Joinquant Docs

聚宽策略开发

基于本目录离线文档，为聚宽官网（回测 / 模拟 / 研究）编写 Python 策略。回答 API 问题时必须先查阅本地文档，不得凭记忆编造函数签名或参数。

与 jqdatasdk 的区别：jqdata 在官网策略环境使用；jqdatasdk 是本地 Python 库，API 略有不同，且不能在官网回测/模拟/研究中使用。

文档查阅流程

1. 确定问题类型，按 reference.md 定位文件 2. 用 Grep/Read 搜索目标函数名或中文关键词（如 get_price、order_target、市盈率） 3. 交叉验证：API 行为查 api.md，字段/表结构查 data/*.md，踩坑查 faq.md 4. 给出答案时引用文档中的调用方法、参数、返回值与示例代码

需要写策略框架？     → api.md「开始写策略」「策略程序架构」
需要查数据 API？      → api.md「数据获取函数」+ data/ 对应品种文档
需要下单/持仓？      → api.md「交易函数」「对象」
需要财务/估值数据？  → data/Stock.md（run_query + valuation/fundamentals 表）
需要行业/概念选股？  → data/plateData.md + api.md get_industry_stocks 等
需要技术指标？       → data/technicalanalysis.md（from jqlib.technical_analysis import *）
需要 Alpha 因子？    → data/Alpha101.md、data/Alpha191.md
需要自定义因子？     → fator.md（jqfactor.Factor、calc_factors）
需要因子看板数据？   → data/factor_values.md

策略骨架

最小可运行结构：

# 导入聚宽函数库
import jqdata

def initialize(context):
    g.security = '000001.XSHE'
    set_benchmark('000300.XSHG')
    set_option('use_real_price', True)  # 开启动态复权（真实价格），建议开启
    run_daily(trade, time='open')       # 或 time='every_bar' / '9:30'

def trade(context):
    security = g.security
    close_data = attribute_history(security, 5, '1d', ['close'])
    MA5 = close_data['close'].mean()
    current_price = close_data['close'][-1]
    cash = context.portfolio.available_cash

    if current_price > 1.01 * MA5:
        order_value(security, cash)
    elif current_price < MA5 and context.portfolio.positions[security].closeable_amount > 0:
        order_target(security, 0)

生命周期函数

带 ♠ 标识的 API 仅支持回测/模拟，不能在研究模块调用。jqdata 模块在研究与回测环境均可使用。

证券代码规范

期货策略需将 run_daily 的 reference_security 设为对应主力合约（如 IF9999.CCFX），以匹配夜盘开盘时间。

常用 API 速查

行情与历史

get_price(security, start_date, end_date, frequency='daily', fields=None, fq='pre')
attribute_history(security, count, unit, fields)  # 回测环境，不含当天
history(count, unit, field, security_list, df=True)
get_bars(security, count, unit, fields, include_now=True)

标的池与板块

get_all_securities(types=['stock'], date=None)   # date 防未来函数
get_index_stocks('000300.XSHG', date=None)
get_industry_stocks('C15', date=None)
get_concept_stocks('GN036', date=None)
set_universe([...])  # 设置后 history 可不传 security_list

财务数据（SQL 查询）

from jqdata import *
q = query(valuation).filter(valuation.code == '000001.XSHE')
df = get_fundamentals(q, date='2015-10-15')

# 或 run_query（单次最多 4000 行，不可连表）
df = finance.run_query(query(finance.STK_XXX).filter(...).limit(4000))

交易

order(security, amount)              # 按股数，正买负卖
order_value(security, value)       # 按金额
order_target(security, amount)       # 调到目标股数
order_target_value(security, value)  # 调到目标市值
order_target_percent(security, percent)  # 调到目标仓位比例

A 股买入数量须为 100 整数倍（科创板 200 起）；卖光持仓时不受限。每日最多 10000 笔订单。

技术指标

from jqlib.technical_analysis import *
# check_date 策略中建议用 context.current_dt，避免盘中取当日收盘指标产生未来数据
result = MACD(security_list, check_date=context.current_dt, SHORT=12, LONG=26, MID=9)

自定义因子

from jqfactor import Factor, calc_factors

class MyFactor(Factor):
    name = 'my_factor'
    max_window = 5
    dependencies = ['close']
    def calc(self, data):
        return data['close'].mean()

factors = calc_factors(securities, [MyFactor()], start_date, end_date)

详见 fator.md 与 data/Alpha101.md、data/Alpha191.md。

关键注意事项

防止未来函数

• get_all_securities(date=...)、get_index_stocks(..., date=...) 等必须传入历史时点的 date，不能用未来日期
• history / attribute_history 取天数据时不包含当天；要当天数据需取分钟级
• 技术指标 check_date 只精确到日期时返回收盘值，盘中调用当天会产生未来数据
• 财务数据默认按公告日期处理，注意 get_fundamentals 的 date 参数含义

运行频率

• 优先使用 run_daily，避免与 handle_data 混用
• run_daily(func, time='every_bar') 频率与回测设置一致
• run_weekly/monthly 的 force=False 可避免晚注册时的就近执行

数据查询限制

• run_query / get_fundamentals 单次最多返回 4000 行
• run_query 不支持连表查询
• 默认行情为前复权；fq=None 为不复权

环境与产品区分

按场景选文档

策略示例

完整示例见 api.md 末尾「策略示例」：均线策略、多股票持仓、追涨策略、万圣节效应等。

文档更新

本地数据字典由脚本从官网同步：

bun scripts/get-joinquant-docs.ts
# 强制覆盖已有 md：FORCE_UPDATE=1 bun scripts/get-joinquant-docs.ts

附加资源

• 完整文档索引：reference.md
• 平台 API 全文：api.md
• 常见问题：faq.md
• 因子分析：fator.md

WorldQuant 101 Alphas 因子函数使用说明

因子来源

根据 WorldQuant LLC 发表的论文 101 Formulaic Alphas 中给出的 101 个 Alphas 因子公式，我们将公式编写成了函数，方便大家使用。

因子使用

# 导入 Alpha101 库
>>> from jqlib.alpha101 import *

#传入一个股票list,获取股票list的alpha_001因子值
a=alpha_001('2018-12-24',['000001.XSHE','000002.XSHE'])
print(a)
000001.XSHE    0.0
000002.XSHE    0.5
Name: rank_value_boolean, dtype: float64

# 获取沪深300成分股的 alpha_001 因子值
>>> a = alpha_001('2017-03-10','000300.XSHG')

# 查看前5行的因子值
>>> a.head()
000001.XSHE   -0.496667
000002.XSHE    0.226667
000008.XSHE   -0.043333
000009.XSHE   -0.093333
000027.XSHE   -0.030000
Name: rank_value_boolean, dtype: float64

# 查看平安银行的因子值
>>> a['000001.XSHE']
-0.49666666666666665

# 获取所有股票 alpha_007 的因子值
>>> a = alpha_007('2014-10-22')
# 查看欣旺达(300207)的因子值
>>> a['300207.XSHE']
0.8

# 获取多个股票多个因子值
from jqlib.alpha101 import *
df2 = alpha(enddate='2019-01-22', index=['000001.XSHE', '000002.XSHE'], fq='pre', alpha=[5,10,15,20])
print(df2)

# 查询函数说明
>>> alpha_101?
Type:        cython_function_or_method
String form: <cyfunction alpha_101 at 0x7f037a0167d0>
Docstring:
公式：
((close - open) / ((high - low) + .001))

