把因子有效性变成一组标准指标
官方 README 把它的输出分成四类：Returns Analysis（收益）、Information Coefficient Analysis（信息系数）、Turnover Analysis（换手）、Grouped Analysis（分组）。同一套指标换个因子就能重复跑，横向比较不同因子时不用自己另写口径。
Alphalens · Quantopian 开源的因子绩效分析库
Alphalens 是什么：把因子（alpha）表现讲清楚的 Python 分析库
Alphalens 只做一件事：给它一个因子值和一段价格，它把「这个因子在历史上表现如何」算给你看——IC 信息系数、分位分组收益、换手率与 rank 自相关，最后输出一份 tear sheet。它是 Quantopian 在 2016 年开源的库，Apache-2.0 许可；主库最后一次代码提交停在 2020-04-27，之后由社区维护分支 alphalens-reloaded 接着更新。
Alphalens 项目来源与仓库现状
GitHub 公开读数：4,448 Star / 1,352 Fork / 50 个 open issue，默认分支 master，Apache-2.0；数字会随社区活动变化，采集日期为 2026-09-18。
查看官方仓库
开源项目Apache-2.0，GitHub 4,448 Star / 1,352 Fork（2026-09-18 核验）
版本状态主库最新 0.4.0（2020-04-30），最后代码提交 2020-04-27
维护分支alphalens-reloaded 0.4.6，最后推送 2025-12-15
代码量4 个功能模块，合计约 3,873 行
What it solves
Alphalens 解决什么问题？
它替代的是手工在 Notebook 里反复算因子有效性的一堆零散代码。它不负责取数据，也不负责下结论之外的任何事。
把「分位」这件事做成标准流程
你不需要自己写分位切分、行业中性化、极值过滤这些步骤：清洗入口一次性完成分位划分（quantiles 或 bins）、行业内分箱、极值剔除与数据丢失阈值校验，直接产出后续所有分析共用的 factor_data。
输出可直接给研究记录留存
分析结果以 tear sheet 形式成组输出：收益表、IC 时序图、分位收益柱状图、换手率曲线等。官方还提供了与 pyfolio 衔接的入口（create_pyfolio_input），便于把因子模拟组合的收益接到组合绩效分析里。
How it works
Alphalens 跑通一次要经过什么
官方 README 把流程写成两步：先清洗数据，再出 tear sheet。下面四步把每一步的真实函数、参数与预期输出写清楚。
准备两张表：因子值与价格
因子值是带 MultiIndex（date, asset）的 Series，价格是 index 为日期、columns 为标的的 DataFrame。库只接受价格，不接受已经算好的收益率——官方 issue #253（57 条评论）与 #270 请求支持收益率输入，至今未合并。预期：两张表的时间索引能对上，标的名字一致。
清洗并生成 forward returns：
get_clean_factor_and_forward_returns这一步同时完成分位划分、forward returns 计算与数据校验。默认
quantiles=5、periods=(1,5,10)、filter_zscore=20、max_loss=0.35。预期：得到一个带factor、factor_quantile与各期 forward return 列的多重索引 DataFrame。算指标：IC / 分位收益 / 换手率
IC 走
performance.factor_information_coefficient（Spearman 秩相关），分位收益走mean_return_by_quantile配compute_mean_returns_spread，换手与稳定性走quantile_turnover与factor_rank_autocorrelation。预期：每个指标都能输出一张时序或表格，数值随 periods 变化。出报告：
tears.create_full_tear_sheet(factor_data)全量 tear sheet 会把收益、信息系数、换手三段图拼在一起；只想看一段就用
create_summary_tear_sheet或对应的分段函数（共 7 个）。预期：在 Notebook 里得到一组图表；用脚本跑时需要注意后端，官方测试里用的是 Agg 后端。
Modules
Alphalens 的四个模块分别管什么
主库的代码结构非常小：除了版本文件与测试，只有四个模块。这一张表是本站按源码逐个函数点出来的，官方 README 没有这样的对照。
