finlab.tools

工具模組，提供事件研究與因子分析功能。

使用情境

分析特定事件對股價的影響（事件研究）
評估因子的選股能力（因子分析）
優化策略的因子組合
理解策略績效的來源

快速範例

事件研究

from finlab.tools import event_study

# 分析營收公告後的股價表現
# （待補充：需要實際的事件資料）

因子分析

from finlab import data
from finlab.tools import factor_analysis as fa

# 準備因子與標籤
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')

# 建立因子
cond1 = marketcap.rank(pct=True, axis=1) < 0.3  # 小市值
cond2 = (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) > 0.7  # 營收成長

# 計算因子報酬
factor_return = fa.calc_factor_return(cond1, label=future_return)
print(factor_return)

詳細教學

參考因子分析教學，了解： - 完整因子分析流程 - 因子報酬計算 - 因子 IC 分析 - Shapley values 貢獻度分析

API Reference

event_study()

finlab.tools.event_study

create_factor_data

create_factor_data(factor, adj_close, days=[5, 10, 20, 60], event=None)

create factor data, which contains future return

PARAMETER	DESCRIPTION
`factor`	factor data where index is datetime and columns is asset id TYPE: `DataFrame`
`adj_close`	adj close where index is datetime and columns is asset id TYPE: `DataFrame`
`days`	future return considered TYPE: `List[int]` DEFAULT: `[5, 10, 20, 60]`

Return

Analytic plots and tables

Warning

This function is not identical to finlab.ml.alphalens.create_factor_data

Examples:

現金增減資分析

from finlab.tools.event_study import create_factor_data
from finlab.tools.event_study import event_study

factor = data.get('price_earning_ratio:股價淨值比')
adj_close = data.get('etl:adj_close')
benchmark = data.get('benchmark_return:發行量加權股價報酬指數')

# create event dataframe
dividend_info = data.get('dividend_announcement')
v = dividend_info[['stock_id', '除權交易日']].set_index(['stock_id', '除權交易日'])
v['value'] = 1
event = v[~v.index.duplicated()].reset_index().drop_duplicates(
    subset=['stock_id', '除權交易日']
).pivot(index='除權交易日', columns='stock_id', values='value').notna()

# calculate factor_data
factor_data = create_factor_data({'pb':factor}, adj_close, event=event)

r = event_study(factor_data, benchmark, adj_close)

plt.bar(r.columns, r.mean().values)
plt.plot(r.columns, r.mean().cumsum().values)

event_study

event_study(factor_data, benchmark_adj_close, stock_adj_close, sample_period=(-45, -20), estimation_period=(-5, 20), plot=True)

Run event study and returns the abnormal returns of each stock on each day.

PARAMETER	DESCRIPTION
`factor_data`	factor data where index is datetime and columns is asset id TYPE: `DataFrame`
`benchmark_adj_close`	benchmark for CAPM TYPE: `DataFrame`
`stock_adj_close`	stock price for CAPM TYPE: `DataFrame`
`sample_period`	period for fitting CAPM TYPE: `(int, int)` DEFAULT: `(-45, -20)`
`estimation_period`	period for calculating alpha (abnormal return) TYPE: `(int, int)` DEFAULT: `(-5, 20)`
`plot`	plot the result TYPE: `bool` DEFAULT: `True`

Return

Abnormal returns of each stock on each day.

Examples:

現金增減資分析

from finlab.tools.event_study import create_factor_data
from finlab.tools.event_study import event_study

factor = data.get('price_earning_ratio:股價淨值比')
adj_close = data.get('etl:adj_close')
benchmark = data.get('benchmark_return:發行量加權股價報酬指數')

# create event dataframe
dividend_info = data.get('dividend_announcement')
v = dividend_info[['stock_id', '除權交易日']].set_index(['stock_id', '除權交易日'])
v['value'] = 1
event = v[~v.index.duplicated()].reset_index().drop_duplicates(
    subset=['stock_id', '除權交易日']
).pivot(index='除權交易日', columns='stock_id', values='value').notna()

# calculate factor_data
factor_data = create_factor_data({'pb':factor}, adj_close, event=event)

r = event_study(factor_data, benchmark, adj_close)

plt.bar(r.columns, r.mean().values)
plt.plot(r.columns, r.mean().cumsum().values)

plot_event_study

plot_event_study(returns)

Plot the event study for the given returns.