Inputs:
    enddate: 查询日期
    index: 股票池,可传入股票list或指数代码，传入指数代码，对应该指数的所有成分股。默认是指定日期的所有上市股票。

Outputs:
    因子的值

公用函数说明

abs(x),log(x),sign(x) = standard definitions 分别为：取绝对值、对数值、正负号（正数返回1，负数返回-1）

rank(x) = cross-sectional rank 股票的排名，数值从1-最后，若输入值含nan，则nan不参与排名，输出为股票对应排名值（排名所占总位数的百分比）

delay(x,d) = value of x d days ago x变量d天之前的值

correlation(x,y,d) = time-serial correlation of x and y for the past d days x和y两个变量d天以来的值的相关系数

covariance(x,y,d) = time-serial covariance of x and y for the past d days x和y两个变量d天以来的值的协方差

scale(x,a) = rescaled x such that sum(abs(x))=a (the default is a=1) 将x中的值标准化，使x的绝对值的和为a，默认a=1

delta(x,d) = today’s value of x minus the value of x d days ago 指定enddate的x值减去d天之前的x值

signedpower(x,a) = x^a x值的a次方，如果x为一个list或者series，则为x中每一个值的a次方

decay_linear(x,d) = weighted moving average over the past d days with linearly decaying weights d,d-1,…,1 (rescaled up to 1) x中时间从最远到最近的值，分别乘权重d，d-1，…，1（权重要进行标准化，使和为1）再求和

ts_min(x,d) = time-series min over the past d days x中d天内最小的值

ts_max(x,d) = time-series max over the past d days x中d天内最大的值

ts_argmin(x,d) = which day ts_min(x,d) occurred on ts_min(x,d)发生在d天中的第几天，最远的天为第一天

ts_argmax(x,d) = which day ts_max(x,d) occurred on ts_max(x,d)发生在d天中的第几天，最远的天为第一天

ts_rank(x,d) = time-series rank in the past d days x中，最后一天的值，在这d天中，排多少名，输出为对应的排名值（即该名次占总排名数的百分比）

min(x,d) = ts_min(x,d) 当遇到min函数时，当ts_min函数处理——-注意！！实际上遇到min时，当min中的输入不是（x,d）而是（x,y）时，取x、y两个值中的最小值

max(x,d) = ts_max(x,d) 当遇到max函数时，当ts_max函数处理——注意！！实际上遇到max时，当max中的输入不是（x,d）而是（x,y）时，取x、y两个值中的最大值

sum(x,d) = time-series sum over the past d days d天以来x值的和

product(x,d) = time-series product over the past d days d天以来x值的乘积

stddev(x,d) = moving time series standard deviation over the past d days d天以来，x值的标准差

公用变量说明

returns = daily close-to-close returns 收益率，输入n+1行closeprice，输出n行returns，index为closeprice的后面n个index，columns为closeprice中的columns

open,close,high,low,volume = standard definitions for daily price and volume data 开盘价，收盘价，最高价，最低价，交易数量

vwap = daily volume-weighted average price 在我们的函数程序里，用均价avg来表示这里的vwap

cap = market cap 市值，在我们的函数程序里，提取的是聚宽财务报表数据中的market_cap

adv{d} = average daily dollar volume for the past d days 过去d天内的平均交易金额

因子说明

alpha（获取全部因子值）

获取标的101个全部因子值，因计算量较大，运行会有少许缓慢

from jqlib.alpha101 import *
alpha(enddate=None, index='all', fq='pre', alpha=[])

• 输入：

• enddate: 必选参数，计算哪一天的因子
• index: 默认参数
• 如果想要成分股，可传入股票指数的字符串，默认为所有股票’all’，如index='all' 或 index='000300.XSHG'
• 如果想要自定义股票列表，传入一个list，如 index=['000001.XSHE', '000002.XSHE']
• fq: 复权选项:
• 'pre': 前复权,默认为前复权
• None: 不复权，返回实际价格
• 'post': 动态后复权
• alpha，因子列表，默认全取。也可指定获取其中的某些因子，写法如alpha=['alpha_005', 'alpha_010', 'alpha_015', 'alpha_020']，或 alpha=[5,10,15,20]
• 输出：

• 一个 DataFrame，包括股票列表中每一只股票的 alpha001-alpha101 的值

alpha_001

alpha_001(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank(Ts_ArgMax(SignedPower(((returns < 0) ? stddev(returns, 20) : close), 2.), 5)) - 0.5)

alpha_002

alpha_002(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*correlation(rank(delta(log(volume), 2)), rank(((close - open) / open)), 6))

alpha_003

alpha_003(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*correlation(rank(open), rank(volume), 10))

alpha_004

alpha_004(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*Ts_Rank(rank(low), 9))

alpha_005

alpha_005(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank((open - (sum(vwap, 10) / 10)))(-1abs(rank((close - vwap)))))

alpha_006

alpha_006(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*correlation(open, volume, 10))

alpha_007

alpha_007(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values：符合条件的为公式里的数值，不符合条件的为-1

• 因子公式：

• ((adv20 < volume) ? ((-1ts_rank(abs(delta(close, 7)), 60))sign(delta(close, 7))) : (-1*1))

alpha_008

alpha_008(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1rank(((sum(open, 5)sum(returns, 5)) - delay((sum(open, 5)*sum(returns, 5)), 10))))

alpha_009

alpha_009(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((0 < ts_min(delta(close, 1), 5)) ? delta(close, 1) : ((ts_max(delta(close, 1), 5) < 0) ? delta(close, 1) : (-1*delta(close, 1))))

alpha_010

alpha_010(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• rank(((0 < ts_min(delta(close, 1), 4)) ? delta(close, 1) : ((ts_max(delta(close, 1), 4) < 0) ? delta(close, 1) : (-1*delta(close, 1)))))

alpha_011

alpha_011(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((rank(ts_max((vwap - close), 3)) + rank(ts_min((vwap - close), 3)))*rank(delta(volume, 3)))

alpha_012

alpha_012(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (sign(delta(volume, 1))(-1 delta(close, 1)))

alpha_013

alpha_013(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*rank(covariance(rank(close), rank(volume), 5)))

alpha_014

alpha_014(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((-1rank(delta(returns, 3)))correlation(open, volume, 10))

alpha_015

alpha_015(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*sum(rank(correlation(rank(high), rank(volume), 3)), 3))

alpha_016

alpha_016(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*rank(covariance(rank(high), rank(volume), 5)))

alpha_017

alpha_017(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为对应的因子值，取值有问题的股票对应值为-0.0

• 因子公式：

• (((-1rank(ts_rank(close, 10)))rank(delta(delta(close, 1), 1)))*rank(ts_rank((volume / adv20), 5)))

alpha_018

alpha_018(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1*rank(((stddev(abs((close - open)), 5) + (close - open)) + correlation(close, open, 10))))

alpha_019

alpha_019(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((-1sign(((close - delay(close, 7)) + delta(close, 7))))(1 + rank((1 + sum(returns, 250)))))

alpha_020

alpha_020(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (((-1rank((open - delay(high, 1)))) rank((open - delay(close, 1))))* rank((open - delay(low, 1))))

alpha_021

alpha_021(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，取决于满不满足某些因子中的条件

• 因子公式：

• ((((sum(close, 8) / 8) + stddev(close, 8)) < (sum(close, 2) / 2)) ? (-1 1) : (((sum(close, 2) / 2) < ((sum(close, 8) / 8) - stddev(close, 8))) ? 1 : (((1 < (volume / adv20)) or ((volume / adv20) == 1)) ? 1 : (-1 1))))

alpha_022

alpha_022(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1 (delta(correlation(high, volume, 5), 5) rank(stddev(close, 20))))

alpha_023

alpha_023(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为对应因子值或0.00，当不满足条件时为0.00

