发布于VeighNa社区公众号【vnpy-community】
 
原文作者：用Python的交易员 | 发布时间：2026-04-28
 

在上一篇里，我们重点说明了 AlphaLab 的目录结构，以及日频 K 线、指数成分和 contract.json 怎样准备齐全。

到这一步，研究所需的本地数据已经有了稳定来源：行情可以通过 load_bar_df 读成表格，指数成分也可以通过 load_component_filters 约束样本范围。

接下来要解决的问题是：怎样把这些原始行情数据，变成模型可以训练和预测的因子表？

对于已经会写 Python、也接触过一些因子研究的读者来说，这一步通常会关心：

  1. 训练、验证、测试三段时间如何定义
  2. 因子列和标签列在表里应该如何组织
  3. 缺失值、标准化、去极值等预处理放在哪一步完成
  4. 内置的 Alpha 158、Alpha 101 因子集应该怎样理解

因此，本篇进入 AlphaDataset\：它负责把多标的行情面板整理成因子、标签和样本区间，并在模型训练前完成必要的数据预处理。可以先将它理解为：**AlphaDataset 管“模型要学什么、从哪段数据学、用哪段数据检验”。**

 

从行情面板到数据集

 

在官方工作流中，通常会先从 AlphaLab 读取指数成分对应的日频行情，并得到一个 Polars DataFrame。这个表至少会包含：

  • datetime：交易日期
  • vt_symbol：标的编码，例如 600000.SSE
  • open、high、low、close、volume、turnover、vwap 等行情字段

随后将这个表传入 AlphaDataset，并同时指定训练、验证、测试三段时间：

from vnpy.alpha import AlphaDataset

dataset = AlphaDataset(
    df=df,
    train_period=("2008-01-01", "2018-12-31"),
    valid_period=("2019-01-01", "2020-12-31"),
    test_period=("2021-01-01", "2023-12-31"),
)

这里的三段时间由 Segment 统一表示。Segment.TRAIN 表示训练集，Segment.VALID 表示验证集，Segment.TEST 表示测试集。后续模型训练、预测和结果检查时，都会围绕这三个区间取数。

需要注意的是，AlphaDataset 并不会在构造函数里立刻把所有因子算完。构造时只是保存原始行情表、三段日期区间，以及后续要用到的因子表达式、标签表达式和预处理器。真正的计算会在后面的 prepare_data 和 process_data 中完成。

 

因子与标签

 

AlphaDataset 中最常用的两个入口是 add_feature 和 set_label。

因子可以理解为模型的输入特征。例如过去 5 日收益、均线偏离、成交量变化、截面排名等，都可以作为特征列加入数据集：

dataset.add_feature("roc_5", "ts_delay(close, 5) / close")
dataset.add_feature("ma_20", "ts_mean(close, 20) / close")

这里的字符串表达式会在 vnpy.alpha 提供的时序函数、截面函数和数学函数环境里执行。常见前缀可以按直觉理解：

  • ts_：时间序列方向的计算，例如滚动均值、延迟、相关系数
  • cs_：同一交易日截面方向的计算，例如截面排名、截面标准化
  • ta_：部分常用技术指标

除了字符串表达式，add_feature 也可以接收 Polars 表达式，适合直接使用 Polars 原生写法的场景。

对于已经在外部算好的因子，也可以通过 result= 传入一个包含 datetime、vt_symbol 和因子值的结果表，prepare_data 时会按日期和标的合并。

标签则是模型要学习的目标，通常表示未来一段时间的收益或排序目标。例如内置 Alpha158 中的标签写法是：

dataset.set_label("ts_delay(close, -3) / ts_delay(close, -1) - 1")

它表达的是一个向未来看的收益目标。实际研究时，标签的定义要和后续持仓周期、调仓频率保持一致；如果标签和策略持有逻辑完全脱节，模型训练出来的预测值就很难直接转化为可解释的交易信号。

 

prepare_data：计算并合并

 

因子和标签定义好之后，下一步调用 prepare_data：

filters = lab.load_component_filters(index_symbol, start, end)
dataset.prepare_data(filters=filters, max_workers=6)

这一阶段主要完成三件事。

  1. 并行计算表达式因子：add_feature 中登记的字符串表达式或 Polars 表达式，会被批量计算成新的因子列；如果设置了 label，标签列也会在这一步生成。
  2. 合并外部因子结果：通过 result= 传入的外部因子，会按 datetime 和 vt_symbol 左连接到结果表中。
  3. 按指数成分过滤样本：若传入 filters，则只保留某只股票在指数成分存续区间内的样本，避免把非成分期的数据混入研究池。

