C's Notebook
精选文章

把交易直觉变成可计算的因子：5 层框架与 ATR 案例

从自然语言交易直觉出发，用五层框架把想法变成可计算、可验证的量化因子。

本文目录
  1. 1. 一、因子是什么：从一句直觉到两段代码
    1. 1.1. 同一个直觉，两种因子写法
    2. 1.2. 好因子的四个特征
  2. 2. 二、5 层因子框架：从入场到出场
  3. 3. 三、8 因子全景字典：每层留一个”代表队员”
  4. 4. 四、AI 帮你写因子：从一句话到一个 Python 函数
    1. 4.1. 取数：一句话拉 2 年日 K
    2. 4.2. 写因子：自然语言 → 可执行函数
    3. 4.3. 双版本并行的价值
  5. 5. 五、为什么”双版本”是这套方法的关键
  6. 6. 六、把交易直觉翻译成可执行因子
  7. 7. 参考资料

看到 MACD 金叉就想买，看到放量就觉得”要起飞”，看到 ATR 突然放大就慌——这些直觉到底有没有数据支撑？

我做过一次量化实验，目标只有一个：把”我以为有用”的指标，全部翻译成一段不会说谎的代码，再用两年的数据问它一句话——你到底准不准。

第一步，是把脑子里那种”金叉就该买”的模糊感觉，变成一个可以跑、可以验、可以被数据打脸的因子。

一、因子是什么：从一句直觉到两段代码

因子说穿了，就是把你嘴里那句”今天波动有点大”翻译成一条等长的数值序列。每一行对应一个交易日，每一格是一个数。

听起来很朴素，但绝大多数散户停在了”嘴里说”这一步。因子的存在就是逼你把直觉量化，量化之后才有验证，验证之后才知道你信的那套靠不靠谱。

我用 ATR 来举这个例子，原因很简单——它是少数几个能用一句话说清楚、又能被市场反复打脸的指标。

ATR（Average True Range）衡量的是每天价格运动的幅度，公式不复杂：

TrueRange = max(H - L, |H - PC|, |L - PC|)
ATR14    = Wilder(TrueRange, 14)   # TA-Lib 默认，近似 EMA

PC 是前一日收盘。说人话：今天的最高最低之间走了多远，再把”昨天收盘到今天”的跳空也算进去，三者取最大，最近 14 天做一次 Wilder 平滑（TA-Lib 的 ta.ATR 默认就是这个口径，比简单移动平均更接近原始 ATR 定义；代码里直接调它就行）。

ATR 是一个吵闹的孩子。它一安静，可能是蓄势，也可能只是死水，得看后面有没有催化；它一爆响，往往意味着事件驱动已经发生、市场切到了新的能量状态。AI 概念股（NVDA、AMD、TSLA、MSFT 这一类）尤其如此——财报、发布会、监管口风，每一次波动率台阶都对应着一桩事。

同一个直觉，两种因子写法

我第一次跑 ATR 时差点把它算反了。直觉是对的：”今天波动比前几天大很多”，但写代码时可以写成两种完全不同的形态。

连续版本（continuous）——保留幅度信息：

atr_ratio = ATR14[t] / SMA(ATR14, 3)[t-1]
# 输出：1.12, 0.87, 1.31 ... 一串浮点数

它告诉你”今天 ATR 是过去 3 天均值的几倍”。1.12 是温和扩张，1.31 就是踩了油门。

离散版本（discrete）——只关心事件触发：

atr_break = (ATR14[t] > SMA(ATR14, 3)[t-1]).astype(int)
# 输出：0 或 1

它只问一句：”今天的 ATR 是不是高于过去 3 天均值？”是就 1，否就 0。

同一个直觉，派生出两个版本，是因为它们后面要走完全不同的验证路径。连续版会被丢进 IC、ADF 那一套来看”幅度是否单调预测收益”；离散版会被丢进 PRF（Precision-Recall）和事件研究那一套来看”信号触发后到底涨没涨”。

在这个数据集上，连续版本的 IC 拉胯，离散版本却跑出了 Lift +5.4 个百分点的成绩。这种”幅度不灵但事件灵”的分歧，正是因子工程里最值得玩味的地方——也是为什么要双版本并行写。

