Alphalens实战：15只美股大盘股揭示动量因子失效、RSI因子显著反转

一个只问"这个因子有没有预测力"的分析工具

Alphalens 是 Quantopian 开源的另一个核心工具，和之前写过的 PyFolio 是"兄弟项目"。但两者的职责完全不同——PyFolio 分析的是"这个策略赚不赚钱"，Alphalens 分析的是"这个因子有没有预测力"。它不跑回测、不算收益、不管仓位——它只回答一个问题：因子值和未来收益率之间有没有统计上显著的关系。

我拿它对美股 15 只大盘股（AAPL、MSFT、GOOGL、AMZN、NVDA 等）在 2023-2026 年间测试了两个经典因子。结果是反直觉的：20 日动量因子完全失效了——Alpha 为负、IC 不显著、p 值 0.48。而 RSI 10D 因子在 10 天维度上有显著的反转预测力（p=0.018）——不是"超买继续涨"，而是"超买后要跌"。

这篇文章展示如何用自然语言让 EasyClaw 自动拉取 Alphalens、配置因子计算、生成完整的因子 Tearsheet——不需要手写因子公式、不需要理解 Alphalens 的 MultiIndex 数据结构。

起步

从 EasyClaw 官网下载安装。不需要手动安装 Alphalens、不需要配置数据源。

打开后左侧找「Skill」→「Skill Creator」。灰显的话去「设置 → 通用」打开「开发者模式」重启。

创建 Skill

在 Skill Creator 里告诉 EasyClaw：

帮我把 GitHub 上的 Alphalens（https://github.com/stefan-jansen/alphalens-reloaded）做成一个因子分析 Skill。我希望输入一组股票代码、一个因子名称和计算逻辑，自动拉取历史数据、计算因子值、跑 Alphalens 的 Returns Analysis 和 IC Analysis，输出完整的因子 Tearsheet 和对比总结。

Skill 创建好后：

用 Alphalens 对 AAPL、MSFT、GOOGL 等 15 只大盘股做因子分析，测试 20 日动量和 10 日 RSI 两个因子，区间 2023 年初到现在

分析结果：动量失效，RSI 反转

因子 1：20 日动量——完全失效

指标	1D	5D	10D	怎么看
年化 Alpha	-0.044	-0.022	-0.013	Alpha 全部为负——因子在三个预测周期上都在亏方向的钱
Spread（bps）	-1.74	-1.38	-0.50	做多高动量、做空低动量的多空组合在持续亏损
IC Mean	-0.008	-0.022	-0.018	因子值和未来收益的相关系数全部为负
p-value	0.477	0.056	0.097	全部不显著——你无法确信这个负相关是真实的还是随机噪音
换手率	~20%	—	—	信号更新慢，20% 的股票每个周期被替换
秩自相关	0.907	—	—	高度持续——今天的因子值和昨天的几乎一样

动量因子在 2023-2026 年的失效不是偶然的。这个区间美股整体呈震荡向上格局，没有持续的强趋势。动量因子在趋势市场有效（强者恒强），在震荡市场失效（强者很快变弱）。秩自相关 0.907 说明因子信号变化极慢——今天的排名和昨天几乎一样，这意味着这个因子在三个月前给出的信号和现在差不了太多。

因子 2：10 日 RSI——显著反转

指标	1D	5D	10D	怎么看
年化 Alpha	+0.007	-0.024	-0.041	1 天维度微正，但 5-10 天转负——短期微利、中期反转
Spread（bps）	-1.30	-2.36	-1.13	多空利差全部为负
IC Mean	-0.003	-0.018	-0.024	负的 IC——高 RSI 意味着未来收益低（反转）
p-value	0.804	0.093	0.018	10 天维度统计显著！p<0.05
换手率	~27%	—	—	信号更新比动量频繁
秩自相关	0.85	—	—	信号较持续但比动量更灵活

RSI 10D 的发现是反直觉的：p=0.018 意味着这个"反转"效应不是随机噪音，而是统计上确信存在的规律——在 2023-2026 年的美股大盘股上，高 RSI 的股票在未来 10 天倾向于跑输低 RSI 的股票。但 IC 只有 -0.024——这个关系虽然统计显著，但预测力非常弱。有统计显著性和有实际交易价值是两回事。

两个因子对比

	Momentum 20D	RSI 10D
平均 IC	-0.016	-0.015
Alpha（1D）	-0.044	+0.007
多空夏普	-0.19	-0.07
统计显著	❌ 不显著	✅ 10D 显著 (p=0.018)
换手率	低（~20%）	中（~27%）
结论	失效，不值得继续研究	有反转预测力，但效应很弱

Alphalens 和回测框架的本质区别

很多人混淆了"因子分析"和"策略回测"。用 Alphalens 跑出一个显著的正 IC 因子，不等于用这个因子做策略就能赚钱——因为 Alphalens 不涉及交易成本、不涉及仓位管理、不涉及止损止盈。IC 0.05 在统计上显著，但转化为策略可能需要你每天调仓换手 50%，手续费直接把 Alpha 吃掉。

正确的流程是：先用 Alphalens 筛选因子（找有预测力的）→ 再用回测框架验证策略（看能不能变成利润）→ 最后用 PyFolio/QuantStats 分析策略的收益特征。三个步骤各司其职——Alphalens 是第一步，也是最容易被跳过的一步。很多策略做出来效果不好，根本原因不是策略逻辑有问题，而是底层因子本身就缺乏预测力。

这恰好和 RD-Agent 那篇文章呼应——RD-Agent 自动做的因子研发，Alphalens 就是它背后用来评估因子质量的引擎。

常见报错

错误	原因	解决方法
"Factor data not aligned with prices"	因子值的日期和价格数据的日期不匹配	确认因子计算使用的交易日历和价格数据一致
IC 值全部为 NaN	因子值波动太小或存在缺失	检查因子计算逻辑，确保因子值有足够的变化

下一步

• 把你自己的因子喂给 Alphalens 跑一次 IC 分析——看看你的策略底层到底有没有预测力
• 在 2020-2022 区间（强趋势市场）重新跑动量因子，验证动量在趋势市场是否恢复有效

资源链接：

• EasyClaw 下载：https://easyclaw.cn/?f=735
• Alphalens GitHub：https://github.com/stefan-jansen/alphalens-reloaded

你研究因子的时候是先跑 IC 分析还是直接上回测？有没有发现过"IC 显著但策略不赚钱"的因子？欢迎聊聊你的因子研究流程。