utils1,040 行 · 清洗与分位
performance1,166 行 · 指标计算
plotting934 行 · 22 个绘图函数
tears733 行 · 7 个 tear sheet
| 模块 | 承担的任务 | 代表函数 | 什么时候直接用它 | 注意点 |
|---|---|---|---|---|
alphalens.utils | 把原始因子与价格变成统一格式的 factor_data，并计算 forward returns | get_clean_factor_and_forward_returns、get_clean_factor、quantize_factor、compute_forward_returns、infer_trading_calendar | 所有分析开始前必跑一次；已经算好 forward returns 时可只用 get_clean_factor | 输入必须是价格；quantiles 与 bins 只能给一个，同时给会直接抛错 |
alphalens.performance | 所有数值指标：IC、因子收益、分位收益、多空价差、换手、rank 自相关、alpha/beta | factor_information_coefficient、mean_information_coefficient、mean_return_by_quantile、compute_mean_returns_spread、quantile_turnover、factor_rank_autocorrelation、factor_cumulative_returns | 要自己拼分析表、或只取单个指标写进研究记录时 | 不同函数的 period 参数含义不同：有的是持有期，有的是观测窗口 |
alphalens.plotting | 22 个绘图函数，涵盖 IC 时序、IC 分布、IC 分组、月度热力图、分位收益柱/小提琴图、累计收益、换手与自相关 | plot_ic_ts、plot_ic_qq、plot_quantile_returns_bar、plot_monthly_ic_heatmap、plot_cumulative_returns_by_quantile、plot_top_bottom_quantile_turnover | tear sheet 太粗、想单独出某一张图放进研究文档时 | 依赖 matplotlib/seaborn；在无界面环境要显式指定 Agg 后端 |
alphalens.tears | 把上面三块拼成 7 种现成报告 | create_full_tear_sheet、create_summary_tear_sheet、create_returns_tear_sheet、create_information_tear_sheet、create_turnover_tear_sheet、create_event_returns_tear_sheet、create_event_study_tear_sheet | 日常研究直接出报告；事件类研究用后两个 | 全量报告图很多、渲染慢；换手报告在 issue #341/#377 中有报错记录 |
alphalens/tests | 三个测试文件（performance / utils / tears） | — | 想确认自己环境是否正常时，可先跑测试而不是直接上真实数据 | 测试随主库一起冻结在 2020 年，新版本 pandas 下未必全过 |
alphalens/examples | 9 个示例 notebook 与 4 张官方示例图 | — | 想照着读 tear sheet 时，优先看 tear_sheet_walk_through | 官方 issue #355 明确报告这些教程已经跑不通，需要自行改数据加载部分 |
Setup and route
Alphalens 自建分析链路与对话式技能该怎么选
两条路线的交付物不同：Alphalens 交付一组可复现的因子绩效指标与图表；对话式技能交付一次研究结论。它们的关系是上下游，不是替代。
选版本→装依赖→准备因子与价格→清洗→出 tear sheet
换来的是完全可控的口径：分位怎么切、极值怎么滤、forward returns 用哪几期，全部写在代码里，换个人换台机器跑结果一致。代价是它不提供任何行情数据——价格表要自己从数据源取来并对齐，这一步通常比用库本身更费时间。
安装客户端→一句话提问
本机已核验的技能里，akshare-finance 与 tushare-finance 负责取行情、quant-analyst 提供量化研究方法论与回测口径、chart-image 负责出图；但没有任何技能能运行 Alphalens，也没有因子绩效分析库。两者无已证实集成。
