除了价值因子之外，常用因子还有动量因子、情绪因子、波动因子、规模因子、质量因子等。这些因子有些可以用来选股，有些可以帮助我们寻找买卖时机。下面以一个情绪因子为例来研究一下与因子有关的评价指标。

我司上市券商，佣金成本价，专项两融利率4.0，免费提供量化软件qmt和ptrade，欢迎咨询！！！

建立投资组合并设定日期

这里，我们重复使用前面使用的方法，通过不同的量化选股因子，在不同的股票池中选取若干只股票。这里我们只选9只股票。总体来说，这9只股票都是基本面比较不错且成交比较活跃的股票，包括000617、601398、600029、600941、601939、601288、600519、300059，

下面我们就在新的Notebook 文件中导入必要的库，并且把上述几只股票存入一个列表,命名为“portfolio”。输入代码如下:

from jqfactor import get_factor_values, analyze_factorimport datetime# 正确格式的股票列表portfolio = [    '000617.XSHE',    '601398.XSHG',    '600029.XSHG',    '600941.XSHG',    '601939.XSHG',    '601288.XSHG',    '600519.XSHG',    '300059.XSHE']

为了日后方便，我们不需要每次都输入起止日期，可以使用Python中的datetime 来获取当日的日期，并使用timedelta找到若干天以前的日期(这里选择的是500天，朋友们也可以根据自己的爱好来改变这个数字)，并分别将若干天以前的日期作为起始日期，将当前日期作为截止日期。输入代码如下:

import datetime# 获取今天的日期today = datetime.date.today()# 格式化为 'YYYY-MM-DD' 的字符串end_date = today.strftime('%Y-%m-%d')# 计算500天前的日期start_date = (today - datetime.timedelta(days=500)).strftime('%Y-%m-%d')# 检查是否成功print("开始日期:", start_date)print("结束日期:", end_date)

开始日期：2024-02-29

结束日期：2025-07-13

获取一个情绪因子

在确定了投资组合和时间范围之后，我们就可以来找一个因子进行实验。这里我们选择的因子是成交量的5日指数移动平均(VEMA5)。这个因子非常易于理解，就是股票成交量在过去5个交易日中的移动平均值。输入代码如下:

# 4. 获取 VEMA5 因子factor_vema5 = get_factor_values(    securities  = portfolio,    factors     = ['VEMA5'],    start_date  = start_date,    end_date    = end_date)['VEMA5']

运行代码，即可完成因子数据的加载。接下来我们使用因子分析工具analyze_factor灯VEMA5 因子进行分析。输入代码如下:

# 5. 因子分析far = analyze_factor(    factor       = factor_vema5,    start_date   = start_date,    end_date     = end_date,    weight_method= 'mktcap',   # 按市值加权    universe     = portfolio,  # 限定股票池    quantiles    = 5,          # 5 个分位    periods      = (1, 5, 10)  # 1、5、10 天的收益周期)# 6. 查看结果：各分位在不同周期的平均收益 + 标准差far.mean_return_std_by_quantile

从表中可以看到，程序返回了因子不同分位对应的不同周期的加权平均收益。在上面的代码中，我们设置的分位数量为5个，因此程序返回的是5个分位的收益情况。举例来说明，假如我们买入VEMA5因子值在第1分位的股票，则1天周期的加权平均收益是0.000706，而5天周期的加权平均收益是0.000425，同时，10天周期的加权平均收益是0.000294。第2~5分位的意思是相同的，这里不一一展开介绍了。

获取全部的因子分析的结果

除了简单了解各分位因子值对应的加权平均收益之外，我们也可以对因子进行更加全面的了解。create full tear sheet方法可以以图表的形式，直观地展示因子的收益、因子的信息系数(Information Coefficient，IC)、换手率等。使用下面的代码，即可获得全部的因子分析结果。

# 6. 生成完整因子分析图表far.create_full_tear_sheet(    demeaned=False,          # 不使用超额收益    group_adjust=False,      # 不使用行业中性化    by_group=False,          # 不按行业展示    turnover_periods=None,   # 不指定调仓周期    avgretplot=(5, 15),      # 向后预测15天，向前看5天    std_bar=False            # 不显示标准差柱状图

运行代码，输出结果包括因子值的分位数统计、收益分析、IC分析、换手率分析等，如图所示。

由于这里的输出结果过长，以至于Notebook进行了折叠显示。