好因子的四个特征

我审阅自己的因子时，会拿这四条尺子量一遍：

  1. 有经济逻辑——你能用一句话解释清楚为什么它该有效
  2. 有区分度——IC 或 Lift 大于 0，至少能跑赢瞎猜
  3. 跨期稳定——在不同市场状态、不同时间段都成立，不是单一时段拟合出来的偶然
  4. 与已有因子低冗余——|ρ| < 0.7，否则就是同一个信息的两次计数

只满足前两条的因子很多，能扛过后两条的不多。ATR 正好暴露了一个经典分歧——同一个直觉，连续版的区分度被 IC 一票否决，离散版却跑出非常清晰的事件信号。

把因子写成代码这件事，看起来是技术活，骨子里是认知活。你嘴里说”放量突破”，可以在十几个不同的语境下意思都不一样：是相对昨天放量，还是相对均线放量？倍数是 1.2 还是 1.5？要不要要求收盘价同时突破？写代码逼着你把每一个模糊词钉死成一个数字，直觉的颗粒度被强制拉到了”可执行”层级。

你会发现一件有意思的事：很多脑子里听起来无懈可击的策略，一旦写出代码，自己就会发现哪里不对。比如”金叉买入”这条规则，写到最后你必须回答——是日线金叉还是周线？金叉之后立刻买还是次日开盘？买完之后什么时候卖？只要这三个问题里有一个你之前没想过，你就知道你刚才信的不是策略，是一句口号。

二、5 层因子框架：从入场到出场

凭一个因子下单这事我干过，结果就是踩到大行情之外的”假突破”。教训是因子要分层，每一层只解决一个独立维度的问题，叠加时才不至于把同一件事数三遍。

我把入场到出场的因子分成 5 层，顺序固定：

5 层因子框架

第一层 趋势确认。它是入场的”准入门槛”，回答”这股票现在到底在走多还是走空”。代表因子是 MA 多头排列、MA50 站稳一周、年线站稳一周、MACD 金叉（业内常把金叉归到动量/转折类，这里我把它当成趋势的辅助过滤用——同一个指标在不同框架里的位置本来就不唯一，要紧的是别在两层重复使用）。趋势这层不通过，后面的全部不算数。

第二层 动量触发。趋势是个慢变量，动量给你”这一刻有没有催化剂”的快变量。代表因子 high_new_3m：今天的 high 是不是过去 3 个月的最高。突破 3 月新高这件事本身，就是动量爆发的硬证据。

第三层 量能辅助。价格动了，量没跟上，是孤掌难鸣。volume_up_vs_prev 看环比放量，volume_gt_mavol_k 看是不是高于 20 日均量的 1.2 倍。我的经验是：量能层不是”必要条件”，而是”过滤器”——它能把很多无量假突破挡在门外。

第四层 波动率择时——ATR 突破因子所在的一层。前三层告诉你”该不该买”，这一层告诉你”现在是不是出手的时刻”。atr_break_mean_short（ATR14 突破短期均值）就属于这一层。波动率突然加速，意味着市场进入了一个新的能量状态——可能是事件驱动，可能是流动性变化。这里要点明一下：扣扳机赌的不是”突破当天本身”，而是”切换之后的延续”——离散版后面验证的也是触发后 T+N 天的累计涨幅，事件已经发生、但趋势惯性还在。

第五层 出场管理。出场常常是新手的盲区。我自己的处理方式是让出场和入场用同一个变量——既然进场看的是 ATR 放大，那么出场就看 ATR 缩小（缩量止盈）或者前低减一个 ATR（动态止损）。同源逻辑的好处是：你不会用一套理论开仓，又用另一套理论平仓，结果两套打架。

这 5 层有两条铁律：同层只选一个代表因子，层与层之间各管一段（不是数学意义上的统计独立，而是说每层回答一个独立维度的问题，避免把同一件事在两层重复计数）。哪些因子只是同一信号的两种说法，需要交给 Spearman 冗余矩阵检验。

三、8 因子全景字典：每层留一个”代表队员”

把 5 层框架落地，就是一个 8 因子的字典。下面这张全景图是我的入场因子集合，每个因子配一行明确的代码逻辑——这一点很重要，说不清代码逻辑的因子，本质上就不是因子，只是一种感觉。

入场因子全景字典

出场层另有 atr_shrink_take_profit（ATR 缩量止盈）和 dynamic_stop_prior_low_minus_atr（前低减 ATR 动态止损），不在入场字典里。