路线边界：Alphalens 的官方仓库与文档从未提到 EasyClaw，本机技能目录里也没有任何 Alphalens 相关技能。两侧是并列的两条路线：一条要求你有 Python 环境与自己的数据，一条只要求装上客户端。完整对照见顶部导航「对比」。
EasyClaw demo
不想先装 Alphalens 的环境？看看免部署路线能做什么
下面两张是本站为本项目新拍的本机对话截图（2026-09-18，以贵州茅台 600519 为例），点击左右箭头翻页。它们只说明「研究类问题可以一句话发起」。它们不说明 Alphalens 能在客户端里运行——它是 Python 库，没有任何证据表明它可以被安装进这类环境。
样例边界：两张截图均为本站为本项目新拍的记录（2026-09-18），只能证明「对应任务可以一句话发起并拿到结构化结果」，不证明安装成功、不证明与 Alphalens 集成，也不构成任何投资建议。
Who fits
什么人还值得学 Alphalens
它的代码停在 2020 年，但方法和指标口径至今仍是因子研究里通用的一套。下面三栏按官方 README 与真实 issue 的现状整理。
适合你，如果…
你要的是「因子有效性怎么量化」的标准答案：IC、IR、分位收益、多空价差、换手率、rank 自相关这套指标组合，以及一套可复现的清洗口径。你也能接受先用维护分支（alphalens-reloaded）来绕开主库与现代 pandas 的兼容问题。
不太适合，如果…
你没有自己的行情数据——Alphalens 一个数据源都不提供；或者你要做的是策略回测、组合绩效、选股筛选，那属于 zipline、pyfolio、选股工具的范围。它也不做任何实盘相关的事。
先算清版本成本
主库 0.4.0 在 2020-04-30 后没有新发行版，最后一次代码提交停在 2020-04-27；本站实测在现代 Python 3.11 上直接 pip install alphalens 会失败。维护分支可装，但要注意它把 pandas 钉在 1.5 到 3.0 之间。
Scope
Alphalens 能做什么、不能做什么、和回测框架差在哪
中文教程最常把这三件事混在一起讲。下表按「任务」逐条对照，右两列是它与回测框架（如 zipline / backtrader）的分工。
| 任务 | Alphalens 能做吗 | 回测框架负责什么 | 你该怎么安排 | 注意点 |
|---|---|---|---|---|
| 判断一个因子有没有预测力 | 能做：IC、分位收益、多空价差、换手率、rank 自相关 | 回测框架通常不提供这套因子绩效口径 | 因子筛选阶段全部交给 Alphalens | 它给的是统计描述，不是「能不能赚钱」的结论 |
| 把因子变成可执行策略 | 不能：不含撮合、手续费、滑点、仓位与风控 | 回测框架负责订单、成交假设、资金曲线 | Alphalens 筛完因子，再拿进回测框架做策略 | 两边的时间戳与股票池必须一致，否则结果对不上 |
| 取行情与财务数据 | 不能：四个模块里没有任何数据源 | 回测框架自带或对接数据源（如 zipline bundle） | 自己准备数据，或用对话式技能先把数据取出来 | 数据对齐与复权处理是实际工作中最耗时的一步 |
| 组合绩效与风险分析 | 不做：这部分是 pyfolio 的领域（同源但已停更） | 回测框架常内置简版绩效统计 | 因子层面用 Alphalens，组合层面另找工具 | 两者之间有 create_pyfolio_input 衔接入口 |
| 选股与筛选标的 | 不能：它只评估给定的标的集合 | 也不做 | 先用选股类工具筛出股票池，再拿因子评估 | 用「当前成分股」回测过去会引入存活偏差 |
| 实盘下单 | 不能，也不应该 | 实盘框架负责 | 本站所有内容都不构成投资建议 | 研究结论与可交易性是两件事，详见「换手与自相关」页的成本一节 |
Advanced route
进阶问题分别在哪一页被回答
入门内容之外，下面是中文资料里普遍讲不透、而本站逐条给出做法或证据的长尾问题。直接跳到对应页面即可。
| 你的问题 | 去哪一页 | 那一节讲什么 | 形态 | 注意点 |
|---|---|---|---|---|
| 装不上 / 报错怎么最小修复 | 安装与版本边界 | 最小修复方案、不改 site-packages 的推荐做法、Windows+venv+Jupyter 最小配置 | 对照表 + 分步 + 可直接跑的示例 | 修复方案按本机实测记录，换环境需重测 |
| A 股数据怎么喂进来 | 因子输入契约 | AKShare / Tushare 转 Alphalens 格式、复权与停牌处理、常见数据错误清单 | 分步 + ≥8 行错误表 | 代码只演示格式转换，不保证任何数据源的可用性 |