PARAMETER	DESCRIPTION
`returns`	A DataFrame containing the returns data. TYPE: `DataFrame`

Return

ax (matplotlib.axes.Axes): The axes object containing the plot.

事件研究：分析特定事件對股價的影響。

使用說明

事件研究用於分析特定事件（如財報公告、法說會、股利發放）對股價的短期與長期影響。

factor_analysis

finlab.tools.factor_analysis

calc_centrality

calc_centrality(return_df, window_periods, n_components=1)

對指定的時間序列數據計算滾動資產集中度。

此函式為通用函式，可應用於任何以時間為索引、資產為欄位的 DataFrame(例如因子報酬)。它現在是頻率無關的，滾動窗口由整數 window_periods 指定。

PARAMETER	DESCRIPTION
`return_df`	一個時間序列 DataFrame，索引為日期，欄位為資產(例如因子名稱)。雖然參數名稱為 `return_df`，但此函式設計上可接受任何資產的時間序列數據，例如因子波動率，但就是不能解釋資產集中度了。 TYPE: `DataFrame`
`window_periods`	滾動窗口的長度，以數據點的「數量」計。例如，如果 `return_df` 是月資料， `window_periods=3` 就代表使用 3 個月的滾動窗口。 TYPE: `int`
`n_components`	用於計算的 PCA 主成分數量。 TYPE: `int` DEFAULT: `1`

RETURNS	DESCRIPTION
`DataFrame`	pd.DataFrame: 包含滾動集中度分數的 DataFrame。

Example

date	FactorA	FactorB
2025-01-01	0.1	0.2
2025-01-02	0.1	0.2
2025-01-03	0.1	0.2
2025-01-04	0.1	0.2
2025-01-05	0.1	0.2

calc_factor_return

calc_factor_return(features, labels)

計算基於特徵和標籤的等權重投資組合週期表現。

此函式是因子績效計算的核心引擎，接受預先準備好的特徵和標籤，然後計算每個因子的投資組合報酬。

函式會自動處理以下流程： 1. 驗證所有特徵都是布林值 2. 對每個因子計算等權重投資組合的週期報酬 3. 自動裁剪掉第一個非空行之前的數據

PARAMETER	DESCRIPTION
`features`	特徵 DataFrame，索引為日期，欄位為因子名稱，值應為布林值。 TYPE: `DataFrame`
`labels`	標籤 Series，索引為日期，值為超額報酬。 TYPE: `Series`

RETURNS	DESCRIPTION
`DataFrame`	pd.DataFrame: 一個索引為日期、欄位為各因子名稱的 DataFrame，其值為每個週期的等權重投組表現。輸出會自動從第一個非空行開始，確保數據完整性。

RAISES	DESCRIPTION
`ValueError`	如果特徵不是布林值。

Example

from finlab import data
from finlab.tools.factor_analysis import calc_factor_return, generate_features_and_labels

price = data.get('etl:adj_close')
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')

# 先生成特徵和標籤
features, labels = generate_features_and_labels({
     'marketcap': marketcap.rank(pct=True, axis=1) < 0.3,
     'revenue': (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) < 0.3,
     'momentum': price / price.shift(20) - 1 > 0
}, resample=revenue.index)

 # 計算因子報酬
 factor_return = calc_factor_return(features, labels)

 # 輸出範例
 print(factor_return.head())

datetime	marketcap	revenue	momentum
2013-04-30 00:00:00	0.018	-0.005	0.009
2013-05-31 00:00:00	0.004	-0.003	-0.001
2013-06-30 00:00:00	-0.013	-0.006	0.023
2013-07-31 00:00:00	0.007	-0.007	0.001
2013-08-31 00:00:00	0.014	-0.003	-0.005

calc_ic

calc_ic(features, labels, rank=False)

計算特徵與標籤之間的相關係數（IC），可選擇是否對特徵進行排名。

PARAMETER	DESCRIPTION
`features`	特徵資料，索引為MultiIndex（日期, 股票代碼），欄位為因子名稱。 TYPE: `DataFrame`
`labels`	標籤資料，索引為MultiIndex（日期, 股票代碼）。 TYPE: `Series`
`rank`	是否對特徵進行排名。預設為False。 TYPE: `bool` DEFAULT: `False`

RETURNS	DESCRIPTION
	pd.DataFrame: 每個日期、每個因子的IC值。

calc_metric

calc_metric(factor, adj_close, days=[10, 20, 60, 120], func=corr)

