第 8 篇把原始 K 线清洗成了统一的CleanMarketBar。现在可以写因子了。
这里先不追求复杂。第一组因子只做四件事：日收益、短均线、长均线、动量和波动率。它们足够简单，也足够暴露量化工程的几个关键问题：窗口、缺失值、信号解释和测试边界。
因子不是神秘公式
因子可以先理解成“把原始数据变成策略能消费的特征”。
比如：
- 收盘价连续上涨，动量可能为正。
- 短均线高于长均线，趋势可能偏强。
- 波动率太高，即使上涨也可能需要谨慎。
这些判断都不是保证收益的规则。它们只是把行情数据变成更容易比较的工程对象。
几个常见名词先放在这里，后面文章会反复用到：
| 名词 | 在本文里的含义 |
|---|---|
| K 线 | 每个交易日的开盘、最高、最低、收盘、成交量等行情记录 |
| 因子 | 从行情、财务或其他数据里加工出来的特征，例如动量、波动率、估值 |
| 信号 | 因子经过规则解释后的动作提示，例如观察、买入观察、风险观察 |
| 窗口 | 计算指标时回看多少个交易日，例如 5 日均线、20 日动量 |
| 年化 | 把日频指标按一年约 252 个交易日换算，方便不同周期比较 |
常见因子大致可以分成几类：动量因子看“过去一段时间是不是在涨”，反转因子看“短期是否过度下跌或上涨”，波动率因子看“价格摆动是否过大”，成交量或换手因子看“市场参与是否活跃”，估值和质量因子则更多依赖财务数据。第 9 篇先做动量、均线和波动率，是因为它们只依赖日线行情，最容易和第 8 篇的数据清洗结果接上。
先定义因子点
第 9 章新增app/factors.py，核心对象是FactorPoint：
@dataclass(frozen=True) class FactorPoint: symbol: str trade_date: date close: float return_1d: float | None ma_short: float | None ma_long: float | None momentum: float | None volatility: float | None signal: str这里故意允许None。窗口不够时，均线、动量、波动率都不应该硬算。很多回测 bug 就来自“前几天数据不够，代码却填了 0”。
均线要显式处理窗口
短均线和长均线用同一个函数：
def simple_moving_average(values: list[float], window: int) -> list[float | None]: if window <= 0: raise ValueError("window must be positive") out: list[float | None] = [] running = 0.0 for index, value in enumerate(values): running += value if index >= window: running -= values[index - window] out.append(round(running / window, 6) if index + 1 >= window else None) return out这段代码没有 pandas，便于读者直接理解窗口计算过程。真实生产里可以换成更高效的向量化实现，但语义要保持一致。
收益率和波动率
日收益率从第二天开始才有：
def daily_returns(values: list[float]) -> list[float | None]: out: list[float | None] = [None] for previous, current in zip(values, values[1:], strict=False): out.append(round(current / previous - 1, 6) if previous else None) return out波动率用滚动窗口，最后乘以 252 做年化：
variance = sum((value - mean) ** 2 for value in sample) / (len(sample) - 1) out.append(round(math.sqrt(variance * 252), 6))这里不是为了预测未来，只是给后续策略一个风险感知输入。
从因子到信号
build_factor_points()会把每一天标成三类信号：
if ma_short[index] > ma_long[index] and momentum > 0 and vol[index] < 0.45: signal = "buy_watch" elif momentum < -0.08 or vol[index] >= 0.65: signal = "risk_watch" else: signal = "observe"这不是交易圣杯。它只是一个明确、可解释、可测试的第一版信号。
我更关心的是工程性质：信号为什么出现，能不能复现，边界条件能不能测。如果这三个问题回答不了，策略复杂度越高越危险。
和前后章节联动运行
现在主线仓库里补了一个可运行示例，用同一批样例日线把第 9-12 篇串起来：
git clone https://github.com/ax2/zi-quant-platform.git cd zi-quant-platform uv sync --extra dev uv run python -m scripts.chapter_examples factor-backtest --source sample这条命令会先输出第 9 篇的因子结果，再继续跑第 10 篇最小回测、第 11 篇组合回测和第 12 篇指标。下面是第 9 篇对应的真实运行截图：
截图里000001.SZ最近 5 个交易日都给出buy_watch。原因可以直接从字段读出来：短均线高于长均线，20 日动量为正，年化波动率低于当前阈值。这就是“可解释信号”的最低要求：不只是输出一个动作，还能说明它为什么出现。
测试信号比测试收益更重要
第 9 章的测试里有两个关键场景。
稳定上行应该给出buy_watch：
closes = [10 + index * 0.1 for index in range(40)] points = build_factor_points(_bars(closes), short_window=5, long_window=20, volatility_window=5) assert points[-1].signal == "buy_watch"持续下行应该给出risk_watch：
closes = [20 - index * 0.2 for index in range(40)] points = build_factor_points(_bars(closes), short_window=5, long_window=20, volatility_window=5) assert points[-1].signal == "risk_watch"这类测试不证明策略能赚钱，但能证明代码没有把趋势方向、窗口边界和风险阈值写反。
本篇实战任务
拉取第 9 章代码：
git clone https://github.com/ax2/zi-quant-platform.git cd zi-quant-platform git checkout chapter-09 uv sync --extra dev uv run pytest只跑因子测试：
uv run pytest tests/test_factors.py第 9 章全量测试通过：164 passed，仍只有既有 FastAPI deprecation warning。
本章更新与代码仓库
本章更新内容：
- 新增
app/factors.py。 - 实现日收益、短均线、长均线、动量、年化波动率和三类信号。
- 新增
tests/test_factors.py，覆盖窗口边界、上涨信号和风险信号。 - 在当前主线补充
scripts.chapter_examples factor-backtest联动示例，可真实运行第 9-12 篇代码链路。 - 补充因子、信号、窗口、年化等常见名词解释。
代码仓库：
https://github.com/ax2/zi-quant-platform本章代码：
git clone https://github.com/ax2/zi-quant-platform.git cd zi-quant-platform git checkout chapter-09 uv sync --extra dev uv run pytest tests/test_factors.py本篇小结
因子不是为了把数学公式堆上去，而是把行情数据转成可解释、可测试、可复现的中间层。
第 9 篇完成了第一版因子信号。下一篇我们把信号接进最小回测循环，看它如何变成买入、卖出、现金、持仓和权益曲线。