用拓扑数据分析挖掘量化因子：从持久同调到Python实战

在量化研究里经常遇到这样一类问题：日常使用的动量、波动率、均线偏离等因子，本质上是价格序列的一阶或二阶统计量，一旦行情进入复杂的震荡、趋势切换和量价背离阶段，这些统计特征容易钝化。近几年，不少量化团队开始尝试用拓扑数据分析（TDA）从“形状”和“连通性”的角度去刻画行情结构，并把提取到的持续性特征作为新的候选因子。本文会围绕这个方向做一次完整的实战拆解，从拓扑数据分析的基本概念讲起，逐步完成 Python 环境配置、时间序列点云构建、持久图计算、拓扑特征提取以及因子 IC 和分组收益检验，适合已经有 Python 基础、想了解 TDA 因子挖掘方法的量化研究者和数据科学从业者。

这里先说明一点：本文不是论文复现，也不是宣称 TDA 因子一定能提升收益，而是给出一套可以照着运行、照着扩展的最小闭环方案。读完这篇文章，你能够自己把任意一段行情数据转换成拓扑因子，并接入已有的多因子分析流程。

1. 为什么用拓扑数据分析做行情结构因子挖掘

1.1 传统行情因子的局限

传统因子大多建立在价格、成交量、持仓量等数据的统计特征上，例如：

• 动量因子：过去 20 日收益率。
• 波动率因子：过去 20 日收益率的滚动标准差。
• 均值回归因子：当前价格偏离移动平均线的程度。
• 量价相关性因子：成交量与价格的相关系数。

这类因子有一个共同特点：它们描述的是数据的“数值分布”或“时间相关性”，很难描述数据作为一种几何对象时的“结构”。比如两个标的过去 20 天的收益率均值、标准差完全一致，但一个呈现缓慢爬升趋势，另一个呈现反复震荡格局，传统统计因子可能把它们看成同一类状态。拓扑数据分析的作用，就是把这种“形状差异”变成可计算的数值特征。

另一个常见问题是：金融时间序列噪声大、非平稳，传统特征对异常值敏感。拓扑不变量对连续形变具有不变性，这是 TDA 在噪声环境下仍有价值的重要原因。

1.2 拓扑数据分析能做什么

拓扑数据分析（Topological Data Analysis）是一种基于代数拓扑和计算几何的数据分析方法。它不直接关心数据的坐标，也不关心数据降维到几个主成分，而是关注数据点云在多个尺度下的连通分支、环状结构、空洞等拓扑特征。

在行情结构因子挖掘中，TDA 通常被用来做两件事：

• 第一，把一维行情序列通过“滑窗嵌入”构造为高维点云，再用 TDA 描述这个点云内部的结构。
• 第二，计算持久图，从图的点分布中提取数值特征，例如持久环的数量、寿命、总持久性等，这些数值可以作为候选因子进入多因子模型。

与 PCA、t-SNE 等降维方法相比，TDA 更适合回答“数据里是否存在某种持续存在的结构”这一类问题，而不是“数据如何排列在一个平面上”。这一点恰好契合行情结构研究中对“趋势持续性”“震荡循环”“状态切换”等概念的描述需求。

1.3 拓扑因子与传统因子的边界

拓扑因子并不是要完全替代传统因子。它在实际研究中的角色更像是一种“增量视角”：

• 传统因子擅长捕捉线性趋势和波动强度。
• 拓扑因子擅长捕捉循环结构、分离结构和多尺度下的持续性特征。

因此，一个比较合理的做法是：先独立计算拓扑因子，再与动量、波动率、流动性等传统因子放在同一个正交化框架里比较，观察它是否提供了额外的预测信息。如果拓扑因子与已有因子高度相关，那么它的贡献有限；如果相关性低且 IC 稳定，就需要进一步研究其背后的行情解释。

2. 拓扑数据分析的核心概念

2.1 点云：从行情序列到高维空间

拓扑数据分析处理的对象通常是“点云”，也就是一组点的集合。行情数据是时间序列，不能直接输入 TDA 管线，需要先转换成点云。最常见的转换方式是“滑窗嵌入”。

假设我们有过去 60 个交易日的收益率序列：

r_1, r_2, ..., r_60

用长度为 10 的窗口、步长为 2 去切分这段序列，就能得到一系列子向量：

[r_1, r_2, ..., r_10] [r_3, r_4, ..., r_12] [r_5, r_6, ..., r_14] ...

