票代码，自动归一化 |
| start | YYYY-MM-DD | 可选 | 起始日期（含端点） |
| end | YYYY-MM-DD | 可选 | 结束日期（不含端点） |
| page | int (默认 1) | 可选 | 分页页码 |
| page_size | int (默认 500, 最大 5000) | 可选 | 每页条数 |
调用示例（curl）
curl -G 'https://deepemerge.cn/api/v1/factors/alpha101/query' \
-H 'X-API-Key: <你的密钥>' \
--data-urlencode 'symbol=sh600519' \
--data-urlencode 'start=2026-01-01' \
--data-urlencode 'page_size=2000'响应字段
| 字段 | 说明 |
|---|---|
| items[].symbol | 归一化后股票代码 |
| items[].datetime | K 线时间（北京时间） |
| items[].factors | {alpha001: v, alpha002: v, ..., alpha101: v} 共 82 项；预热期可能为 NaN/null |
| data.factor_names | 本接口所有因子名（按数组顺序），用于客户端自描述 |
| pagination | {page, page_size, total, total_pages} |
单股 7 年约 6 万根 60 分钟 K 线 × 82 因子，建议按时间窗口分批拉取。
没有 API Key？扫码加企微客服开通
数据规格
覆盖标的
全市场 A 股
更新频率
T-2
所需会员
白金 及以上
因子介绍
WorldQuant Alpha 101 经典量价因子库的完整实现，覆盖全市场 A 股。开箱即用，可直接用于多因子模型构建或单因子回测。
推荐用法
多因子模型基础因子集合、单因子回测
完整说明文档
Alpha101 因子说明文档
WorldQuant 101 Formulaic Alphas — 工业级量化因子体系
一、背景与起源
Alpha101 源自 2015 年 WorldQuant LLC 发表的著名论文《101 Formulaic Alphas》（作者：Zura Kakushadze 与 Igor Tulchinsky）。这 101 个 Alpha 因子的数学表达式凝聚了 WorldQuant 多年量化交易经验的结晶，涵盖了趋势跟踪、均值回归、量价关系、蜡烛图形态等多种投资逻辑。
据业界反馈，这 101 个因子中约 80% 至今仍然在实盘中被广泛使用。因子的平均持仓周期约为 0.6-6.4 天，因子间平均成对相关性仅为 15.9%，说明它们从不同角度独立地捕捉了市场的 Alpha 信息。
二、因子的核心投资逻辑
Alpha101 的 101 个因子可归纳为四大核心投资逻辑：
2.1 均值回归（Mean-Reversion）
"涨多了卖，跌多了买"——价格在短期偏离其合理价值后趋于回归。代表因子：#1, #4, #5, #19, #28, #32, #34, #38, #46, #49, #51
- #004: -1 × 过去9日最低价的时序排序。跌得越狠，因子打分越高 → 买入超跌股
- #019: 年度涨幅好但近期急跌 → 牛市回调买入机会
- #032: 跌破7日均线 + VWAP长期均值回归模式 → 技术修复预期
2.2 动量效应（Momentum）
"强者恒强，顺势而为"——过去表现好的股票倾向于继续表现好。代表因子：#20, #23, #33, #45, #71, #81
- #033: rank(-(1 - open/close)¹) → 当日涨幅越大的股票排名越高，典型的动量因子
- #045: 20日均线趋势 × 短期量价相关系数 → 在趋势中确认量价配合
2.3 量价背离与资金流向（Price-Volume Divergence）
价格与成交量的关系是市场的"心电图"——量价背离往往预示趋势反转。代表因子：#2, #3, #6, #7, #12, #13, #14, #15, #16, #17, #22, #25, #26, #27, #30, #35, #43, #44, #47, #50, #52, #55
- #002: -1 × 量价2日变化的秩相关 → 价涨量缩=卖出信号，价跌量增=买入信号
- #003: -1 × 10日开盘价与成交量秩相关 → 量价趋势正相关则回避
- #012: sign(ΔVol) × (-ΔClose) → 价涨量缩或价跌量增时发出信号
2.4 蜡烛图形态与技术指标（Candlestick & Technical）
利用 OHLC 之间的结构关系识别特定的市场形态。代表因子：#41, #42, #53, #54, #55
- #041: (High×Low)^0.5 - VWAP → 几何均价偏离 VWAP 程度
- #053: 日内强度指标(收盘位置)9日变化 → 蜡烛图形态的趋势变化
- #101: (close-open)/(high-low+0.001) → 实体占振幅比例，最经典的日内动量指标
三、核心运算符体系
Alpha101 表达式基于一套标准化的运算符语言，核心运算符包括：
| 运算符 | 含义 | 示例 |
|---|---|---|
| rank(x) | 横截面排序，归一化到[0,1] | rank(close) 按收盘价从低到高排名 |
| Ts_Rank(x, d) | 过去 d 天时序排序 | Ts_Rank(close, 10) 10日价格排序位置 |
| delta(x, d) | x 最新值 - x_{t-d} | delta(close, 5) 5日价格变化 |
| delay(x, d) | x 在 d 天前的值 | delay(close, 1) 昨日收盘价 |
| correlation(x, y, d) | d天皮尔逊相关 | correlation(close, vol, 10) |
| ts_min/max(x, d) | d天内最小/最大 | ts_min(low, 20) 20日最低价 |
| decay_linear(x, d) | 线性时间衰减加权 | 近期数据权重高，远期低 |
| scale(x) | 截面归一化 | sum(|x|)=1 |
| sum(x, d) | d天滚动求和 | sum(returns, 20) 20日累计收益 |
| stddev(x, d) | d天标准差 | stddev(close, 20) 20日波动率 |
| adv{d} | d天日均成交量 | adv20 常用于判断放量/缩量 |
四、技术实现
本系统中的 Alpha101 因子生成采用 KunQuant 库实现：
- 因子定义：基于 KunQuant.predefined.Alpha101 预定义模块，内置全部 101 个因子表达式
- 计算图构建：通过 Builder 模式构建有向无环计算图（DAG），统一管理和优化因子间的公共子表达式
- JIT 编译：使用 cfake.compileit() 将因子图即时编译为 C++ 本地代码，执行效率接近手写 C++
- 多线程执行：KunRunner.createMultiThreadExecutor(4) 在计算时自动并行化
- 数据布局：TS（Time-Stock）内存布局优化缓存命中率
这种"表达式定义 → 计算图优化 → JIT 编译 → 并行执行"的架构，使得 101 个因子的计算效率远超逐因子 Python 循环实现。
五、因子应用注意事项
**因子间相关性：**101 个 Alpha 的平均成对相关性仅 15.9%，但仍有部分因子高度相似（如 #9 和 #10、#46/#49/#51），使用前需进行相关性筛选或 PCA 降维。
**A 股适应性：**这些因子最初为美股市场设计。在 A 股使用时需要充分考虑交易制度差异（涨跌停限制、T+1、做空限制），建议进行充分的回测验证后再实盘使用。
**行业市值中性化：**原始 Alpha101 因子可能与行业和市值存在相关性偏倚，需要经过中性化处理后才能用于多因子选股。