因子分析是量化研究的基本技能之一。通过因子分析，找出有效的因子，通过相关性去重后，就可以通过机器学习、线性回归等方法把因子组合起来，构成交易策略。
这一篇笔记我们就介绍如何使用 Alphalens 来进行单因子分析。我们使用的因子是低换手率因子。
股谚有一种说法，天量见天价，地量见地价。其背后的原理是，当成交量达到天量时，击鼓传花的游戏将后继乏人，难以持续，因而股价大概率回落。而成交量出现地量时，显示成交极为冷清，被套者无人愿割，因此由于失去做空力量，从而有可能向上反转。
衡量成交量的大小，我们可以有两种方法。
一种是在时间维度上，我们使用成交量是多少天（n）以来的最小值、最大值来表示。n 越大，包含的信息量就越大；另一种是在横截面维度上进行排名，此时需要先对成交量进行对齐，对齐的方式，就是将成交量转换成换手率。
手工计算需要两方面的数据，一是每日的成交额，另一组是流通股数。流通股数是一个低频变化的数据，也需要进行复权，计算比较复杂。所以，我们一般直接从数据源处获得此数据。
这篇笔记我们仍然使用免费的 akshare 来获取相关数据。不过，考虑到 QMT 量化权限的开通门槛现在已经很低了，只要开通了 QMT，也就相当于免费获得了这些数据，因此后面的笔记就会主要使用 QMT 来获取数据了，只有在某些品种 QMT 还没有提供时，我们才会使用 akshare。
我们的低换手率因子将构建在沪深 300 成份股上。整个构建过程是：
💡 1. 获取沪深 300 成份股代码
💡 2. 获取一段时间内 300 成份股的价格和换手率数据
💡 3. 生成 alphalens 需要的 factor 和 forward returns 数据
💡 4. 进行因子检验分析
Alphalens 能生成的报告非常多（下图为其中之一），所以，第 4 步我们将分几篇笔记详细进行介绍。
一个完整的因子分析流程包括原始数据获取、生成因子、数据（及因子）预处理、因子检验。
预处理包括缺失值统计、中性化、去极值、标准化等操作；因子检验则有 IC 法、分层回测等方法。
因子生成因为涉及到核心算法，需要由研究员自己完成，其它的部分，我们掌握原理之后，就可以借助框架来完成。不过，在本例中，因子生成无须另外构造，我们直接使用换手率就好。
获取数据
我们通过下面的代码来获取沪深 300 成份股代码：
import akshare as akdf = ak.index_stock_cons_csindex(symbol="000300")
secs = df["成分券代码"]
secs
我们通过 index_stock_cons_csindex 这个 API 来获取指数成份股，沪深 300 的代码是 000300。
你将会看到 000001, 000002 等输出。akshare 输出的证券代码很多时候是不带交易所（前）后缀的。
接下来我们获取这些标的的收盘价和换手率。在 akshare 中，stock_zh_a_hist 这个 API 的返回值中，同时包含了收盘价和换手率：
bars = ak.stock_zh_a_hist("000001", adjust&