• 因子公式：

• (((sum(high, 20) / 20) < high) ? (-1* delta(high, 2)) : 0)

alpha_024

alpha_024(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((((delta((sum(close, 100) / 100), 100) / delay(close, 100)) < 0.05) or ((delta((sum(close, 100) / 100), 100) / delay(close, 100)) == 0.05)) ? (-1 (close - ts_min(close, 100))) : (-1 delta(close, 3)))

alpha_025

alpha_025(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• rank(((((-1 returns) adv20) vwap) (high - close)))

alpha_026

alpha_026(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1* ts_max(correlation(ts_rank(volume, 5), ts_rank(high, 5), 5), 3))

alpha_027

alpha_027(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，满足条件为-1，不满足为1

• 因子公式：

• ((0.5 < rank((sum(correlation(rank(volume), rank(vwap), 6), 2) / 2.0))) ? (-1* 1) : 1)

alpha_028

alpha_028(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• scale(((correlation(adv20, low, 5) + ((high + low) / 2)) - close))

alpha_029

alpha_029(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (min(product(rank(rank(scale(log(sum(ts_min(rank(rank((-1rank(delta((close - 1), 5))))), 2), 1))))), 1), 5) + ts_rank(delay((-1 returns), 6), 5))

alpha_030

alpha_030(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (((1.0 - rank(((sign((close - delay(close, 1))) + sign((delay(close, 1) - delay(close, 2)))) + sign((delay(close, 2) - delay(close, 3))))))* sum(volume, 5)) / sum(volume, 20))

alpha_031

alpha_031(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((rank(rank(rank(decay_linear((-1 rank(rank(delta(close, 10)))), 10)))) + rank((-1 delta(close, 3)))) + sign(scale(correlation(adv20, low, 12))))

alpha_032

alpha_032(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (scale(((sum(close, 7) / 7) - close)) + (20* scale(correlation(vwap, delay(close, 5), 230))))

alpha_033

alpha_033(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• rank((-1* ((1 - (open / close))^1)))

alpha_034

alpha_034(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• rank(((1 - rank((stddev(returns, 2) / stddev(returns, 5)))) + (1 - rank(delta(close, 1)))))

alpha_035

alpha_035(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((Ts_Rank(volume, 32) (1 - Ts_Rank(((close + high) - low), 16))) (1 - Ts_Rank(returns, 32)))

alpha_036

alpha_036(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (((((2.21 rank(correlation((close - open), delay(volume, 1), 15))) + (0.7 rank((open - close)))) + (0.73 rank(Ts_Rank(delay((-1 returns), 6), 5)))) + rank(abs(correlation(vwap, adv20, 6)))) + (0.6 rank((((sum(close, 200) / 200) - open) (close - open)))))

alpha_037

alpha_037(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank(correlation(delay((open - close), 1), close, 200)) + rank((open - close)))

alpha_038

alpha_038(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((-1 rank(Ts_Rank(close, 10))) rank((close / open)))

alpha_039

alpha_039(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((-1 rank((delta(close, 7) (1 - rank(decay_linear((volume / adv20), 9))))))* (1 + rank(sum(returns, 250))))

alpha_040

alpha_040(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((-1 rank(stddev(high, 10))) correlation(high, volume, 10))

alpha_041

alpha_041(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (((high* low)^0.5) - vwap)

alpha_042

alpha_042(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank((vwap - close)) / rank((vwap + close)))

alpha_043

alpha_043(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (ts_rank((volume / adv20), 20) ts_rank((-1 delta(close, 7)), 8))

alpha_044

alpha_044(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1* correlation(high, rank(volume), 5))

alpha_045

alpha_045(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1 ((rank((sum(delay(close, 5), 20) / 20)) correlation(close, volume, 2))* rank(correlation(sum(close, 5), sum(close, 20), 2))))

alpha_046

alpha_046(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1或对应因子值，取决于满不满足某些因子中的条件

• 因子公式：

• ((0.25 < (((delay(close, 20) - delay(close, 10)) / 10) - ((delay(close, 10) - close) / 10))) ? (-1 1) : (((((delay(close, 20) - delay(close, 10)) / 10) - ((delay(close, 10) - close) / 10)) < 0) ? 1 : ((-1 1)* (close - delay(close, 1)))))

alpha_047

alpha_047(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((((rank((1 / close)) volume) / adv20) ((high* rank((high - close))) / (sum(high, 5) / 5))) - rank((vwap - delay(vwap, 5))))

alpha_048（未实现）

• 因子公式：

• (indneutralize(((correlation(delta(close, 1), delta(delay(close, 1), 1), 250)* delta(close, 1)) / close), IndClass.subindustry) / sum(((delta(close, 1) / delay(close, 1))^2), 250))

alpha_049

alpha_049(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为对应因子值或1，当满足条件时为1

• 因子公式：

• (((((delay(close, 20) - delay(close, 10)) / 10) - ((delay(close, 10) - close) / 10)) < (-1 0.1)) ? 1 : ((-1 1)* (close - delay(close, 1))))

alpha_050

alpha_050(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1* ts_max(rank(correlation(rank(volume), rank(vwap), 5)), 5))

alpha_051

alpha_051(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为对应因子值或1，当满足条件时为1

• 因子公式：

• (((((delay(close, 20) - delay(close, 10)) / 10) - ((delay(close, 10) - close) / 10)) < (-1 0.05)) ? 1 : ((-1 1)* (close - delay(close, 1))))

alpha_052

alpha_052(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((((-1 ts_min(low, 5)) + delay(ts_min(low, 5), 5)) rank(((sum(returns, 240) - sum(returns, 20)) / 220)))* ts_rank(volume, 5))

alpha_053

alpha_053(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1* delta((((close - low) - (high - close)) / (close - low)), 9))

alpha_054

alpha_054(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((-1 ((low - close) (open^5))) / ((low - high)* (close^5)))

alpha_055

alpha_055(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (-1* correlation(rank(((close - ts_min(low, 12)) / (ts_max(high, 12) - ts_min(low, 12)))), rank(volume), 6))

alpha_056

alpha_056(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (0 - (1 (rank((sum(returns, 10) / sum(sum(returns, 2), 3))) rank((returns* cap)))))

alpha_057

alpha_057(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (0 - (1* ((close - vwap) / decay_linear(rank(ts_argmax(close, 30)), 2))))

alpha_058（未实现）

• 因子公式：

• (-1* Ts_Rank(decay_linear(correlation(IndNeutralize(vwap, IndClass.sector), volume, 3.92795), 7.89291), 5.50322))

alpha_059（未实现）

• 因子公式：

• (-1 Ts_Rank(decay_linear(correlation(IndNeutralize(((vwap 0.728317) + (vwap* (1 - 0.728317))), IndClass.industry), volume, 4.25197), 16.2289), 8.19648))

alpha_060

alpha_060(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (0 - (1 ((2 scale(rank(((((close - low) - (high - close)) / (high - low))* volume)))) - scale(rank(ts_argmax(close, 10))))))

alpha_061

alpha_061(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为1，否则为-1

• 因子公式：

• (rank((vwap - ts_min(vwap, 16.1219))) < rank(correlation(vwap, adv180, 17.9282)))