計算因子

PARAMETER	DESCRIPTION
`factor`	因子 TYPE: `DataFrame`
`adj_close`	股價 TYPE: `DataFrame`
`days`	預測天數. Defaults to [10, 20, 60, 120]. TYPE: `list` DEFAULT: `[10, 20, 60, 120]`
`func`	計算函數. Defaults to corr. TYPE: `function` DEFAULT: `corr`

RETURNS	DESCRIPTION
	pd.DataFrame: 因子計算結果

Example

factor = data.indicator('RSI')
adj_close = data.get('etl:adj_close')
calc_metric(factor, adj_close)

date	factor_10	factor_20	factor_60	factor_120
2010-01-01	0.1	0.2	0.3	0.4
2010-01-02	0.1	0.2	0.3	0.4
2010-01-03	0.1	0.2	0.3	0.4
2010-01-04	0.1	0.2	0.3	0.4
2010-01-05	0.1	0.2	0.3	0.4

calc_regression_stats

calc_regression_stats(df, p_value_threshold=0.05, r_squared_threshold=0.1)

對 DataFrame 中的每個時間序列進行線性回歸，並回傳原始統計數據。

此函式使用 numpy 進行線性回歸計算，並使用 scipy.stats.t 計算準確的雙尾 p-value。

PARAMETER	DESCRIPTION
`df`	時間序列 DataFrame，索引為 DatetimeIndex，欄位為不同的指標序列。 TYPE: `DataFrame`
`p_value_threshold`	p 值閾值，用於判斷趨勢的統計顯著性。預設為 0.05。 TYPE: `float` DEFAULT: `0.05`
`r_squared_threshold`	R² 閾值，用於判斷趨勢的解釋力。預設為 0.1。 TYPE: `float` DEFAULT: `0.1`

RETURNS	DESCRIPTION
`DataFrame`	pd.DataFrame: 線性回歸的統計結果，包含以下欄位： - slope: 線性回歸斜率 - intercept: 線性回歸截距 - r_squared: 決定係數 (R²) - p_value: 斜率的 p 值（雙尾檢定） - tail_estimate: 時間序列尾部的估計值 - trend: 趨勢分類 ("up", "down", "flat")

Example

# 假設 ic_df 是一個包含 IC 時間序列的 DataFrame
# ic_df = calc_ic(features, labels)

# 1. 計算回歸統計數據
trend_stats = calc_regression_stats(ic_df)
print(trend_stats)

# 2. 基於回傳結果進行客製化分析
# 範例：找出統計顯著 (p-value < 0.05) 且趨勢向上 (slope > 0) 的因子
significant_up_trend = trend_stats[
    (trend_stats['p_value'] < 0.05) & (trend_stats['slope'] > 0)
]
print(significant_up_trend)

# 3. 查看趨勢分類結果
up_trends = trend_stats[trend_stats['trend'] == 'up']
down_trends = trend_stats[trend_stats['trend'] == 'down']
flat_trends = trend_stats[trend_stats['trend'] == 'flat']

calc_shapley_values

calc_shapley_values(features, labels)

計算因子的 Shapley 值，用於評估每個因子對投資組合表現的邊際貢獻。

Shapley 值是一種合作博弈論中的概念，用於公平分配聯盟的總收益給各個參與者。在因子分析中，我們將每個因子視為一個"參與者"，投資組合的報酬視為"聯盟的總收益"。

計算過程： 1. 對所有可能的因子組合（從單一因子到全部因子） 2. 計算每個組合的投資組合報酬 3. 根據 Shapley 值公式計算每個因子的邊際貢獻

PARAMETER	DESCRIPTION
`features`	特徵 DataFrame，索引為日期，欄位為因子名稱，值應為布林值。每個因子代表一個投資策略（True 表示選中該股票）。 TYPE: `DataFrame`
`labels`	標籤 Series，索引為日期，值為超額報酬。應為 MultiIndex，包含 'datetime' 和 'stock_id' 層級。 TYPE: `Series`

RETURNS	DESCRIPTION
`DataFrame`	pd.DataFrame: 包含每個因子 Shapley 值的 DataFrame。索引為日期，欄位為因子名稱，值為該因子的 Shapley 值。

RAISES	DESCRIPTION
`ValueError`	如果 features 為空或沒有欄位如果 labels 的索引不是 MultiIndex 如果 features 不是布林值如果 features 和 labels 的時間索引不匹配

