量化交易 米筐 因子分组打分（成长因子）
作者：互联网
分组动手练习
在米筐上因子数据没有处理，提供的很多因子没有默认分类，存在一些因子没有的情况，我们就选择一些常见的因子。
| 价值因子 | 质量因子 | 成长因子（历史名称） |
|---|---|---|
| pe_ratio | return_on_invested_capital | in_revenue |
| pcf_ratio | du_return_on_equity | inc_eps |
| pb_ratio | return_on_asset_net_profit | inc_total_asset |
| market_cap | return_on_equity | inc_net_profit |
| ps_ratio | return_on_asset | inc_earnings_per_share |
| earnings_per_share | inc_operation_revenue | |
| net_profit_to_revenue | revenue |
代码
分析时间 20170101-20180101
factor_name = 'inc_revenue_ttm' # 更换因子名称 获取分析结果
# 准备因子数据 basic_earnings_per_share
all_data = pd.DataFrame()
# 获取这一年的交易日 日期列表
date = get_trading_dates(start_date='20170101', end_date='20180101')
stocks = all_instruments('CS').order_book_id
for i in range(len(date)):
# 获取当天date[i] 因子数据
factor = get_factor(stocks, factor=[factor_name], start_date=date[i], end_date=date[i])
# print(factor)
# 拼接在一起
all_data = pd.concat((all_data, factor))
成长因子测试
数据获得方法：链接
7个成长因子，分析结果
从结果上看（可能打分阈值较为严格，可根据实际情况修改阈值）：
因子：inc_return_on_equity_ttm 表现较好 可以作为备选因子。
个评分第一名，加一分
从结果上看
因子：inc_return_on_equity_ttm
operating_revenue_growth_ratio_ttm
表现较好 可以作为备选因子。
标签：return,per,因子,分组,ttm,factor,date,打分 来源： https://blog.csdn.net/weixin_45875105/article/details/121253177