用 Python 揭秘均值回归策略：你的收益从何而来？

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 500 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

做量化的朋友都知道，高频行情数据里藏着金矿 —— 订单簿动态、成交冲击、知情订单流、日内流动性变化……这些信息是日频 OHLC 数据根本无法提供的。

但问题也来了：直接基于 tick 级数据做策略，基础设施贵、信噪比低、换手成本高、扩展困难。对大多数 Python 量化学习者来说，这几乎是一道无法逾越的高墙。

有没有一种折中方案？有。这就是近期在系统化交易圈越来越流行的思路 —— 中低频因子：从分钟 Bar 或 tick 级数据中提取统计显著的信号，压缩成稳定的日频特征，然后直接接入中低频策略管线。

今天这篇文章，就带大家看看 DolphinDB 团队是如何搭建这样一套生产级框架的，以及我们 Python 用户可以从中学到哪些思路。

一、为什么传统 Python 管线容易翻车

做过高频数据处理的同学都有体会：用 Pandas 搭个原型很简单，但一旦跑到“多年全市场分钟数据”这个量级，问题立刻暴露：

1. 1. 内存和速度瓶颈频繁出现
2. 2. 每个研究员都在造自己的轮子，代码难以复用
3. 3. 因子之间没有统一接口，无法沉淀成团队资产
4. 4. 存储、更新、版本管理等生命周期问题几乎无人处理

说白了，缺少一套标准化、可扩展、覆盖全生命周期的框架。

二、核心设计思路 1：统一因子模板

框架中每个因子都遵循同一个接口：输入数据表，输出包含 SecurityID、TradeDate、Value、FactorName、UpdateTime 的标准表。

下面是 DolphinDB 原生脚本示例 —— 基于快照数据计算成交量占比偏度因子：

def skewVolProp(snapshot){
    // 从快照中计算成交量增量占比
    snap =
        select
            TradeDate, TradeTime, SecurityID,
            deltas(TotalVolumeTrade)\last(TotalVolumeTrade) as volProp
        from snapshot
        context by TradeDate, SecurityID csort TradeTime
        having TradeTime >= 09:30:00.000

    // 按股票和日期聚合，计算偏度作为因子值
    res =
        select
            SecurityID,
            TradeDate,
            skew(volProp) as Value,
            "skewVolProp" as FactorName,
            now() as UpdateTime
        from snap
        group by TradeDate, SecurityID
    return res
}

对于 Python 用户来说，同样的思路可以用 Pandas 实现（示意）：

import pandas as pd

def skew_vol_prop(snapshot: pd.DataFrame) -> pd.DataFrame:
    """
    基于快照数据计算成交量占比偏度因子
    输入：包含 TradeDate, TradeTime, SecurityID, TotalVolumeTrade 的数据帧
    输出：标准格式的日频因子表
    """
    # 仅保留连续竞价时段数据
    df = snapshot[snapshot["TradeTime"] >= "09:30:00"].copy()
    # 按股票和日期分组，计算成交量增量占比
    df = df.sort_values(["TradeDate", "SecurityID", "TradeTime"])
    df["volProp"] = (
        df.groupby(["TradeDate", "SecurityID"])["TotalVolumeTrade"]
        .transform(lambda x: x.diff() / x.iloc[-1])
    )
    # 聚合计算偏度
    res = (
        df.groupby(["TradeDate", "SecurityID"])["volProp"]
        .skew()
        .reset_index(name="Value")
    )
    res["FactorName"] = "skewVolProp"
    res["UpdateTime"] = pd.Timestamp.now()
    return res

关键点：统一的输出 schema 意味着任何因子都可以被存储、查询、对比，无需格式转换。新增自定义因子只要遵守同一套约定，就能自动接入现有管理层。

三、核心设计思路 2：100+ 开箱即用因子

框架覆盖 4 类数据源，按照不同维度做统计压缩：

分钟 Bar 因子，聚焦日内价量行为：

• • 最短路径非流动性：基于 Bar 级价格路径构造流动性度量
• • 成交量潮汐价格速度：刻画日内成交量周期与价格的联动
• • T 分布主动买入占比：用 T 分布估计主动买入比例

