简体中文 | English
面向 A 股本地数据的 AI 因子研究工作台。zer0factor 负责把研报、投资逻辑、因子想法，整理成可以审核、可以运行、可以落盘的标准因子代码：
研报 / 想法 -> FactorSpec -> Python compute() -> Parquet 因子值
它和 zer0share 是配套关系：
zer0share：负责本地 A 股数据采集、同步和查询zer0factor：负责因子规范、因子生成、预处理、评估和存储
项目还在早期阶段，更适合作为研究工作台使用，不是成熟的生产级因子平台。
- 标准因子接口：
FactorSpec + FactorFrame + compute()，输出统一为trade_date, ts_code, value zer0share数据适配：把本地行情转成标准宽表面板- 因子存储：Parquet 分区文件 + DuckDB 注册表
- 因子注册表：用
config/factors.toml管理待评估因子、标签和默认评估参数 - 因子预处理：截面去极值、标准化和行业 / 市值中性化
- 因子评估：基于 Alphalens / Pyfolio 生成 IC、分组收益、换手、单调性和组合绩效指标
factor-researchskill：从研报提取、审核、生成和归档因子，已包含一轮动量研报示例
前置要求：
- Python 3.11+ 和 uv
- 已经用
zer0share同步好的本地 A 股数据
默认要求 zer0share 和本项目在同级目录：
work/
├── zer0factor/
└── zer0share/
如果你的 zer0share 在别的位置，先改 pyproject.toml 里的路径：
[tool.uv.sources]
zer0share = { path = "../zer0share" }然后：
git clone https://github.com/zer0quant/zer0factor.git
cd zer0factor
uv synccp config/settings.example.toml config/settings.toml[zer0share]
data_dir = "../zer0share/data"
[paths]
factor_dir = "data/factors"
db_path = "db/factor_meta.duckdb"
log_path = "logs/factor.log"
[factor]
universe = "all"
start_date = "20160101"
end_date = ""以内置市值因子为例，从计算到评估走一遍最小流程：
# 查看因子库当前状态
uv run python main.py --config config/settings.toml status
# 计算内置市值因子并写入本地存储
uv run python main.py compute-market-cap
# 评估因子并查看结果
uv run python main.py evaluate-factor log_total_market_cap
uv run python main.py show-summary评估结果写入 data/evaluations/<run_id>/，指标口径详见 docs/evaluation.md。
| 命令 | 说明 |
|---|---|
status |
查看当前存储里有哪些已计算因子 |
factor-list |
对比注册表和本地存储里的因子状态 |
factor-info <name> |
查看单个因子的注册信息和存储状态 |
compute-returns |
计算内置收益率因子并写入本地存储 |
compute-market-cap |
计算内置市值因子并写入本地存储 |
build-factors --family <name> |
按因子族批量计算并写入本地存储 |
standardize-factor <name> |
对已存因子做截面去极值、填充和标准化 |
neutralize-factor <name> |
对已标准化因子做行业 / 市值中性化 |
evaluate-factor <name> |
评估单个已存因子 |
evaluate-factors <name...> |
评估多个已存因子 |
evaluate-batch --file <file> |
按配置文件批量评估因子 |
evaluate-summary |
汇总一次评估 run 的 summary |
analyze-evaluation |
分析评估 summary 并输出分组诊断 |
show-summary |
查看最近一次评估的完整 summary |
所有命令通过 uv run python main.py <命令> 执行，加 --help 查看完整参数。
import pandas as pd
from zer0factor.core import Factor, FactorFrame, FactorSpec, to_factor_output
class Ret20_0(Factor):
spec = FactorSpec(
name="ret20_0",
inputs=["close"],
min_window=20,
frequency="1d",
adjust="hfq",
)
def compute(self, data: FactorFrame) -> pd.DataFrame:
value = data.close / data.close.shift(20) - 1
return to_factor_output(value, self.spec.name)因子代码只应该访问 FactorFrame，不要自己读文件、查 DuckDB、或者直接调用 zer0share。字段契约和存储格式详见 docs/factor-contract.md。
zer0factor/
├── main.py # CLI 入口
├── zer0factor/
│ ├── core/ # FactorSpec / FactorFrame / Factor 接口
│ ├── factors/ # 内置因子（收益率、市值等）
│ ├── cli/ # CLI 命令实现
│ ├── preprocess/ # 去极值、标准化、中性化
│ ├── eval/ # 因子评估、summary 和 report
│ ├── registry.py # 因子注册表
│ └── storage.py # Parquet + DuckDB 因子存储
├── config/ # settings.example.toml、factors.toml
├── docs/skills/factor-research/ # 研报到因子的 skill
├── workspaces/ # 每轮研究流程的产物
├── notebooks/
└── tests/
- 因子契约：标准字段、输出格式和存储布局
- 因子评估：注册表、评估命令、产物结构和指标口径
- factor-research skill：从研报提取、审核、生成和归档因子的完整流程
- 开发笔记：记录设计过程和踩坑的系列文章目录
- 示例：
workspaces/factor-research-guosen-momentum/包含一轮完整的动量研报因子生成记录
- 当前主要围绕本地 A 股数据和
zer0share。 FactorFrame还没有暴露 ST、停牌、上市天数、精确涨停等字段。- 公告日因子、指数超额因子、风格回归因子还需要扩展 provider。
- API 还处在实验阶段。
欢迎提交 issue 和 PR。当前比较适合贡献的方向：
- 扩展 provider 字段契约
- 补充因子执行 CLI
- 增加
FactorSpec、FactorFrame、FactorStorage的测试 - 增加不包含第三方版权材料的示例
- 改进文档
开发环境和提交规范详见 CONTRIBUTING.md。
我持续记录这个项目的设计过程、踩坑记录和后续扩展：
- 开发笔记目录：所有文章的索引，跟踪开发进度从这里开始
- 知乎：我用 Codex，把"投资研报到股票因子"的流程做成了一个 Skill / 我用 Codex + Alphalens，搭了一套适配 A 股的因子评估流水线
- 微信公众号「极客投研笔记」：同步更新，欢迎关注
如果你对 AI + 量化投研、本地股票数据系统、因子研究工作流感兴趣，欢迎交流。
本项目仅用于研究和工程实验，不构成任何投资建议。仓库中的因子、示例和生成结果都需要自行验证后再使用。
MIT。详见 LICENSE。