alphalens教程4--Turnover Analysis

      衡量一个因子的好坏还有一个指标，就是稳定性。因子的稳定性直接决定了你的调仓频率。

1.基本数据获取

        每天每个股票的因子分层位置。
        我们先来看第一个计算换手率的函数。
def quantile_turnover(quantile_factor, quantile, period=1):
        我们来看一下这个计算出来的是什么：某一层因子中，某个股票之前不在这个层，现在在了的比例是多少。
参数解释：
quantile_factor : pd.Series
日期、股票名为index，因子层序号为value的series，也就是factor_data['factor_quantile']，所以，我们先把quantile_factor = factor_data['factor_quantile']定义好。
quantile : int
计算哪一层的换手率
period: int, optional
计算哪一个周期调仓的换手率
返回一个 pd.Series，value是换手率，例如：

alphalens.performance.quantile_turnover(quantile_factor, 1, 1)，返回的就是日调仓，因子层第一层的换手率。

        当然，我们希望获得的是每个层的换手率，所以，写成下面这样的列表表达式，然后concat一下。
quantile_turnover = pd.concat([alphalens.performance.quantile_turnover(quantile_factor, q, turnover_period)

2.绘图

        接下来，我们利用上面生成的数据来绘制图形。
def plot_top_bottom_quantile_turnover(quantile_turnover, period=1, ax=None):
top和bottom层的换手率图。
alphalens.plotting.plot_top_bottom_quantile_turnover(quantile_turnover, turnover_period)

        除了换手率查看因子的稳定性外，因子的自回归程度也是一个很重要的衡量因子稳定的指标。
def factor_rank_autocorrelation(factor_data, period=1):
        计算自回归系数的函数很简单。
factor_autocorrelation = alphalens.performance.factor_rank_autocorrelation(factor_data, period=1)

alphalens.plotting.plot_factor_rank_auto_correlation(factor_autocorrelation)

当然，同样的，也有一个整个的函数。

alphalens.tears.create_turnover_tear_sheet(factor_data)