Example

from finlab import data
from finlab.tools.factor_analysis import calc_shapley_values, generate_features_and_labels

price = data.get('etl:adj_close')
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')

# 生成特徵和標籤
features, labels = generate_features_and_labels({
    'marketcap': marketcap.rank(pct=True, axis=1) < 0.3,
    'revenue': (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) < 0.3,
    'momentum': price / price.shift(20) - 1 > 0
}, resample=revenue.index)

# 計算 Shapley 值
shapley_df = calc_shapley_values(features, labels)

print(shapley_df.head())

datetime	marketcap	revenue	momentum
2013-04-30 00:00:00	0.012	-0.003	0.006
2013-05-31 00:00:00	0.002	-0.001	-0.001
2013-06-30 00:00:00	-0.008	-0.004	0.015
2013-07-31 00:00:00	0.004	-0.004	0.001
2013-08-31 00:00:00	0.009	-0.002	-0.003

Note

Shapley 值的計算複雜度為 O(2^n)，其中 n 為因子數量
對於大量因子，計算時間可能較長
建議因子數量不超過 10 個以確保合理的計算時間

generate_features_and_labels

generate_features_and_labels(dfs, resample)

生成因子特徵和標籤，這是因子分析的核心步驟。

此函式封裝了因子分析中特徵和標籤生成的標準流程： 1. 使用 finlab.ml.feature.combine 將因子字典轉換為特徵 DataFrame 2. 使用 finlab.ml.label.excess_over_mean 生成超額報酬標籤

PARAMETER DESCRIPTION

dfs

因子字典，包含因子名稱和對應的因子數據或計算函式。

Key (str): 因子名稱，將成為輸出 DataFrame 的欄位名
Value (Union[pd.DataFrame, Callable]): 因子數據或計算函式
- pd.DataFrame: 直接提供的因子數據
- Callable: 計算因子的函式，將被調用以獲取因子數據

此為 finlab.ml.feature.combine 的標準輸入格式。

TYPE: Dict[str, Union[DataFrame, Callable]]

resample

重採樣頻率，用於特徵和標籤的生成。

例如: 'M' (月度), 'Q' (季度), 'Y' (年度)

TYPE: str

RETURNS	DESCRIPTION
`tuple[DataFrame, Series]`	tuple[pd.DataFrame, pd.Series]: - pd.DataFrame: 特徵 DataFrame，索引為日期，欄位為因子名稱 - pd.Series: 標籤 Series，索引為日期，值為超額報酬

RAISES	DESCRIPTION
`ValueError`	如果輸入的因子字典為空或無效。

Example

from finlab import data
from finlab.tools.factor_analysis import generate_features_and_labels

price = data.get('etl:adj_close')
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')

features, labels = generate_features_and_labels({
    'marketcap': marketcap.rank(pct=True, axis=1) < 0.3,
    'revenue': (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) < 0.3,
    'momentum': price / price.shift(20) - 1 > 0
}, resample=revenue.index)

print(f"Features shape: {features.shape}")
print(f"Labels shape: {labels.shape}")
Features shape: (120, 3)
Labels shape: (120,)

ic

ic(factor, adj_close, days=[10, 20, 60, 120])

計算因子的IC

PARAMETER	DESCRIPTION
`factor`	因子 TYPE: `DataFrame`
`adj_close`	股價 TYPE: `DataFrame`
`days`	預測天數. Defaults to [10, 20, 60, 120]. TYPE: `list` DEFAULT: `[10, 20, 60, 120]`

RETURNS	DESCRIPTION
	pd.DataFrame: 因子計算結果

Example

factor = data.indicator('RSI')
adj_close = data.get('etl:adj_close')
calc_metric(factor, adj_close)

date	factor_10	factor_20	factor_60	factor_120
2010-01-01	0.1	0.2	0.3	0.4
2010-01-02	0.1	0.2	0.3	0.4
2010-01-03	0.1	0.2	0.3	0.4
2010-01-04	0.1	0.2	0.3	0.4
2010-01-05	0.1	0.2	0.3	0.4

is_boolean_series

is_boolean_series(series)

Check if a pandas Series contains boolean values, handling NaN values.

In older pandas versions, boolean Series with NaN values get converted to float dtype. This function detects such cases by checking if the non-NaN values are boolean.