你会注意到趋势层堆了 4 个因子——这是因为趋势的视角天然多元：年线管的是大背景、MA50 管的是中期、多头排列管的是均线结构、MACD 管的是转折点。它们都属于”确认大方向走多”，但回答的是趋势的不同切片。冗余检验时我们会发现 ma50 和 ma_bullish_alignment 的 Spearman ρ 高达 0.72——同层冗余的典型样本，不能在同一个组合里同时打分。

每层为什么不多放几个？因为同层冗余的因子叠加是数学上的虚荣指标——你看着分数涨了，其实只是把同一个信息源的权重悄悄加了倍。

你可能会问：那如果我手头有 30 个心仪的指标，怎么往这个 5 层框架里塞？我的处理方式是先按经济逻辑把它们分到 5 个桶里，再在每个桶内部跑一遍 Spearman 矩阵看相关性，最后只保留每个桶里最具代表性的一个或两个。这一步会砍掉至少一半的”我以为有用”的指标——这种砍掉过程不是损失，是必要的减法。

字典之外的因子怎么处理？两条原则。第一，没法塞进 5 层中任何一层的，先停下来想想——它要么是我没想清楚的复合因子，要么是它根本不属于”入场信号”的范畴（比如基本面因子、舆情因子，是另一套体系）。第二，能塞但和现有因子相关性高于 0.7 的，直接丢掉，不要纠结。我给自己定的规矩是：宁可少 5 个因子，也不要让冗余信号污染组合分。

四、AI 帮你写因子：从一句话到一个 Python 函数

数据和代码这两件事，是把交易直觉变成因子的体力活。我以前的循环大概长这样：

打开 IDE → 想一下变量名 → 查 API 文档 → 写一段 fetch_kline → 处理时区/前复权 → 检查是不是有空值 → 再写因子函数 → 跑一下发现哪里维度不对 → debug → 出图 → 发现今天就剩 2 小时了。

现在这套流程被压缩成了一句话。

取数：一句话拉 2 年日 K

我用的是 futu-api（一个公开的 Python SDK，类似 yfinance 但走专用网关 OpenD）。Claude Code 帮我把”自然语言指令”转成可执行脚本，整个过程不到 1 分钟。

输入是这么一句话：

获取 15 支美股 AI 概念股 2024-05 至 2026-05 的日 K，前复权，保存为一份 Parquet（多标的合并）。

产出是一张落盘表：

项目 值
标的数 15 只
每标的 K 线数 499 根
总行数 7,485
日期范围 2024-05-13 ~ 2026-05-08
复权方式 前复权（QFQ）

文件落盘成 panel_kline.parquet，索引是 datetime，列是 code, open, high, low, close, volume。这个 date × asset 的面板格式直接喂给后面的因子计算工具，列对齐、时间对齐，没有任何手工 reshape。

前复权这一步不能省。如果数据没做前复权，每次拆股、分红都会在原始价格序列里制造一个”假突破”——你写一个 ATR 突破因子，会被这些幽灵事件污染到面目全非。垃圾数据进，垃圾因子出，AI 帮你把好的是数据这一关。

写因子：自然语言 → 可执行函数

下一步更简单。我把交易直觉用一句话扔给 Claude：

基于 K 线数据，计算 atr_break_mean_short：当日 ATR14 大于前一日 3 日均值时触发，同时产出连续版 atr_ratio，存入面板 Parquet。

它产出的代码是这样的：

def compute_atr_factors(df, p=14, m=3):
    df['atr14']    = ta.ATR(df.high, df.low, df.close, timeperiod=p)
    df['atr_ma3']  = df['atr14'].shift(1).rolling(m).mean()
    df['atr_ratio']             = df['atr14'] / df['atr_ma3']
    df['atr_break_mean_short']  = (df['atr14'] > df['atr_ma3']).astype(int)
    return df

注意 shift(1) 那一句——前一日 3 日均值，避免用未来数据。这种容易出错的细节，AI 在生成代码时会主动加上 lookahead 防护。我自己手写的版本曾经漏掉过 shift，结果”完美预测”了 20% 的次日收益，开心了 5 分钟才反应过来在时间维度上偷跑了。

双版本并行的价值

这段代码一次性产出两个因子：连续版 atr_ratio 和离散版 atr_break_mean_short。一份代码，两条验证路径，两套报告。

我以前会先写一个版本，跑完发现不对再去改另一种形态，来回折腾两小时。现在 AI 一次性把两种形态摆在桌面上，等于把”双盲实验”前置——下一步我直接拿数据投票，看哪一版能扛过统计检验，而不是先入为主押一边。