可以把 prepare_data 理解为：把“怎么计算”落实成一张原始因子与标签表。

完成后，AlphaDataset 内部会形成 raw_df。它保留 datetime、vt_symbol，以及新计算出来的因子列和 label。这张表还没有经过完整预处理，因此更适合用于检查因子是否算出来、列名是否正确、缺失值是否集中在预期窗口。

 

process_data：生成训练与预测用表

 

prepare_data 之后，还需要调用 process_data 完成预处理：

dataset.process_data()

这里要理解 AlphaDataset 中的两条数据链：

  • infer_df：用于预测或推理的数据
  • learn_df：用于训练和验证的数据

二者最初都来自 raw_df，但可以挂不同的处理器。通过 add_processor("infer", processor) 添加的是预测链处理器；通过 add_processor("learn", processor) 添加的是训练链处理器。

默认 process_type="append" 时，AlphaDataset 会先按 infer 处理器生成 infer_df，再把它作为 learn_df 的起点，继续执行 learn 处理器。这样做的直觉是：训练和预测都需要一致的特征处理，但训练阶段可能还要额外处理标签或删除无效样本。

例如，一个常见思路是：

  1. 在 infer 阶段对特征做标准化或缺失值填充，保证未来预测时也能使用同样流程
  2. 在 learn 阶段删除标签缺失的行，避免模型训练时读到无效目标

后续模型会通过 fetch_learn(Segment.TRAIN)、fetch_learn(Segment.VALID) 或 fetch_infer(Segment.TEST) 等方法，按指定区间取出对应数据。

 

常用内置处理器

 

vnpy.alpha 在 dataset.processor 中提供了一些常见预处理函数，入门阶段不需要记住所有参数，但建议先理解它们各自解决什么问题。

  • process_drop_na：删除指定列存在缺失值的样本，常用于训练前剔除无效因子或标签。
  • process_fill_na：用固定值填充缺失值，适合希望保留样本行、同时让模型能够继续训练或预测的场景。
  • process_cs_norm：按交易日做截面标准化，可选择普通 z-score 或 robust 方法，用于减轻不同因子量纲差异。
  • process_robust_zscore_norm：基于中位数和 MAD 做稳健标准化，并可对极端值截断，适合异常值较多的因子表。
  • process_cs_rank_norm：按交易日做截面排名归一化，适合更关注相对排序、而不是原始数值大小的因子。

这些处理器并不是越多越好。实际使用时，应该根据模型类型和因子含义选择。例如线性模型通常更依赖特征尺度稳定，树模型对单调变换相对不敏感，但仍可能受缺失值和异常值影响。

 

开箱因子集

 

除了手工添加因子，vnpy.alpha 还内置了两个常见因子集：

  • Alpha158：参考 Qlib 的基础因子集合，包含 K 线形态、收益变化、均线、波动、量价关系等特征。
  • Alpha101：参考 WorldQuant Alpha 101，包含大量时序与截面组合表达式。

它们的意义不是让读者逐条背诵公式，而是提供一套可直接运行的基线。第一次跑通流程时，可以先用内置因子集完成从数据集、模型、信号到回测的闭环；等确认流程没有问题后，再逐步替换为自己的因子。

需要注意的是，这些因子集仍然遵守 AlphaDataset 的同一套机制：本质上都是在构造函数里批量调用 add_feature，并设置对应的 label。因此，理解了 AlphaDataset 的基本流程，也就理解了内置因子集如何接入后续模型。

 

因子分析与回测评价

 

AlphaDataset 还提供了 show_feature_performance(name)，用于查看某个因子的表现。它会基于 Alphalens 生成因子分层、前向收益等分析视图。

这里要特别区分两个概念：

  • 因子分析：关注单个因子或特征在截面上的排序能力，例如高分组和低分组未来收益是否有差异。
  • 策略回测：关注模型信号经过组合构建、换仓、费用和撮合之后，最终形成的净值、回撤和交易表现。

也就是说，show_feature_performance 更适合回答“这个因子本身有没有研究价值”；而后续回测更适合回答“把信号变成持仓之后，策略整体表现如何”。二者相关，但不能互相替代。

 

小结

 

这一篇的重点，是把 AlphaDataset 在整个投研链路中的位置讲清楚：它接收 AlphaLab 读出的行情面板，通过 add_feature 和 set_label 定义因子与标签，再通过 prepare_data 计算原始结果，通过 process_data 生成训练和预测所需的数据表。

可以先记住这条顺序：

行情面板 -> 因子和标签定义 -> prepare_data 计算合并 -> process_data 预处理 -> 按 Segment 取数

到这里，我们已经有了一张模型可以使用的因子表。下一篇将进入 AlphaModel：模型接口如何设计，fit(dataset) 与 predict(dataset, segment) 分别做什么，Lasso、LightGBM、MLP 三类示例模型各适合怎样的入门场景，以及训练好的模型如何保存和加载。