Agent Skills
返回列表
小果量化因子库

小果量化因子库

行业专业 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_676c825d/xgfactor。

技能介绍

你在解决什么问题

量化策略和因子研究往往卡在两块:一是技术指标、Alpha 与风险指标散落在不同脚本里,口径不统一;二是全市场逐只算因子时,串行流水线拖慢迭代。小果量化因子库把计算入口收敛到 xg_factor 与批量侧的 xg_factor_trader,在统一 OHLCV(及可选指数)数据约定下输出可回测用的因子序列。

技能如何工作

  • 单票计算:用 xg_factor(df=..., index_df=...) 初始化后,按函数名调用 CCI、RSI、MACD 金叉/死叉、alpha001()~alpha191()、roll_alpha/roll_beta 等 300+ 因子方法,结果可直接写入 DataFrame。
  • 全市场批量:xg_factor_trader 支持多进程/分块(chunk_size、stage_size)、异步 IO 与增量模式(force_recalc=False),按股票落盘为 Parquet,并可 get_all_factor_data() 合并。
  • 底层能力:内置通达信风格 xg_tdx_func(MA、REF、CROSS、BARSLAST 等),并覆盖交易信号类(如六脉神剑、波段买卖点)与 MA/MACD/KDJ 交易规则函数。

边界与注意点

部分因子(Alpha/Beta、神系/龙系部分指标)依赖 指数 index_df,列需含 date、close。输入行情需包含 date, open, high, low, close, volume, amount;列名可映射为内部简写。批量路径会生成因子清单与失败列表,需自行准备 data/ 下的历史与指数数据布局。

使用场景

  • 用统一接口给单只 A 股日线算 MACD 金叉与 alpha101,写入策略回测用的 DataFrame
  • 按交易日区间对全市场股票并行落盘因子 Parquet,并跳过已算过的增量批次
  • 在投研表里批量生成 roll_beta、夏普与最大回撤,指数用沪深 300 收盘价对齐
  • 把 KDJ/RSI 金叉死叉与波段买卖点信号函数接到自研选股流水线里做截面筛选

适合人员

  • 维护 Python 因子库的私募研究员,需要把通达信类指标与 101 公式集中成可调用 API
  • 做 A 股多因子选股的独立开发者,要在本地硬盘上批量产出全市场因子面板
  • 编写日内/日线策略的量化工程师,希望直接用金叉死叉与 MA 交易规则函数生成信号列
  • 数据工程方向同学,负责把 OHLCV 与指数 Parquet 整理成库要求的列结构并跑批量任务