整个从交易直觉到 Parquet 落盘的过程，我大概只需要描述清楚两件事：因子的经济逻辑和输出口径。剩下的体力活都被压平了。

AI 因子流水线

五、为什么”双版本”是这套方法的关键

回到 ATR 这个案例。

连续版 atr_ratio 测出来的 IC_IR 只有 0.188，远低于 0.5 的工业级阈值。如果按传统量化教材的处方——“IC_IR 不达标就丢掉这个因子”——我应该把 ATR 直接扔进垃圾桶。

但同样的指标，切换成离散版本一跑，PRF 给出 Precision 61.86%、Lift +5.4 个百分点，事件研究的 t 统计量 13.1、p 值小于 10⁻³⁷。这些数字不是同一个量级的”勉强能用”，而是”非常清晰的有效信号”。

提一句口径：这些数字来自 15 只美股 AI 概念股、2024-2026 年偏牛市区间，未扣交易成本、也没跑过样本外复验。把它当成”双版本设计能救一个差点被误杀的因子”的证据够用，但别当成可以直接照搬的普适结论。

同一个直觉，在”幅度”维度上拉胯，在”事件”维度上封神——这种分裂背后的逻辑是：ATR 的预测力不来自它的具体数值大小，而来自”是否触发了一次突破”这个事件本身。波动率不是连续光滑地预测未来收益的，它是阶梯式地切换市场状态的。IC 在常用定义下是预测值和未来收益的秩相关，本质上衡量的是单调关系——你拿一把测单调关系的尺子去量一个阶梯函数，自然会得到”看着像噪声”的结果。

这件事教会我两件事：

第一，因子设计阶段不要押注单一形态。同一个直觉，连续 + 离散两种形态都试一遍，让数据告诉你哪种形态承载了真信号。

第二，统计指标失败不等于因子失败。IC_IR 不达标只能说明”单调幅度信息不可用”，不能说明”这个指标整体没有预测力”。换条路（离散化、阈值化、事件化）继续验，往往柳暗花明。

我后来做其他指标时养成了一个习惯：写每个因子都写两遍，连续一份、离散一份，双盲交给统计检验投票。这个习惯让我节省了至少一半”早早把好因子误杀”的成本。

这件事还有第三层启发，关于”指标失败”的归因。过去我习惯把一个因子跑出负 IC 解释成”市场没效率”或者”标的不对”，把锅甩给外部。这次实验让我意识到，更常见的真相是——我用了错误的统计语言去问一个对的问题。相关系数家族（无论 Pearson 还是 Spearman 秩相关）假设的都是连续单调关系，可现实中很多有效信号是阶梯式、阈值式、事件式的。换句话说，不是因子不灵，是测量工具用错了。

这个认知会迁移到很多其他场景：做 A/B 实验时如果只看均值不看分布、做用户分层时只看相关性不看断点、做趋势分析时只用线性回归——都可能踩到同样的坑。统计指标是望远镜，但每架望远镜只能看一种波段，选错了就只能看到一片黑。

六、把交易直觉翻译成可执行因子

因子设计归根到底只做一件事——把交易直觉编码成代码。代码这一步迈不过去，所有的”我感觉这指标好用”都只是迷信。

真正需要回答的问题是：

你现在用的指标，能写出明确的代码吗？写出来之后，是只有一个版本，还是连续版和离散版都有？

如果答不上来，从一个最简单的指标开始——MACD 金叉也好，MA 多头排列也好，把它写成一个返回 0/1 的 Python 函数。然后把过去 2 年的数据丢进去，看看它在你最熟悉的标的上到底每年触发多少次。这一步迈完，你跟”凭感觉交易”之间，就隔了一个数量级的差距。

参考资料

  • futu-api 官方文档（公开 Python SDK，类似 yfinance）
  • 《主动投资组合管理》Grinold & Kahn——IC、IR 等基础统计量定义
  • 《101 Formulaic Alphas》（WorldQuant）——因子工程的工业级范式
  • TA-Lib 文档：ta.ATR 实现细节与参数说明
许可协议

本文采用 署名-非商业性使用-相同方式共享 4.0 国际 许可协议，转载请注明出处。