因子计算框架：从逻辑到性能的实战拆解

因子计算，说白了就是把原始行情数据变成有预测能力的信号。这个环节做得好不好，直接决定了你后面所有工作的质量。我见过太多人花大把时间调模型，结果回头一看，因子计算那步就埋了雷。

今天咱们就聊聊因子计算的核心逻辑，以及怎么用向量化计算把性能拉满。

因子计算的核心逻辑

因子计算本质上就三步：输入数据 → 计算逻辑 → 输出因子值。听起来简单，但实际落地时坑不少。

我个人习惯把因子计算拆成三个层次来看：

• 数据层：原始行情、财务数据、另类数据等，需要做清洗和对齐
• 逻辑层：具体的计算公式，比如动量、反转、波动率等
• 执行层：用什么工具、什么方式去算，这直接影响效率

举个例子，一个简单的动量因子：

# 伪代码逻辑
动量因子 = (当前收盘价 - N天前收盘价) / N天前收盘价

这个逻辑看着简单，但放到全市场几千只股票、每天几万条数据上，怎么算得快、算得准，就是门学问了。

向量化计算 vs 循环计算：性能差距有多大？

我记得刚入行那会儿，写因子计算全用 for 循环。跑一个简单的均线因子，3000只股票、500个交易日，愣是跑了快10分钟。后来换成向量化计算，同样的逻辑，3秒搞定。

为什么会这样？

Python 的 for 循环是解释执行的，每循环一次都要做类型检查、内存分配。而 NumPy 和 Pandas 的向量化操作底层是 C 语言实现的，一次操作处理整个数组，省掉了大量 Python 层面的开销。

咱们直接看对比：

计算方式	代码量	可读性	执行速度（100万行数据）
纯 Python 循环	少	差	~8-12秒
列表推导式	中等	中等	~5-8秒
Pandas 向量化	少	好	~0.3-0.8秒
NumPy 向量化	中等	好	~0.1-0.3秒

我曾经在一个项目中，用循环计算了50多个因子，每次回测光计算就要等半小时。改成向量化后，整个因子库的更新压缩到2分钟以内。嗯，那感觉就像从绿皮火车换成了高铁。

用 Pandas 和 NumPy 进行因子计算

实际工作中，我主要用 Pandas 做数据操作，NumPy 做数值计算。两者配合起来，基本能覆盖90%的因子计算场景。

Pandas 常用操作

• groupby + apply：按股票分组计算
• rolling / expanding：滚动窗口和扩展窗口
• shift：数据对齐，避免未来信息
• pct_change：收益率计算

举个例子，计算每个股票的20日滚动波动率：

import pandas as pd
import numpy as np

# 假设 df 是 MultiIndex 格式，索引为 (date, stock)
# 列包含 close 收盘价

# 计算日收益率
df['ret'] = df.groupby('stock')['close'].pct_change()

# 计算20日滚动波动率（年化）
df['vol_20d'] = df.groupby('stock')['ret'].rolling(20).std() * np.sqrt(252)

# 重置索引
df = df.reset_index(level='stock', drop=True)

你看，三行代码就搞定了。如果用循环写，至少得十几行，还容易出错。

NumPy 加速技巧

有些计算 Pandas 做起来比较慢，比如复杂的矩阵运算、自定义函数等。这时候我会把数据转成 NumPy 数组来处理。

# 假设需要计算一个自定义的加权移动平均
def weighted_ma(arr, window=20):
    weights = np.exp(np.linspace(-1, 0, window))
    weights /= weights.sum()
    
    result = np.full_like(arr, np.nan)
    for i in range(window-1, len(arr)):
        result[i] = np.dot(arr[i-window+1:i+1], weights)
    return result

# 应用到每个股票
df['wma_20'] = df.groupby('stock')['close'].transform(
    lambda x: weighted_ma(x.values, 20)
)

这里的关键是 .values，它把 Pandas Series 转成 NumPy 数组，计算效率能提升一个数量级。

因子计算框架的整体流程

下面这张图是我自己总结的因子计算框架，你可以参考一下：

这个流程里，最关键的决策点就是「向量化计算 vs 循环计算」。我的建议是：能用向量化就别用循环。只有在逻辑特别复杂、无法向量化的时候，才考虑用循环，而且一定要用 numba 或 cython 加速。

实战中的几个坑

最后分享几个我踩过的坑，希望能帮你少走弯路：

1. 未来信息泄露：计算因子时一定要用 shift 对齐，确保只用历史数据。我曾经在计算均线时忘了 shift，结果因子值包含了当天的信息，回测结果漂亮得离谱，实盘直接打脸。
2. 分组计算时的索引问题：groupby 之后记得重置索引，否则后续操作容易出错。
3. 缺失值处理：因子计算中经常出现 NaN，比如滚动窗口初期、停牌日等。一定要想好怎么处理，是填充、删除还是保留。
4. 内存爆炸：全市场数据量很大，中间变量不要随意复制。能用 inplace=True 就用，能删的临时变量就删。