| 会不会有未来函数 | 因子输入契约 | 五类时间轴、shift(-1) 何时合理、检测清单与本机实测对比图 | 时间轴示意 + 清单 + 真实运行图 | 「财务数据公告日」这类时点必须用原始数据核对 |
| 报告很漂亮，但因子可能是假的 | IC 分析 | 统计陷阱：多重检验、样本内外、walk-forward、重叠收益自相关、稳健标准误 | 对照表 + 检查清单 | 这些是方法学判断，不是库的功能 |
| 因子是不是只在赌行业/市值 | IC 分析 | 行业 / 市值 / Beta 中性化与因子正交化，中性化前后 IC 与分位收益对比 | 分步 + 对比表 | 中性化会削弱信号，是否中性化取决于研究问题 |
| 信号能撑多久、多久调一次仓 | IC 分析 | IC 衰减曲线（本机真跑，1/2/3/5/10/20/40 日）与持有期选择 | 真实运行图 + 判读表 | 图内为合成数据的机制演示 |
| 扣完成本还剩多少 | 换手与自相关 | 换手 → 成本的量级换算、示例假设下的成本前后收益、容量与冲击 | 真实运行图 + 假设表 | 成本假设是示例值，必须换成你自己的费率重算 |
| 多空组合真的能做出来吗 | 分位收益 | 涨跌停无法成交、成分变动、5 组与 10 组的选择、单调性检验 | 对照表 + 清单 | 报告里的多空价差通常不扣成本、不含无法成交的标的 |
| 源码怎么读、指标怎么算出来的 | tear sheet | 四个模块的计算原理：输入 → 处理 → 数学定义 → 输出字段 → 易误读处 | 速查表 | 以源码实现为准，本页只做导读 |
为什么只有 9 个页面：本站刻意不把长尾问题拆成独立页面——在站点主题权重建立之前，把内容放进已被索引的页面更容易被读到；所有进阶问题都落在上表对应的页面里，页内用锚点定位。
FAQ
Alphalens 常见问题
涉及 Alphalens 的表述以官方仓库文件与真实 issue 为准；本站未接任何真实行情数据源，所有运行记录均为合成数据。
Alphalens 到底是什么？
一个 Python 库，用一组标准指标评估「预测性（alpha）因子的历史表现」：因子收益、IC 信息系数、分组收益与换手率，最终输出 tear sheet 报告。它不做回测、不下单、不取数据。完整能力清单以官方 README 为准。
它还在维护吗？
主库没有归档，但最后一次代码提交是 2020-04-27，最新发行版 v0.4.0 发布于 2020-04-30。真正的更新发生在社区维护分支 alphalens-reloaded（2026-09-18 核验：最后推送 2025-12-15，PyPI 最新 0.4.6）。要不要继续用、用哪个分支，见「安装」页的决策表。
它是免费的吗？可以商用吗？
Apache-2.0 许可，可自由使用、修改与分发（LICENSE 文件里保留的版权声明是 Quantopian, Inc.）。具体授权条款以仓库 LICENSE 原文为准；本站不提供法律意见。
它能取行情数据吗？
不能。四个模块里没有任何数据源引用，价格表必须由使用者自己提供。这意味着「用 Alphalens 做 A 股因子分析」的实际工作量主要在取数与对齐数据上，不在库本身。取数环节可考虑本机已核验的 akshare-finance 或 tushare-finance 技能，或自己的数据源。
支持 A 股吗？
库本身与市场无关：只要有按交易日对齐的价格表和因子值就能算。但真实 issue #145 记录了中国市场数据触发时区相关报错（'Index' object has no attribute 'tz'），索引与频率处理需要自己先规整好，详见「报错」页。
它和 pyfolio、zipline 是什么关系？
官方 README 说 Alphalens 与 Zipline（回测）和 Pyfolio（组合绩效与风险分析）配合使用：Alphalens 管「因子好不好」，Pyfolio 管「组合表现如何」，两者之间还有 performance.create_pyfolio_input 这个衔接入口。Pyfolio 主库同样停更（PyPI 最新 0.9.2，2019-04-15）。
能在 EasyClaw 里安装或运行 Alphalens 吗？
没有已证实集成。本机技能目录里不存在任何 Alphalens 相关技能，也没有能把 Python 库装进对话环境的证据。可用的是取数、研究方法论与出图这类研究辅助能力，属于并列的另一条路线，入口在顶部导航「对比」。
本站的数字和结论是怎么来的？
项目事实来自 GitHub 公开 API、README.rst、setup.py、四个模块的源码解析与 PyPI 元数据；报错来自仓库里真实存在的 issue（每条都给出编号）；安装结论来自本机 Python 3.11.9 上的实际执行记录。本站没有使用任何真实行情数据源，示例运行使用合成数据并已在页面上标注。