alpha_062

alpha_062(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((rank(correlation(vwap, sum(adv20, 22.4101), 9.91009)) < rank(((rank(open) + rank(open)) < (rank(((high + low) / 2)) + rank(high)))))*-1)

alpha_063（未实现）

• 因子公式：

• ((rank(decay_linear(delta(IndNeutralize(close, IndClass.industry), 2.25164), 8.22237)) - rank(decay_linear(correlation(((vwap 0.318108) + (open (1 - 0.318108))), sum(adv180, 37.2467), 13.557), 12.2883)))* -1)

alpha_064

alpha_064(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((rank(correlation(sum(((open 0.178404) + (low (1 - 0.178404))), 12.7054), sum(adv120, 12.7054), 16.6208)) < rank(delta(((((high + low) / 2) 0.178404) + (vwap (1 - 0.178404))), 3.69741)))* -1)

alpha_065

alpha_065(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((rank(correlation(((open 0.00817205) + (vwap (1 - 0.00817205))), sum(adv60, 8.6911), 6.40374)) < rank((open - ts_min(open, 13.635))))* -1)

alpha_066

alpha_066(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((rank(decay_linear(delta(vwap, 3.51013), 7.23052)) + Ts_Rank(decay_linear(((((low 0.96633) + (low (1 - 0.96633))) - vwap) / (open - ((high + low) / 2))), 11.4157), 6.72611))* -1)

alpha_067（未实现）

• 因子公式：

• ((rank((high - ts_min(high, 2.14593)))^rank(correlation(IndNeutralize(vwap, IndClass.sector), IndNeutralize(adv20, IndClass.subindustry), 6.02936)))* -1)

alpha_068

alpha_068(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((Ts_Rank(correlation(rank(high), rank(adv15), 8.91644), 13.9333) < rank(delta(((close 0.518371) + (low (1 - 0.518371))), 1.06157)))* -1)

alpha_069（未实现）

• 因子公式：

• ((rank(ts_max(delta(IndNeutralize(vwap, IndClass.industry), 2.72412), 4.79344))^Ts_Rank(correlation(((close 0.490655) + (vwap (1 - 0.490655))), adv20, 4.92416), 9.0615))* -1)

alpha_070（未实现）

• 因子公式：

• ((rank(delta(vwap, 1.29456))^Ts_Rank(correlation(IndNeutralize(close, IndClass.industry), adv50, 17.8256), 17.9171))* -1)

alpha_071

alpha_071(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• max(Ts_Rank(decay_linear(correlation(Ts_Rank(close, 3.43976), Ts_Rank(adv180, 12.0647), 18.0175), 4.20501), 15.6948), Ts_Rank(decay_linear((rank(((low + open) - (vwap + vwap)))^2), 16.4662), 4.4388))

alpha_072

alpha_072(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank(decay_linear(correlation(((high + low) / 2), adv40, 8.93345), 10.1519)) / rank(decay_linear(correlation(Ts_Rank(vwap, 3.72469), Ts_Rank(volume, 18.5188), 6.86671), 2.95011)))

alpha_073

alpha_073(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (max(rank(decay_linear(delta(vwap, 4.72775), 2.91864)), Ts_Rank(decay_linear(((delta(((open 0.147155) + (low (1 - 0.147155))), 2.03608) / ((open 0.147155) + (low (1 - 0.147155)))) -1), 3.33829), 16.7411)) -1)

alpha_074

alpha_074(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((rank(correlation(close, sum(adv30, 37.4843), 15.1365)) < rank(correlation(rank(((high 0.0261661) + (vwap (1 - 0.0261661)))), rank(volume), 11.4791)))* -1)

alpha_075

alpha_075(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为1，否则为-1

• 因子公式：

• (rank(correlation(vwap, volume, 4.24304)) < rank(correlation(rank(low), rank(adv50), 12.4413)))

alpha_076（未实现）

• 因子公式：

• (max(rank(decay_linear(delta(vwap, 1.24383), 11.8259)), Ts_Rank(decay_linear(Ts_Rank(correlation(IndNeutralize(low, IndClass.sector), adv81, 8.14941), 19.569), 17.1543), 19.383))* -1)

alpha_077

alpha_077(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• min(rank(decay_linear(((((high + low) / 2) + high) - (vwap + high)), 20.0451)), rank(decay_linear(correlation(((high + low) / 2), adv40, 3.1614), 5.64125)))

alpha_078

alpha_078(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank(correlation(sum(((low 0.352233) + (vwap (1 - 0.352233))), 19.7428), sum(adv40, 19.7428), 6.83313))^rank(correlation(rank(vwap), rank(volume), 5.77492)))

alpha_079（未实现）

• 因子公式：

• (rank(delta(IndNeutralize(((close 0.60733) + (open (1 - 0.60733))), IndClass.sector), 1.23438)) < rank(correlation(Ts_Rank(vwap, 3.60973), Ts_Rank(adv150, 9.18637), 14.6644)))

alpha_080（未实现）

• 因子公式：

• ((rank(Sign(delta(IndNeutralize(((open 0.868128) + (high (1 - 0.868128))), IndClass.industry), 4.04545)))^Ts_Rank(correlation(high, adv10, 5.11456), 5.53756))* -1)

alpha_081

• 因子公式：

• ((rank(Log(product(rank((rank(correlation(vwap, sum(adv10, 49.6054), 8.47743))^4)), 14.9655))) < rank(correlation(rank(vwap), rank(volume), 5.07914)))* -1)

alpha_082（未实现）

• 因子公式：

• (min(rank(decay_linear(delta(open, 1.46063), 14.8717)), Ts_Rank(decay_linear(correlation(IndNeutralize(volume, IndClass.sector), ((open 0.634196) + (open (1 - 0.634196))), 17.4842), 6.92131), 13.4283))* -1)

alpha_083

alpha_083(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((rank(delay(((high - low) / (sum(close, 5) / 5)), 2))* rank(rank(volume))) / (((high - low) / (sum(close, 5) / 5)) / (vwap - close)))

alpha_084

alpha_084(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• SignedPower(Ts_Rank((vwap - ts_max(vwap, 15.3217)), 20.7127), delta(close, 4.96796))

alpha_085

alpha_085(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank(correlation(((high 0.876703) + (close (1 - 0.876703))), adv30, 9.61331))^rank(correlation(Ts_Rank(((high + low) / 2), 3.70596), Ts_Rank(volume, 10.1595), 7.11408)))

alpha_086

alpha_086(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((Ts_Rank(correlation(close, sum(adv20, 14.7444), 6.00049), 20.4195) < rank(((open + close) - (vwap + open))))* -1)

alpha_087（未实现）

• 因子公式：

• (max(rank(decay_linear(delta(((close 0.369701) + (vwap (1 - 0.369701))), 1.91233), 2.65461)), Ts_Rank(decay_linear(abs(correlation(IndNeutralize(adv81, IndClass.industry), close, 13.4132)), 4.89768), 14.4535))* -1)

alpha_088

alpha_088(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• min(rank(decay_linear(((rank(open) + rank(low)) - (rank(high) + rank(close))), 8.06882)), Ts_Rank(decay_linear(correlation(Ts_Rank(close, 8.44728), Ts_Rank(adv60, 20.6966), 8.01266), 6.65053), 2.61957))

alpha_089（未实现）

• 因子公式：

• (Ts_Rank(decay_linear(correlation(((low 0.967285) + (low (1 - 0.967285))), adv10, 6.94279), 5.51607), 3.79744) - Ts_Rank(decay_linear(delta(IndNeutralize(vwap, IndClass.industry), 3.48158), 10.1466), 15.3012))