每个子向量可以看作是 10 维空间中的一个点，所有子向量的集合就是一个点云。这样，一个时间窗口内的行情状态，就被映射成为高维空间中的一块点云。后面的持久同调计算，都是在这块点云上进行的。

这里需要注意两种滑窗概念的区别：

• 第一种是“行情样本的滑窗嵌入”，用于把一个序列转成点云，本文使用这种方式。
• 第二种是“因子计算的滚动窗口”，每隔若干根 K 线滑动一次，用于生成时间序列上的因子值。

在实战代码中，两者会同时出现，需要区分清楚。

2.2 单纯复形与过滤

得到了点云之后，TDA 需要在点云上构造一种叫做“单纯复形”的组合结构。简单理解，单纯复形是由点、边、三角形、四面体等基本几何单元按规则拼成的结构。

最常用的是 Vietoris-Rips 复形，简称 Rips 复形。它的构造规则如下：

• 当两个点之间的距离小于阈值 ε 时，这两个点之间连一条边。
• 当三个点两两之间的距离都小于 ε 时，这三个点构成一个三角形。
• 当四个点两两之间的距离都小于 ε 时，这四个点构成一个四面体。

随着 ε 从 0 逐渐增大，点云中会有越来越多的边、三角形和更高维的单纯形出现，整个过程称为“过滤”。这个动态扩张的过程，是后续计算拓扑特征的核心基础。

Rips 复形之所以被广泛使用，是因为它只需要点云的距离矩阵，计算方式直接，适合处理各类点云数据。虽然它的单纯形数量增长很快，但配合持久同调的加速算法，在中小规模点云上仍然很高效。

2.3 持久同调与持久图

在过滤过程中，点云里的拓扑结构会不断出生和消失：

• 0 维拓扑特征代表“连通分量”，即相互连接在一起的点的集合。
• 1 维拓扑特征代表“环”或“孔洞”，即点云中形成的闭合圈。
• 2 维拓扑特征代表“空腔”，类似三维空间中的气泡。

每个拓扑结构都有一个“出生尺度”和一个“死亡尺度”。如果某个环在很大尺度范围内始终存在，说明它不是一个偶然的噪声结构，而可能对应数据中比较显著的循环或周期模式。

持久图是记录这些出生和死亡信息的二维图。图中每个点对应一个拓扑特征：

• 横坐标是出生尺度。
• 纵坐标是死亡尺度。
• 点离对角线越远，说明该结构存在的时间尺度越长，越重要。

例如，H0 持久图上的点，通常有一个点是无穷大，对应最大的连通分量；H1 持久图上的点，反映的是点云中显著环的数量和寿命。

持久图的价值在于：它完整记录了数据在多尺度下的拓扑指纹。接下来提取因子，本质上就是把持久图压缩成一个个可用于截面排序的数值指标。

2.4 从持久图到拓扑因子

持久图本身是二维分布，不能直接作为单因子使用，还需要进一步特征化。常用特征包括：

• 持久环数量：有限寿命拓扑特征的数量。
• 平均寿命：所有非无穷点的寿命均值。
• 最大寿命：寿命最长的特征对应的尺度差。
• 总持久性：所有有限寿命之和。
• 各维特征的组合：把 H0 和 H1 的特征拼接起来，或做组合运算。

这些特征可以在每个滚动窗口上计算，形成一条因子时间序列。之后再和未来收益做相关分析，就完成了“拓扑结构”到“候选因子”的映射。

如果希望比较两段行情之间的拓扑差异，还可以使用持久图之间的 Bottleneck 距离或 Wasserstein 距离。这会进入更细粒度的行情分类和状态识别场景，本文先不做展开。

3. 环境准备与依赖安装

3.1 运行环境

本文示例使用 Python 3.8 及以上版本即可，推荐使用 Python 3.9 或 3.10。操作系统可以是 Windows、macOS 或 Linux。建议先在项目目录下创建独立的虚拟环境，避免依赖冲突。

