首页 › 龙虾技能列表 › A Share Multifactor Model — A股多因子模型

A Share Multifactor Model — A股多因子模型

v1.0.0

A股多因子模型/Barra风格因子分析工具。当用户提及"多因子"、"Barra"、"因子模型"、"风格因子"、"因子暴露"、"因子收益率"、"风险模型"时触发。基于cn-stock-data获取行情和财务数据，构建多因子风险模型，分析因子暴露、因子收益、协方差矩阵。支持研报风格（formal）和快速分析风格（brief）两种输出模式。

0· 110·0 当前·0 累计
by @yzswk·MIT-0
下载技能包
License
MIT-0
最后更新
2026/3/29
安全扫描
VirusTotal
无害
查看报告
OpenClaw
安全
high confidence
该技能的代码、指令和需求与多因子风险建模工具一致，不请求未解释的凭证或安装任意第三方代码。
评估建议
该技能似乎能够实现其所述功能：运行本地数据准备脚本并计算因子收益和协方差矩阵。安装前请验证以下几点：1) 确认引用的 cn-stock-data 脚本（在 $SKILLS_ROOT/cn-stock-data 下）可信，并检查其是否存在网络调用或凭证使用情况，因为 SKILL.md 假设了该依赖但未声明。2) 确保您提供的 CSV 输入不包含您不想处理的敏感数据。3) 确保所需 Python 包（pandas、numpy）在环境中可用。4) 首先在隔离环境中对测试数据运行 included multifactor_builder.py，以确认输出且未发生意外 I/O 或网络活动。...
详细分析 ▾
✓ 用途与能力
名称/描述与包含的资源匹配：SKILL.md 解释了因子构建的工作流程，仓库包含 multifactor_builder.py，实现截面回归、因子统计和 EWMA 协方差。未请求无关的二进制文件、凭证或配置路径。
ℹ 指令范围
运行时指令告诉 agent 调用 $SKILLS_ROOT 下的 cn-stock-data 脚本，然后运行本地的 multifactor_builder.py。这与描述的工作流程一致，但 SKILL.md 假设在 $SKILLS_ROOT 存在一个独立的 cn-stock-data 技能（此处未声明为依赖）。指令不读取任意系统文件或向外部端点泄露数据。
✓ 安装机制
未提供安装规范（仅指令加一个辅助脚本）。技能本身不调用外部下载或包安装。
✓ 凭证需求
该技能未声明所需的环境变量或凭证。代码读取 CSV 输入（收益/暴露）并执行本地数值计算；不请求令牌、密钥或无关的环境访问。
✓ 持久化与权限
always 为 false，该技能不修改 agent 配置或请求永久存在。它按需运行并将结果打印到 stdout；不存在特权持久化行为。
安全有层次，运行前请审查代码。

License

MIT-0

可自由使用、修改和再分发，无需署名。

运行时依赖

无特殊依赖

版本

latestv1.0.02026/3/29

A股多因子模型技能初始版本发布：- 支持 Barra 风格与自定义因子的多因子模型分析，自动触发关键词包括"多因子"、"Barra"、"因子模型"等。- 集成 cn-stock-data 获取 A 股行情与财务数据，自动构建因子、因子暴露、收益及协方差。- 支持 formal（研报）和 brief（快速）两种报告风格，按用户需求切换输出细节。- 实现因子标准化、去极值、缺失值处理，以及行业/市值中性化处理。- 风险模型支持因子协方差（指数加权90天）、特质风险及股票分解分析。- 默认剔除 ST 及上市不足60日新股，行业分类采用申万一级。

● 无害

安装命令 点击复制

官方npx clawhub@latest install a-share-multifactor-model
镜像加速npx clawhub@latest install a-share-multifactor-model --registry https://cn.clawhub-mirror.com

技能文档

数据源

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"
# 个股K线（计算动量/波动率因子）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期]
# 实时行情（市值/PE/PB等）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],...
# 财务指标（ROE/营收增速等基本面因子）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

量化计算： 

QSCRIPTS="$SKILLS_ROOT/a-share-multifactor-model/scripts"
# 多因子回归
python "$QSCRIPTS/multifactor_builder.py" --returns returns.csv --factors "size,value,momentum" --method ols

工作流程

步骤 1: 确定因子体系

根据用户需求选择因子集：
  • Barra CNE5 风格：Size/Beta/Momentum/ResidVol/NLSize/BP/Liquidity/EarningsYield/Growth/Leverage
  • 自定义因子：用户指定的因子组合
  • 通过 cn-stock-data 获取原始数据（行情+财务）

步骤 2: 因子计算与标准化

  • 从原始数据计算因子值
  • 去极值（MAD 法 ±3 倍）
  • 标准化（Z-score）
  • 缺失值处理（行业均值填充）

步骤 3: 截面回归估计因子收益

  • 每期对股票收益 vs 因子暴露做 OLS 回归
  • 回归系数即为因子收益率
  • 计算因子收益的 t 统计量

步骤 4: 构建风险模型

  • 因子协方差矩阵（指数加权）
  • 特质风险估计（回归残差的波动率）
  • 股票层面的风险分解

步骤 5: 输出

维度formal（完整因子报告）brief（快速分析）
因子定义完整因子体系说明仅列出因子名
因子收益完整时序+统计检验近期因子收益排名
暴露分析个股因子暴露详表关键因子暴露值
风险模型协方差矩阵+特质风险无
图表因子收益累计曲线无
默认风格：brief。用户要求"详细"/"完整模型"时切换为 formal。

关键规则

  • 因子暴露需经行业和市值中性化处理
  • 因子协方差使用半衰期 90 天的指数加权
  • 特质收益率需检验正态性假设
  • A 股需剔除 ST 股和次新股（上市<60日）
  • 行业分类默认使用申万一级（31 个行业）
数据来源：ClawHub ↗ · 中文优化：龙虾技能库
OpenClaw 技能定制 / 插件定制 / 私有工作流定制

免费技能或插件可能存在安全风险，如需更匹配、更安全的方案，建议联系付费定制

了解定制服务