alpha_090（未实现）

• 因子公式：

• ((rank((close - ts_max(close, 4.66719)))^Ts_Rank(correlation(IndNeutralize(adv40, IndClass.subindustry), low, 5.38375), 3.21856))* -1)

alpha_091（未实现）

• 因子公式：

• ((Ts_Rank(decay_linear(decay_linear(correlation(IndNeutralize(close, IndClass.industry), volume, 9.74928), 16.398), 3.83219), 4.8667) - rank(decay_linear(correlation(vwap, adv30, 4.01303), 2.6809)))* -1)

alpha_092

alpha_092(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• min(Ts_Rank(decay_linear(((((high + low) / 2) + close) < (low + open)), 14.7221), 18.8683), Ts_Rank(decay_linear(correlation(rank(low), rank(adv30), 7.58555), 6.94024), 6.80584))

alpha_093（未实现）

• 因子公式：

• (Ts_Rank(decay_linear(correlation(IndNeutralize(vwap, IndClass.industry), adv81, 17.4193), 19.848), 7.54455) / rank(decay_linear(delta(((close 0.524434) + (vwap (1 - 0.524434))), 2.77377), 16.2664)))

alpha_094

alpha_094(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((rank((vwap - ts_min(vwap, 11.5783)))^Ts_Rank(correlation(Ts_Rank(vwap, 19.6462), Ts_Rank(adv60, 4.02992), 18.0926), 2.70756))* -1)

alpha_095

alpha_095(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为1，否则为-1

• 因子公式：

• (rank((open - ts_min(open, 12.4105))) < Ts_Rank((rank(correlation(sum(((high + low) / 2), 19.1351), sum(adv40, 19.1351), 12.8742))^5), 11.7584))

alpha_096

alpha_096(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (max(Ts_Rank(decay_linear(correlation(rank(vwap), rank(volume), 3.83878), 4.16783), 8.38151), Ts_Rank(decay_linear(Ts_ArgMax(correlation(Ts_Rank(close, 7.45404), Ts_Rank(adv60, 4.13242), 3.65459), 12.6556), 14.0365), 13.4143))* -1)

alpha_097（未实现）

• 因子公式：

• ((rank(decay_linear(delta(IndNeutralize(((low 0.721001) + (vwap (1 - 0.721001))), IndClass.industry), 3.3705), 20.4523)) - Ts_Rank(decay_linear(Ts_Rank(correlation(Ts_Rank(low, 7.87871), Ts_Rank(adv60, 17.255), 4.97547), 18.5925), 15.7152), 6.71659))* -1)

alpha_098

alpha_098(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• (rank(decay_linear(correlation(vwap, sum(adv5, 26.4719), 4.58418), 7.18088)) - rank(decay_linear(Ts_Rank(Ts_ArgMin(correlation(rank(open), rank(adv15), 20.8187), 8.62571), 6.95668), 8.07206)))

alpha_099

alpha_099(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个Series：index为成分股代码，values为1或-1，当满足条件时为-1，否则为1

• 因子公式：

• ((rank(correlation(sum(((high + low) / 2), 19.8975), sum(adv60, 19.8975), 8.8136)) < rank(correlation(low, volume, 6.28259)))* -1)

alpha_100（未实现）

• 因子公式：

• (0 - (1 (((1.5 scale(indneutralize(indneutralize(rank(((((close - low) - (high - close)) / (high - low)) volume)), IndClass.subindustry), IndClass.subindustry))) - scale(indneutralize((correlation(close, rank(adv20), 5) - rank(ts_argmin(close, 30))), IndClass.subindustry))) (volume / adv20))))

alpha_101

alpha_101(enddate, index='all')

• 输入：

• enddate: 必选参数，计算哪一天的因子

• index: 默认参数，股票指数，默认为所有股票’all’

• 输出：

• 一个 Series：index 为成分股代码，values 为对应的因子值

• 因子公式：

• ((close - open) / ((high - low) + .001))

债券数据

Query的简单教程

使用说明

from jqdata import bond
df=bond.run_query(query(bond.BOND_BASIC_INFO).filter(bond.BOND_BASIC_INFO.code == '131801').limit(n))

获取债券基本信息数据、债券票面利率数据和国债逆回购日行情数据

参数：

• query(bond.BOND_BASIC_INFO)：表示从bond.BOND_BASIC_INFO 这张表中查询债券基本信息数据，其中bond是库名，BOND_BASIC_INFO是表名。bond库中的表都可以使用run_query方法调用，表名如下所示：

在查询表数据时还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2，多个字段用逗号分隔进行提取；query函数的更多用法详见： [query简易教程](https://www.joinquant.com/view/community/detail/16411)

• filter(bond.BOND_BASIC_INFO.code == '131801')：指定筛选条件，通过bond.BOND_BASIC_INFO.code == '131801' 可以指定债券代码来获取债券基本信息数据；除此之外，还可以对表中其他字段指定筛选条件，如filter(bond.BOND_BASIC_INFO.exchange=='上交所')，表示交易市场在上交所的所有债券基本信息数据；多个筛选条件用英文逗号分隔。

• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe，每一行对应数据表中的一条数据， 列索引是您所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行 2. 不能进行连表查询，即同时查询多张表的数据

示例：

# 查询交易市场为上交所的债券基本信息数据
from jqdata import bond

df = bond.run_query(query(bond.BOND_BASIC_INFO).filter(bond.BOND_BASIC_INFO.exchange == '上交所').limit(10))
print(df)

   id    code short_name                            full_name  list_status_id  \
0   2  131800      16东莞次  中国中投证券-东莞证券融出资金债权1号资产支持专项计划次级资产支持证券             NaN
1   3  131801     花呗01A1         德邦花呗第一期消费贷款资产支持专项计划优先级资产支持证券        301006.0
2   4  131802     花呗01A2        德邦花呗第一期消费贷款资产支持专项计划次优先级资产支持证券        301006.0
3   5  131803      花呗01B          德邦花呗第一期消费贷款资产支持专项计划次级资产支持证券        301006.0
4   6  131805       海尔优B             海尔保理一期资产支持专项计划优先B级资产支持证券        301006.0
5   7  131806       海尔优C             海尔保理一期资产支持专项计划优先C级资产支持证券        301006.0
6  11  204001      GC001                           1天新质押式国债回购             NaN
7  12  204002      GC002                           2天新质押式国债回购             NaN
8  13  204003      GC003                           3天新质押式国债回购             NaN
9  14  204004      GG004                           4天新质押式国债回购             NaN

  list_status           issuer company_code  exchange_code exchange  \
0        None       东莞证券股份有限公司         None         705001      上交所
1        终止上市  重庆市阿里小微小额贷款有限公司         None         705001      上交所
2        终止上市  重庆市阿里小微小额贷款有限公司         None         705001      上交所
3        终止上市  重庆市阿里小微小额贷款有限公司         None         705001      上交所
4        终止上市   海尔金融保理(重庆)有限公司         None         705001      上交所
5        终止上市   海尔金融保理(重庆)有限公司         None         705001      上交所
6        None             None         None         705001      上交所
7        None             None         None         705001      上交所
8        None             None         None         705001      上交所
9        None             None         None         705001      上交所

