WorldQuant Alpha101 因子是什么？从论文公式到回测复现

Alpha101 的出处与学习价值

搜索“WorldQuant 101 因子”“Alpha101 公式”时，常见出处是 Zura Kakushadze 的论文 101 Formulaic Alphas。论文在 2016 年发布，给出了 101 个公式化 Alpha，并讨论它们的统计特征。

这些公式把价格、成交量等信息经过排序、相关性或滚动计算转换为信号。阅读它们的价值在于学会拆解表达式：输入是什么、每个算子改变了什么、输出为何可能与后续收益有关。论文使用的历史数据和实验结论有自己的适用范围，不能直接当作今天的收益承诺。

如果还分不清 Alpha、回测和提交，可以先读 第一轮 Alpha 实验。以下步骤适用于学习复现；在 BRAIN 上开展研究时，还需核对平台提供的字段、算子和权限。

把公式翻译成可核对的计算

先为每个输入写一张“字段说明卡”。例如，close 是原始收盘价还是复权价？volume 是股数、手数还是其他单位？某个基本面值按报告期标记，还是按实际公开日期可用？这些问题决定计算是否使用了当时能知道的信息。

核对项	需要写清的定义	常见影响
股票池与样本	哪些证券、哪段时间、如何处理退市	样本选择偏差
价格与成交量	复权口径、单位、停牌处理	信号尺度与异常值
横截面排序	在同一天对哪些股票排序、如何处理并列	相对强弱含义
时间序列排序	对单只股票的哪段历史排序	与横截面排序混淆
滚动窗口	是否包含当天、最少有效观测数	起始样本与信息时点
缺失值	保留缺失、删除还是按已知信息填补	覆盖率和虚假信号

公式名称相同不代表实现一致。可以先用几只股票、几天数据手算关键步骤，核对排序方向、窗口边界和缺失值，再扩大样本。这比直接运行一个庞大因子库更容易定位问题。

一个练习时点对齐的教学示例

下面是本文自编的短期反转练习，不是原论文的某个 Alpha101 公式，也不是推荐提交的 Alpha。

输入：同一口径的日收盘价
三日收益 = 当日收盘价 / 三个交易日前收盘价 - 1
当日信号 = -横截面排序(三日收益)
后续步骤：中心化、权重归一化、明确可交易时点、计算持仓收益

负号表达“近期涨得较多的股票获得较低信号”这一研究假设。横截面排序只提供相对顺序，还不能直接等同于持仓：需要说明是否中心化、总敞口如何控制、是否限制单个证券权重，以及哪些证券实际可交易。

信号包含当日收盘价时，不能把当日已经发生的收盘收益算成该信号赚到的钱。应明确什么时候取得数据、什么时候下单、使用什么成交价。比如在教学回测中，假定收盘后得到信号、次日开盘调仓，就需要相应的开盘成交与后续持有收益数据。仅把数组平移一格，并不能自动解决全部成交时点问题。

从因子信号走到组合回测

因子值与后续收益的相关性可以帮助判断排序能力，组合回测则还需要权重、约束、调仓频率和成本。两种结果回答的问题不同，研究记录应分别保留。

一个最低限度的回测摘要应包括：固定股票池和样本、信号可用时点、持仓构建方法、毛收益、成本假设、净收益、换手及回撤。成本可以先做几个明确的情景，但要说明它们是实验假设，不能把某个教学费率当作真实成交成本。

如需解释 Sharpe、Fitness、Turnover 等平台指标，可以继续读 回测指标指南。本地复现的指标计算口径，也应与 BRAIN 文档分开记录。

怎样设计少量有解释力的对照

先固定一个基线，再只改一个因素。例如，将三日窗口换成五日窗口，其他设置保持一致；或者保留公式，检查提高成本假设后净结果如何变化。每次写出修改理由、预期变化和真实观察。

按时间分出研究期和验证期，保留没有用于挑选参数的数据。对多个公式、窗口和股票池反复筛选，会增加偶然选中好结果的机会，所以还应记录尝试过多少版本，以及哪些失败结果被排除。回测很好看却只依赖一个年份或少数证券时，优先复盘稳定性。

第一份复现成果应该留下什么

建议保留公式出处与自己的解释、字段定义、实验配置、基线及对照结果、失败项和下一步问题。只展示最好的一张收益曲线，读者无法判断是否存在时点错误或筛选偏差。

需要辅导时，可以带着一个具体问题，比如“同一公式在两个实现中的排序结果不同”或“计入成本后优势消失”。研究辅导内容 可用于讨论实验设计与复盘；研究是否符合提交要求仍由平台检查确认。