好久没更，最近实在发生了太多的事情，人艰不拆。
很久之前我们聊到因子库的搭建与基本面因子的一些计算。这节主要讲基本面因子分析框架的搭建，为最后的决策的使用提供一个参考（为最后拍脑袋给权重提供一个依据）。
这里的分析主要还是针对基本面因子，技术因子的分析是另一个框架，因为技术因子的衰减比较快，分析的角度也会不一样。
1. 需要的数据
既然是分析基本面因子，我们分析的频率不需要那么高，可以放宽到月频。所以需要的数据大概如下：
- 行情数据，分析因子收益的时候需要用到
- 行业分类数据，现在用的比较多的是申万行业分类数据，但是这个数据在14年更新过一次，行业分类变多了，这样不能保证连续性，还得做回填的处理，比较麻烦，后面做风险模型使用申万的行业分类也会存在同样的问题，因此使用中信的会好一些。
- 风险因子数据，用来分析因子与一些常见风险因子的相关性，如果有现成的Barra或者Axioma风险模型的数据可以直接拿来用，没有的话可能需要自己去计算
暂时想到那么多，后买如果还要分析其它的再补充。当然，如果看过我上一篇文章，这些取数据的接口都可以往里面加。
2. 结果的呈现方式
数据准备完之后，现在不管是知乎，还是各家量化平台也好，都有大量关于因子分析的内容，但是很多都是直接拿QuantOpian的Alphalens框架来用，或者改改就变成自家的框架了。这套东西已经讲烂了，但我们还是要保持自己独立的思考，比如使用别人的框架可靠性怎么保证，功能够不够全，衍生性好不好等等
那么，如果我们自己开发的话，给自己或者团队的其他小伙伴用，怎么应该怎样呈现结果？如果使用一些量化平台的框架，基本上就是
- jupyter + matplotlib
- jupyter + js插件
第一种有点类似Quantopian开发的Alphalens，在notebook里面调用相关函数，然后使用matplotlib或者是seaborn出图。但这种方法对于不使用Python的用户来说不友好，他必须得打开jupyter才能看到，这样他还得装个anaconda，而且图的交互性不是很好，基本上是静态的。
第二种方案通过一些前端的插件，这样在可以直接在notebook里面直接出动态交互的图，想Bloomberge的BQuant，还要BigQuant好像都是这种形式，WindQuant勉强也算是吧，但总归来说对不使用Python的人来说不是很友好。
我这里还是比较推荐最终的结果通过Excel的形式给出，Excel现在绘图的交互性也不错，领导打开，既能看到还能编辑分析计算的结果，甚至还能看中间的计算过程，而且Excel的图可以直接移植到PPT当中，用于对外的展示，是一个比较合理的方案。
所以我们借助xlsxwriter这个Python库来帮助我们把分析的结果写入excel当中。
3. 分析的内容
那么我们需要从哪些角度来分析一个基本面因子呢？
- 因子的分布
- ic，spread
- ic衰减
- 换手率
- 5分位组表现
- 10分位组表现
- 月历效应
- 与常见因子的相关性
- 行业ic
- 分组ic
我简单的列了个大概，其实内容还是不少的。不想再多说为什么要做这些分析了，本来想放个结果给大家看下，但是公司电脑屏幕有水印，所以还是算了。这篇帖子，如果有学生感兴趣，可以交流细节，最好可以自己动手用Python实现，算是一项基本的练习，也一定会为自己的简历增色。