Level-2 快照因子，挖掘订单簿和高频波动结构：

• • 已实现跳跃波动率：分离连续波动与跳跃成分
• • 聪明钱因子：识别知情交易者的被动挂单和订单流

订单级因子，捕捉订单意图：

• • 开盘后净买入增量比：反映开盘后资金流入强度

逐笔成交因子，衡量主动成交和大单冲击：

• • 大单买入占比、卖出反弹偏离度、特大单价格冲击

四、核心设计思路 3：异步后台 + 并行计算

高频数据量大，顺序处理完全不现实。框架在两个层面做了优化：

1. 1. 用 submitJob 把任务提交到后台，客户端会话立即释放
2. 2. 每个任务内部通过 mr（map-reduce） 在数据分区上并行执行

Python 用户可以用 multiprocessing、joblib 或 Dask 实现类似效果：

from joblib import Parallel, delayed
import pandas as pd

def compute_factor_by_day(day: str, func) -> pd.DataFrame:
    """按天加载数据并计算因子"""
    # 读取当天的分钟数据（示意）
    df = pd.read_parquet(f"./minute_data/{day}.parquet")
    return func(df)

def run_parallel(days: list, func, n_jobs: int = 8) -> pd.DataFrame:
    """并行计算多天因子，并合并结果"""
    results = Parallel(n_jobs=n_jobs)(
        delayed(compute_factor_by_day)(d, func) for d in days
    )
    return pd.concat(results, ignore_index=True)

# 使用示例：并行计算 1 月份所有交易日的因子
days = pd.bdate_range("2021-01-01", "2021-01-31").strftime("%Y-%m-%d").tolist()
factor_df = run_parallel(days, skew_vol_prop, n_jobs=8)

五、核心设计思路 4：版本化存储与增量更新

框架使用分布式存储，按交易日和因子名分区。使用 TSDB 引擎配合 keepDuplicates=LAST，对相同日期与股票的因子值重写时自动保留最新值，无需手动去重。

// 创建日频因子数据库
create database "dfs://factor_day"
    partitioned by RANGE(date(datetimeAdd(1980.01M, 0..80*12, 'M'))), VALUE(...)
    engine='TSDB',
    atomic='CHUNK'

// 创建因子表，采用窄表格式
create table "dfs://factor_day"."factor_day"(
    SecurityID  SYMBOL,
    TradeDate   DATE[comment="time column", compress="delta"],
    Value       DOUBLE,
    FactorName  SYMBOL,
    UpdateTime  TIMESTAMP,
)
partitioned by TradeDate, FactorName
sortColumns=[`SecurityID, `TradeDate],
keepDuplicates=LAST

一句话总结：算一次扔掉是研究，算一次存下来、可更新、可追溯，才叫因子库。

六、核心设计思路 5：宽窄表一键转换

窄表（长格式）适合更新和维护，宽表适合做横截面分析。DolphinDB 用 pivot by 一条语句就能切换：

dailyFactor = loadTable("dfs://factor_day", "factor_day")

// 把多个因子透视成宽表，便于横截面分析
factorTB1 = select Value
    from dailyFactor
    where FactorName in `skewVolProp`netBuyIntenOpen
    pivot by SecurityID, TradeDate, FactorName

Python 中的等价写法非常熟悉：

# 加载窄表因子数据
daily_factor = pd.read_parquet("factor_day.parquet")

# 筛选目标因子，并透视成宽表
wide_df = (
    daily_factor[daily_factor["FactorName"].isin(["skewVolProp", "netBuyIntenOpen"])]
    .pivot_table(
        index=["SecurityID", "TradeDate"],
        columns="FactorName",
        values="Value",
    )
    .reset_index()
)

总结

对 Python 量化学习者来说，这篇文章的核心启发有 3 点：

1. 1. 统一接口是工程化的第一步。无论用 Pandas、Polars 还是 DolphinDB，只要每个因子都遵循同一套输入输出规范，团队协作和复用立刻变得可行。
2. 2. 并行与异步不是可选项，而是必选项。多年全市场分钟数据的计算量，必须借助 joblib、Dask、Ray 或分布式引擎来支撑。
3. 3. 存储与版本化才能把因子变成资产。一次性脚本只是研究，能持续更新、可追溯、可查询的因子库才是团队的长期价值。

高频数据本身不会直接变成 alpha，只有当你能可靠地、规模化地把它压缩成稳定信号时，它才真正有用。希望这套思路能给正在学 Python 量化的你一些启发 —— 先从统一因子模板开始，然后再逐步加上并行、存储和版本化。

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：500+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；
   专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