多因子选股模型Chapter 7 Python量化投资基础教程教学课件第七章-多因子选股模型全文共27页，当前为第1页。目录大类因子合成01 02 03多因子选股模型构造多因子选股策略（ATR+ADTM指标） Python量化投资基础教程教学课件第七章-多因子选股模型全文共27页，当前为第2页。 1.细分因子相关性分析原理：因子相关性可由pearson和spearman方法计算得出。除了普通的相关性分析之外，因子的IC值整体变化方向的表现对相关性也具有一定的说明性。若细分因子的IC值整体变化方向一致，则说明细分因子之间存在显著相关性。计算： Pearson相关系数计算公式： x和y是截面的因子暴露向量，cov(x,y)是截面数据x和y的相关系数，ẟx和ẟy分别是x和y的标准差。 Spearman相关系数又称秩相关系数，是利用两变量的秩次大小作线性相关分析。其相关系数计算与Pearson相关系数计算是一致的，区别在于Spearman不是直接使用个股因子暴露向量，而是先对个股因子暴露进行排序，取因子的排序值代替因子暴露，进行相关系数计算。 Python量化投资基