PARAMETER	DESCRIPTION
`series`	The Series to check TYPE: `Series`

RETURNS	DESCRIPTION
`bool`	True if the Series contains boolean values (including NaN), False otherwise TYPE: `bool`

Example

import pandas as pd
import numpy as np

# Pure boolean
s1 = pd.Series([True, False, True])
is_boolean_series(s1)  # True

# Boolean with NaN (becomes float in old pandas)
s2 = pd.Series([True, False, np.nan])
is_boolean_series(s2)  # True

# Non-boolean
s3 = pd.Series([1, 2, 3])
is_boolean_series(s3)  # False

因子分析模組，用於評估因子的選股能力與貢獻度。

主要功能：

函數	說明	用途
`calc_factor_return()`	計算因子報酬	評估因子的整體表現
`calc_ic()`	計算因子 IC（資訊係數）	評估因子與未來報酬的相關性
`calc_shapley_values()`	計算 Shapley values	評估因子在多因子模型中的邊際貢獻
`calc_centrality()`	計算因子集中度	評估因子在不同股票上的分布

calc_factor_return()

計算因子報酬，評估因子的選股能力。

使用範例：

from finlab import data
from finlab.tools import factor_analysis as fa

# 建立因子：小市值
marketcap = data.get('etl:market_value')
factor = marketcap.rank(pct=True, axis=1) < 0.3

# 計算未來 1 個月報酬（標籤）
close = data.get('price:收盤價')
future_return = close.shift(-20) / close - 1

# 計算因子報酬
factor_return = fa.calc_factor_return(factor, label=future_return)

# 查看結果
print(f"平均因子報酬: {factor_return.mean():.2%}")
print(f"因子報酬標準差: {factor_return.std():.2%}")
print(f"因子夏普率: {factor_return.mean() / factor_return.std():.2f}")

解讀： - 正值：因子有選股能力（選中的股票表現較好） - 負值：因子反向有效（應反向操作） - 接近 0：因子無選股能力

最佳實踐

使用長時間回測驗證因子穩定性
對比不同市場環境（牛市、熊市）的因子表現
結合 IC 分析確認因子有效性

calc_ic()

計算因子 IC（Information Coefficient），衡量因子與未來報酬的相關性。

使用範例：

from finlab import data
from finlab.tools import factor_analysis as fa

# 建立因子：營收成長率
revenue = data.get('monthly_revenue:當月營收')
factor = revenue.average(3) / revenue.average(12)  # 近 3 月平均 vs 近 12 月平均

# 計算未來報酬
close = data.get('price:收盤價')
future_return = close.shift(-20) / close - 1

# 計算 IC
ic = fa.calc_ic(factor, label=future_return)

# 查看結果
print(f"平均 IC: {ic.mean():.4f}")
print(f"IC 標準差: {ic.std():.4f}")
print(f"IC_IR (IC 夏普率): {ic.mean() / ic.std():.2f}")

# 視覺化 IC 時間序列
ic.plot(title='營收成長因子 IC')

IC 評估標準：

IC 值	評價	說明
> 0.05	優秀	因子有強選股能力
0.03 ~ 0.05	良好	因子有選股能力
0.01 ~ 0.03	一般	因子弱選股能力
< 0.01	無效	因子無選股能力

IC 分析注意事項

IC > 0: 因子與未來報酬正相關（做多因子高分股票）
IC < 0: 因子與未來報酬負相關（做多因子低分股票）
IC 波動大: 因子不穩定，風險高
IC_IR > 0.5: 因子風險調整後表現佳

calc_shapley_values()

計算 Shapley values，評估多因子模型中各因子的邊際貢獻。

使用範例：

from finlab import data
from finlab.tools import factor_analysis as fa

# 建立多個因子
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')
close = data.get('price:收盤價')

factor1 = marketcap.rank(pct=True, axis=1) < 0.3  # 小市值
factor2 = (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) > 0.7  # 營收成長
factor3 = (close / close.shift(20)).rank(pct=True, axis=1) > 0.7  # 動能

# 計算未來報酬
future_return = close.shift(-20) / close - 1

# 計算 Shapley values
factors = [factor1, factor2, factor3]
shapley = fa.calc_shapley_values(factors, label=future_return)

# 查看結果
print("各因子的 Shapley 值:")
for i, value in enumerate(shapley):
    print(f"因子 {i+1}: {value:.4f}")

解讀： - 高 Shapley 值：因子貢獻大，重要性高 - 低 Shapley 值：因子貢獻小，可考慮移除 - 負 Shapley 值：因子有害，拉低整體表現

應用建議

移除 Shapley 值為負或接近 0 的因子
保留 Shapley 值高的因子
重新評估移除因子後的策略表現

calc_centrality()