      ...      bond_type  bond_form_id bond_form   list_date  delist_Date  \
0     ...         资产支持证券        704001       记账式  2016-07-25   2019-06-18
1     ...         资产支持证券        704001       记账式  2016-07-12   2017-06-13
2     ...         资产支持证券        704001       记账式  2016-07-12   2017-06-13
3     ...         资产支持证券        704001       记账式  2016-07-12   2017-06-13
4     ...         资产支持证券        704001       记账式  2016-07-07   2016-12-02
5     ...         资产支持证券        704001       记账式  2016-07-07   2017-03-09
6     ...          质押式回购        704001       记账式        None         None
7     ...          质押式回购        704001       记账式        None         None
8     ...          质押式回购        704001       记账式        None         None
9     ...          质押式回购        704001       记账式        None         None

  interest_begin_date  maturity_date  interest_date  last_cash_date  \
0          2016-06-17     2019-06-18           None      2019-06-18
1          2016-06-07     2017-06-15           None      2017-06-15
2          2016-06-07     2017-06-15           None      2017-06-15
3          2016-06-07     2017-06-15           None      2017-06-15
4          2016-06-08     2016-12-06           None      2016-12-06
5          2016-06-08     2017-03-13           None      2017-03-13
6                None           None           None            None
7                None           None           None            None
8                None           None           None            None
9                None           None           None            None

  cash_comment
0         None
1         None
2         None
3         None
4         None
5         None
6         None
7         None
8         None
9         None

数据字典

债券基本信息（BOND_BASIC_INFO）

表结构：

编码对照表:

债券票面利率（BOND_COUPON）

表结构：

编码对照表：

国债逆回购日行情（REPO_DAILY_PRICE）

数据字典：

可转债基本资料（CONBOND_BASIC_INFO）

表结构：

编码对照表：

可转债转股价格调整（CONBOND_CONVERT_PRICE_ADJUST）

表结构：

可转债日行情，从2018-09-13开始（CONBOND_DAILY_PRICE）

表结构：

可转债每日转股统计，从2000-7-12开始(CONBOND_DAILY_CONVERT)

表结构： 深交所每日披露，上交所仅当日发生转股时才会披露

债券付息事件（含可转债）（BOND_INTEREST_PAYMENT）

表结构：

可转债分钟/tick行情(仅本地接口jqdatasdk提供)

可转债分钟及tick行情仅本地接口jqdatasdk提供，官网无法使用，具体查看JQData文档

使用方法

说明：

• 在单因子分析中可以直接获取因子库中的数据
• 同时也可以通过API的形式，在其他模块中获取这些因子
• 为保证数据的连续性，所有数据基于后复权计算
• 涉及到财务数据的因子，使用对应日期所能获取到的最新一期单季度数据进行计算
• 为了防止单次返回数据时间过长，每次调用 api 请求的因子值不能超过 200000 个
• 频率为天，每天05：00更新前一天数据
• 提供股票的因子数据，不支持期货、指数等
• 因子库中nan值：缺少依赖数据;财务数据中如果标的未披露相关字段,依赖数据不完整的话会返回nan值,请注意到财务报表披露规则变更,标的报表披露形式(金融类,非金融类等) , 以及标的上市时间等
• 有关因子处理：除了因子描述及说明中有解释处理方法的因子，其他的都是原始因子，没有经过处理

获取因子值

获取因子值:

# 导入函数库
from jqfactor import get_factor_values
# 取值函数
get_factor_values(securities, factors, start_date, end_date, count)

参数

• securities:股票池，单只股票（字符串）或一个股票列表
• factors: 因子名称，单个因子（字符串）或一个因子列表
• start_date:开始日期，字符串或 datetime 对象，与 coun t参数二选一
• end_date: 结束日期， 字符串或 datetime 对象，可以与 start_date 或 count 配合使用
• count: 截止 end_date 之前交易日的数量（含 end_date 当日），与 start_date 参数二选一

返回

• 一个 dict： key 是因子名称， value 是 pandas.dataframe。
• dataframe 的 index 是日期， column 是股票代码， value 是因子值

示例

# 导入函数库
from jqfactor import get_factor_values

# 获取因子Skewness60(个股收益的60日偏度)从 2017-01-01 至 2017-03-04 的因子值
factor_data = get_factor_values(securities=['000001.XSHE'], factors=['Skewness60','DEGM','quick_ratio'], start_date='2017-01-01', end_date='2017-03-04')
# 查看因子值
factor_data['Skewness60']

获取所有因子

get_all_factors()

描述：获取聚宽因子库中所有的因子code和因子名称

参数：无

返回：pandas.DataFrame，

• factor:因子code
• factor_intro:因子说明
• category:因子分类名称
• category_intro:因子分类说明 示例：

#获取聚宽因子库所有因子
from jqfactor import get_all_factors
print(get_all_factors())

#输出
                                     factor     factor_intro   category  category_intro
0                                      beta             BETA      style  风险因子 - 风格因子
1                       book_to_price_ratio            市净率因子      style  风险因子 - 风格因子
2                            earnings_yield           盈利预期因子      style  风险因子 - 风格因子
3                                    growth             成长因子      style  风险因子 - 风格因子
4                                  leverage             杠杆因子      style  风险因子 - 风格因子
5                                 liquidity            流动性因子      style  风险因子 - 风格因子
6                                  momentum             动量因子      style  风险因子 - 风格因子
7                           non_linear_size          非线性市值因子      style  风险因子 - 风格因子
8                       residual_volatility           残差波动因子      style  风险因子 - 风格因子
9                                      size             市值因子      style  风险因子 - 风格因子
10               administration_expense_ttm          管理费用TTM     basics      基础科目及衍生类因子
11                asset_impairment_loss_ttm        资产减值损失TTM     basics      基础科目及衍生类因子
12                                     EBIT            息税前利润     basics      基础科目及衍生类因子
...
...

风险模型因子列表

风格因子

风格因子简介

除了上面的风格因子，在计算风格因子过程中的描述因子daily_standard_deviation、cumulative_range等也可以通过get_factor_values、get_all_factors以及get_factor_kanban_values获取；描述因子是原始值，没有进行数据处理。

风格因子数据处理说明

对描述因子和风格因子的数据分别进行正规化的处理，步骤如下：

• 对描述因子分别进行去极值和标准化

去极值为将2.5倍标准差之外的值，赋值成2.5倍标准差的边界值 标准化为市值加权标准化 x=(x- mean(x))/(std(x)) 其中，均值的计算使用股票的市值加权，标准差为正常标准差。

• 对描述因子按照权重加权求和

按照公式给出的权重对描述因子加权求和。如果某个因子的值为nan，则对不为nan的因子加权求和，同时权重重新归一化；如果所有因子都为nan，则结果为nan。

• 对风格因子市值加权标准化
• 缺失值填充

按照聚宽一级行业分行业，以不缺失的股票因子值相对于市值的对数进行回归，对缺失值进行填充

• 对风格因子去极值，去极值方法同上面去极值描述

风格因子计算说明

• 市值因子 size

• 定义：1•natural_log_of_market_cap
• 解释
• 对数市值 natural_log_of_market_cap：公司的总市值的自然对数。
• 贝塔因子 beta

• 定义：1•raw_beta
• 解释
• raw_beta：CAPM 模型中的β，过去252个交易日股票的收益与市场收益（全A股票收益按流通市值加权）进行时间序列指数加权回归后的斜率系数。指数加权的半衰期为63个交易日。 停牌股票收益率为0，股票上市需超过21个交易日，否则beta为nan。
• 动量因子 momentum