計算因子集中度，評估因子在不同股票上的分布。

使用範例：

from finlab import data
from finlab.tools import factor_analysis as fa

# 建立因子
marketcap = data.get('etl:market_value')
factor = marketcap.rank(pct=True, axis=1) < 0.3

# 計算集中度
centrality = fa.calc_centrality(factor)

print(f"因子集中度: {centrality}")

解讀： - 高集中度：因子集中在少數股票，分散不足 - 低集中度：因子分散在多數股票，分散佳

完整範例：多因子策略分析

from finlab import data
from finlab.tools import factor_analysis as fa
from finlab.backtest import sim

# 步驟 1：建立因子
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')
close = data.get('price:收盤價')

factor1 = marketcap.rank(pct=True, axis=1) < 0.3  # 小市值
factor2 = (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) > 0.7  # 營收成長
factor3 = (close / close.shift(20)).rank(pct=True, axis=1) > 0.7  # 動能

# 步驟 2：計算標籤（未來報酬）
future_return = close.shift(-20) / close - 1

# 步驟 3：分析各因子表現
print("=== 因子報酬分析 ===")
for i, factor in enumerate([factor1, factor2, factor3], 1):
    fr = fa.calc_factor_return(factor, label=future_return)
    ic = fa.calc_ic(factor.rank(pct=True, axis=1), label=future_return)
    print(f"\n因子 {i}:")
    print(f"  平均報酬: {fr.mean():.2%}")
    print(f"  平均 IC: {ic.mean():.4f}")

# 步驟 4：計算 Shapley values（貢獻度）
print("\n=== Shapley Values 分析 ===")
shapley = fa.calc_shapley_values([factor1, factor2, factor3], label=future_return)
for i, value in enumerate(shapley, 1):
    print(f"因子 {i} 貢獻度: {value:.4f}")

# 步驟 5：回測策略
position = factor1 & factor2 & factor3
report = sim(position, resample='M')
report.display()

print("\n=== 策略績效 ===")
metrics = report.get_metrics()
print(f"年化報酬: {metrics['annual_return']:.2%}")
print(f"夏普率: {metrics['daily_sharpe']:.2f}")
print(f"最大回撤: {metrics['max_drawdown']:.2%}")

常見問題

Q: 如何判斷一個因子是否有效？

使用三個指標綜合判斷：

# 1. 因子報酬（應顯著 > 0）
factor_return = fa.calc_factor_return(factor, label=future_return)
print(f"平均因子報酬: {factor_return.mean():.2%}")

# 2. IC（應 > 0.02）
ic = fa.calc_ic(factor.rank(pct=True, axis=1), label=future_return)
print(f"平均 IC: {ic.mean():.4f}")

# 3. IC_IR（應 > 0.5）
ic_ir = ic.mean() / ic.std()
print(f"IC_IR: {ic_ir:.2f}")

# 結論：三個指標都合格才認為因子有效

Q: Shapley values 如何應用於策略優化？

# 計算所有因子的 Shapley values
factors = [factor1, factor2, factor3, factor4, factor5]
shapley = fa.calc_shapley_values(factors, label=future_return)

# 移除貢獻度低或負的因子
threshold = 0.001
valid_factors = [f for f, s in zip(factors, shapley) if s > threshold]

print(f"原始因子數: {len(factors)}")
print(f"優化後因子數: {len(valid_factors)}")

# 使用優化後的因子組合
optimized_position = valid_factors[0]
for factor in valid_factors[1:]:
    optimized_position = optimized_position & factor

Q: IC 和因子報酬的區別？

IC (Information Coefficient):
衡量因子值與未來報酬的相關性
範圍 [-1, 1]，越接近 1 越好
適合評估連續型因子（如市值、ROE）
因子報酬:
衡量因子選出的股票的平均報酬
適合評估二元因子（True/False）
直接反映選股效果

# 連續型因子用 IC
continuous_factor = data.get('price_earning_ratio:本益比')
ic = fa.calc_ic(continuous_factor, label=future_return)

# 二元因子用因子報酬
binary_factor = continuous_factor < continuous_factor.quantile(0.3, axis=1)
factor_return = fa.calc_factor_return(binary_factor, label=future_return)

參考資源

因子分析完整教學 - 端到端範例
完整策略開發流程 - 包含因子分析步驟
機器學習策略 - 使用 ML 自動挖掘因子