• 定义：1•relative_strength
• 解释
• 相对强弱 relative_strength：滞后21个交易日的过去504个交易日股票超额对数收益率的指数加权之和。其中指数权重半衰期为126个交易日。停牌股票收益率为0，上市之前收益率为nan。
• 残差波动率因子 residual_volatility

• 定义：0.74•daily_standard_deviation + 0.16•cumulative_range + 0.10•historical_sigma
• 解释
• 日收益率标准差 daily_standard_deviation：日标准差，过去252日的超额收益的指数加权标准差，以42个交易日为半衰期。
• 收益离差 cumulative_range：过去12个月中月收益率（以21个交易日为一个月）的最大值和最小值之间的差异。股票需上市需超过6个月，否则结果为nan。
• 残差历史波动率 historical_sigma：计算beta时的回归残差项的过去252个交易日的标准差。股票上市需超过21个交易日，否则结果为nan。
• 用 daily_standard_deviation、cumulative_range、historical_sigma 加权求和得到的 residual_volatility，之后 关于 beta 和 size 因子做正交化以消除共线性。
• 非线性市值因子 non_linear_size

• 定义：1•cube_of_size
• 解释
• 市值立方因子 cube_of_size：首先对标准化后的市值因子size暴露值求立方，将得到的结果与市值进行加权回归的正交化处理。
• 账面市值比因子 book_to_price_ratio

• 定义：book_to_price_ratio
• 解释
• 最新一季财报的账面价值与当前市值的比值（pb_ratio的倒数）。其中小于0的值设置为nan。
• 流动性因子 liquidity

• 定义：0.35•share_turnover_monthly + 0.35•average_share_turnover_quarterly + 0.3•average_share_turnover_annual
• 解释
• 月换手率 share_turnover_monthly：股票一个月换手率，过去21日的股票换手率之和的对数。
• 季度平均平均月换手率 average_share_turnover_quarterly：过去3个月平均换手率，计算过去3个月的平均换手率，并取对数。
• 年度平均月换手率 average_share_turnover_annual：过去12个月平均换手率，计算过去12个月的平均换手率，并取对数。
• 用 share_turnover_monthly、average_share_turnover_quarterly、average_share_turnover_annual 加权求和得到的 liquidity 关于对数市值做正交化以消除共线性。
• 盈利能力因子 earnings_yield

• 定义：0.68•predicted_earnings_to_price_ratio + 0.21•cash_earnings_to_price_ratio + 0.11•earnings_to_price_ratio
• 解释
• 预期利润市值比 predicted_earnings_to_price_ratio：用未来12个月的净利预测值除以当前市值。
• 现金流量市值比 cash_earnings_to_price_ratio：过去12个月的净经营现金流除以当前股票市值。
• 利润市值比 earnings_to_price_ratio：过去12个月的归母净利润除以当前股票市值。
• 成长因子 growth

• 定义：0.18•long_term_predicted_earnings_growth + 0.11•short_term_predicted_earnings_growth + 0.24•earnings_growth + 0.47•sales_growth
• 解释
• 预期长期盈利增长率 long_term_predicted_earnings_growth：未来三年净利润分析师一致预期相对于净利润(不含少数股东损益)最新年报值的平均增长率。一个分析师预测的股票值为nan。
• 预期短期盈利增长率 short_term_predicted_earnings_growth：未来一年净利润分析师一致预期相对于净利润(不含少数股东损益)最新年报值的平均增长率，只有一个分析师预测的股票值为nan。
• 5年盈利增长率 earnings_growth：盈利增长率，过去5年的基本每股收益（basic_eps）关于[0,1,2,3,4]回归的斜率系数，然后再除以过去 5 年基本每股收益绝对值的均值。
• 5年营业收入增长率 sales_growth：营收增长率，过去 5 年每股营业收入关于[0,1,2,3,4]回归的斜率系数，然后再除以过去 5 年每股营业收入绝对值的均值。对于保险行业的股票，使用“已赚保费”代替“销售收入”计算每股营业收入，对于银行业的股票，sales_growth为nan。
• earnings_growth和sales_growth至少需要有4年的财务数据，否则为nan。
• 杠杆因子 leverage

• 定义：0.38•market_leverage + 0.35•debt_to_assets + 0.27•book_leverage
• 解释
• 市场杠杆 market_leverage：(当前的普通股市值+优先股账面价值+长期债务账面价值)/当前的普通股市值。
• 资产负债比 debt_to_assets：总负债的账面价值/总资产的账面价值。
• 账面杠杆 book_leverage：(普通股账面价値+优先股账面价值+长期债务账面价值)/普通股账面价值。账面杠杆需在0到100之间，否则结果为nan。

行业因子

可以获取以下行业的分类因子，股票属于这个行业则为赋值为1，否则赋值为0 1.证监会行业 2.聚宽行业(一二级) 3.申万行业(一二三级)

>>> df_dic = get_factor_values('000001.XSHE',['A01','HY007','801780','801723'] ,end_date='2023-02-23',count=1)
print(df_dic)
>>>  {'A01':             000001.XSHE
    2023-02-23            0,
'HY007':             000001.XSHE
    2023-02-23            1,
'801780':             000001.XSHE
    2023-02-23            1,
'801723':             000001.XSHE
    2023-02-23            0}

风格因子pro(仅本地数据jqdatasdk可用)

风格因子PRO简介

风格因子pro在原有的风格因子基础上，对底层的因子进一步细分和扩充。目前仅jqdatasdk提供，如有需求可咨询运营开通

基本面及量价因子列表

财务基本面因子

质量因子

基础因子

成长因子

每股因子

量价因子

情绪因子

风险因子

技术因子

②根据典型价格高低判定正负向资金流（资金流=典型价格*成交量） ③计算MR= 正向/负向 ④MFI=100-100/（1+MR） | | price_no_fq | 不复权价格 | 不复权价格 |

动量因子

②上升值=今天的最高价-前一日的中间价（负值记0） ③下跌值=前一日的中间价-今天的最低价（负值记0） ④多方强度=20天的上升值的和，空方强度=20天的下跌值的和 ⑤CR=（多方强度÷空方强度）×100 | | fifty_two_week_close_rank | 当前价格处于过去1年股价的位置 | 取过去的250个交易日各股的收盘价时间序列，每只股票按照从大到小排列，并找出当日所在的位置 | | MASS | 梅斯线 | MASS(N1=9, N2=25, M=6) | | PLRC12 | 12日收盘价格与日期线性回归系数 | 计算 12 日收盘价格，与日期序号（1-12）的线性回归系数，(close / mean(close)) = beta t + alpha | | PLRC24 | 24日收盘价格与日期线性回归系数 | 计算 24 日收盘价格，与日期序号（1-24）的线性回归系数， (close / mean(close)) = beta t + alpha | | PLRC6 | 6日收盘价格与日期线性回归系数 | 计算 6 日收盘价格，与日期序号（1-6）的线性回归系数，(close / mean(close)) = beta t + alpha | | Price1M | 当前股价除以过去一个月股价均值再减1 | 当日收盘价 / mean(过去一个月(21天)的收盘价) -1 | | Price3M | 当前股价除以过去三个月股价均值再减1 | 当日收盘价 / mean(过去三个月(61天)的收盘价) -1 | | Price1Y | 当前股价除以过去一年股价均值再减1 | 当日收盘价 / mean(过去一年(250天)的收盘价) -1 | | Rank1M | 1减去 过去一个月收益率排名与股票总数的比值 | 1-(Rank(个股20日收益) / 股票总数) | | ROC12 | 12日变动速率（Price Rate of Change） | ①AX=今天的收盘价—12天前的收盘价 ②BX=12天前的收盘价 ③ROC=AX/BX100 | | ROC120 | 120日变动速率（Price Rate of Change） | ①AX=今天的收盘价—120天前的收盘价 ②BX=120天前的收盘价 ③ROC=AX/BX100 | | ROC20 | 20日变动速率（Price Rate of Change） | ①AX=今天的收盘价—20天前的收盘价 ②BX=20天前的收盘价 ③ROC=AX/BX100 | | ROC6 | 6日变动速率（Price Rate of Change） | ①AX=今天的收盘价—6天前的收盘价 ②BX=6天前的收盘价 ③ROC=AX/BX100 | | ROC60 | 60日变动速率（Price Rate of Change） | ①AX=今天的收盘价—60天前的收盘价 ②BX=60天前的收盘价 ③ROC=AX/BX100 | | single_day_VPT | 单日价量趋势 | （今日收盘价 - 昨日收盘价）/ 昨日收盘价 当日成交量 # (复权方法为基于当日前复权) | | single_day_VPT_12 | 单日价量趋势12均值 | MA(single_day_VPT, 12) | | single_day_VPT_6 | 单日价量趋势6日均值 | MA(single_day_VPT, 6) | | TRIX10 | 10日终极指标TRIX | MTR=收盘价的10日指数移动平均的10日指数移动平均的10日指数移动平均(求三次ema10); TRIX=(MTR-1日前的MTR)/1日前的MTR100 | | TRIX5 | 5日终极指标TRIX | MTR=收盘价的5日指数移动平均的5日指数移动平均的5日指数移动平均(求三次ema5); TRIX=(MTR-1日前的MTR)/1日前的MTR100 | | Volume1M | 当前交易量相比过去1个月日均交易量 与过去过去20日日均收益率乘积 | 当日交易量 / 过去20日交易量MEAN 过去20日收益率MEAN |

新闻联播文本数据

from jqdata import *
finance.run_query(query(finance.CCTV_NEWS).filter(finance.CCTV_NEWS.day=='2019-02-19').limit(n))

获取新闻联播每日播报的新闻文本数据，数据来源：央视新闻联播频道，时间范围：2009-06-26至今。

参数：

• query(finance.CCTV_NEWS)：表示从finance.CCTV_NEWS 这张表中查询新闻联播的新闻文本数据，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用逗号分隔进行提取；query函数的更多用法详见： [sqlalchemy.orm.query.Query对象](https://docs.sqlalchemy.org/en/rel_1_0/orm/query.html)
• finance.CCTV_NEWS：收录了新闻联播每日播报的新闻文本数据，表结构和字段信息如下：

字段统计

• filter(finance.CCTV_NEWS.day=='2019-02-19')：指定筛选条件，通过finance.CCTV_NEWS.day=='2019-02-19' 可以指定你想要查询的某天的新闻联播的新闻文本数据；除此之外，还可以对表中其他字段指定筛选条件，如finance.CCTV_NEWS.title.like('%新春%')，表示标题中包含'新春'的新闻文本数据；多个筛选条件用英文逗号分隔。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe，每一行对应数据表中的一条数据， 列索引是您所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回4000行 2. 不能进行连表查询，即同时查询多张表的数据

示例：

#查询day==2019-02-19的新闻联播文本内容
from jqdata import *
df=finance.run_query(query(finance.CCTV_NEWS).filter(finance.CCTV_NEWS.day=='2019-02-19').limit(10))
print(df)

      id         day                               title  \
0  77833  2019-02-19             【央视快评】推动深度融合 加快建设新型主流媒体
1  77828  2019-02-19               【领航新时代】安徽：树作风标杆 谋发展之变
2  77829  2019-02-19  中共中央 国务院关于坚持农业农村优先发展 做好“三农”工作的若干意见
3  77830  2019-02-19          人民日报社论：决胜全面建成小康社会 推进乡村全面振兴
4  77836  2019-02-19                              国内联播快讯
5  77838  2019-02-19                              国际联播快讯
6  77832  2019-02-19                       守正创新 壮大主流舆论阵地
7  77831  2019-02-19                   栗战书与伊朗伊斯兰议会议长举行会谈
8  77837  2019-02-19                        欧盟就对俄新制裁达成共识
9  77834  2019-02-19                     赏灯游园庆佳节 欢欢喜喜闹元宵

                                             content
0      本台今天刊播央视快评《推动深度融合 加快建设新型主流媒体》。    \r\n    ...
1      2014年3月9日，习近平总书记在参加十二届全国人大二次会议安徽代表团审议时指出：各...
2      中共中央、国务院日前发出《关于坚持农业农村优先发展 做好“三农”工作的若干意见》。《...
3      明天出版的人民日报将发表社论，题目是《决胜全面建成小康社会 推进乡村全面振兴》。  ...
4          \r\n        人民银行：首单银行永续债顺利发行        \r...
5          \r\n        叙鲁克班干难民营开人道主义通道        \r\...
6      三年前的2月19日，习近平总书记考察中央主要新闻媒体，主持召开党的新闻舆论工作座谈会...
7      全国人大常委会委员长栗战书19日在人民大会堂与伊朗伊斯兰议会议长拉里贾尼举行会谈。 ...
8      欧盟外交和安全政策高级代表莫盖里尼18日表示，欧盟国家已经达成共识，将就俄乌刻赤海峡...
9      正月十五元宵佳节，人们走出家门游园赏灯闹元宵，感受传统文化的魅力。    \r\n ...

#进一步获取新闻正文内容
print(df.iloc[2,3])

中共中央、国务院日前发出《关于坚持农业农村优先发展 做好“三农”工作的若干意见》。《意见》指出，今明两年是全面建成小康社会的决胜期，“三农”领域有不少必须完成的硬任务。党中央认为，在经济下行压力加大、外部环境发生深刻变化的复杂形势下，做好“三农”工作具有特殊重要性，必须坚持把解决好“三农”问题作为全党工作重中之重不动摇。
    《意见》提出，要聚力精准施策，决战决胜脱贫攻坚，不折不扣完成脱贫攻坚任务，咬定既定脱贫目标，落实已有政策部署，到2020年确保现行标准下农村贫困人口实现脱贫、贫困县全部摘帽、解决区域性整体贫困。要夯实农业基础，保障重要农产品有效供给；要扎实推进乡村建设，加快补齐农村人居环境和公共服务短板；要发展壮大乡村产业，拓宽农民增收渠道；要全面深化农村改革，激发乡村发展活力；要完善乡村治理机制，保持农村社会和谐稳定；要发挥农村党支部战斗堡垒作用，全面加强农村基层组织建设。
    要加强党对“三农”工作的领导，落实农业农村优先发展总方针，发挥好农民主体作用，让农民更多参与并从中获益。

聚宽文档索引

本目录文档从 聚宽官方 API 文档 离线同步，供策略开发时精确查阅。

根目录文档

数据字典（data/）

api.md 主要章节

便于 Grep 定位：

搜索技巧

# 在 api.md 中搜索函数
rg "def get_price|get_price\(" skills/joinquant-docs/api.md

# 在数据字典中搜索字段
rg "market_cap|市盈率" skills/joinquant-docs/data/Stock.md

# 搜索技术指标
rg "^### MACD" skills/joinquant-docs/data/technicalanalysis.md

原始 HTML 缓存

data/local/*.html 为官网原始 HTML，仅在需要对比转换质量时参考。日常查 API 请读 .md 文件。