示例中主要使用以下库：

• numpy：数值计算。
• pandas：行情数据和因子处理。
• scipy：Spearman 相关系数计算。
• ripser：持久同调计算，核心计算库。
• matplotlib（可选）：持久图可视化。

其中 ripser 是 Topological Data Analysis 中最常用的 Python 包之一，底层使用 C++ 实现，计算速度较快。另一个常用库是 giotto-tda（gtda），它提供了更完整的管线封装，但依赖相对较重。为了减少环境复杂度和保持代码可读性，本文使用 ripser。

3.2 安装依赖

在项目根目录打开终端，使用以下命令安装：

pip install ripser persim numpy pandas scipy matplotlib

如果你的机器上已经配置了 Jupyter Notebook，也可以直接在 notebook 中运行以上命令。安装完成后，可以用一行代码验证：

from ripser import Rips import numpy as np print("RipsER version OK")

如果安装过程中遇到编译失败问题，通常是因为 pip 版本过低、缺少编译器或者系统 Python 版本过旧。建议先把 pip 升级到最新版本，再安装：

pip install --upgrade pip

不建议在系统全局环境里直接安装这些科学计算库，尤其当系统 Python 被其他项目依赖时，很容易出现版本冲突。

3.3 一个最小可运行示例

安装完依赖后，可以先运行下面这个最小示例，确认持久同调计算链路正常：

from ripser import Rips import numpy as np np.random.seed(0) # 生成 80 个三维点 points = np.random.normal(size=(80, 3)) rips = Rips(maxdim=1) dgms = rips.fit_transform(points) print("H0 点数:", len(dgms[0])) print("H1 点数:", len(dgms[1]))

如果能够正常输出 H0 和 H1 的点数，说明 ripser 安装成功，后续的因子挖掘实验可以在此基础上进行。

4. 完整实战：从行情序列到拓扑因子

为了把前面的概念串起来，这一节实现一个完整的因子挖掘流程：使用一段模拟行情数据，滑窗构建点云，计算持久图特征，构造拓扑因子，并做初步的 IC 和分组收益检验。

4.1 实验设计

整体流程可以拆成以下五个步骤：

1. 构造演示行情数据：用几何布朗运动生成一段日线价格和收益率序列。
2. 对每个分析窗口中的收益率序列做滑窗嵌入，构建高维点云。
3. 使用 RipsER 计算点云的 H0 和 H1 持久图。
4. 从持久图中提取各维度的总持久性、平均寿命、最大寿命等特征。
5. 将拓扑特征作为候选因子，与未来 20 日收益计算 Spearman IC，并查看分组收益。

这里使用模拟数据的主要原因是保证代码可复现。换成真实行情数据时，只需要把df替换成包含close和ret列的数据框即可。

4.2 构建行情数据与滑窗点云

先看数据部分。我们生成 1500 个交易日的模拟收盘价和收益率：

import numpy as np import pandas as pd np.random.seed(42) n_days = 1500 rets = np.random.normal(0.0003, 0.01, n_days) close = 100 * np.cumprod(1 + rets) idx = pd.date_range("2021-01-04", periods=n_days, freq="B") df = pd.DataFrame({"close": close}, index=idx) df["ret"] = df["close"].pct_change().fillna(0) df.head()

这里使用的pct_change()会计算日收益率，后面的滑窗嵌入基于收益率而不是收盘价。原因是收益率序列通常更平稳，而价格序列带有明显的趋势和量纲，直接用价格做距离计算容易被绝对水平主导。

接下来定义滑窗嵌入函数，把一个等长序列切分成多个高维子向量：

def build_point_cloud(series, embed_dim=10, embed_step=2): """ 将一维序列转换为高维点云。 参数说明： series: 一维收益率序列 embed_dim: 子窗口长度，决定点云维度 embed_step: 子窗口采样步长 """ n = len(series) points = [ series[i:i + embed_dim] for i in range(0, n - embed_dim + 1, embed_step) ] # 如果序列长度不够，至少保留一个点 if not points: points.append(series[-embed_dim:]) return np.array(points)

这里的核心思路是：在同一个分析窗口内部，把连续的embed_dim个收益率视为一个点，然后让窗口在序列上滑动，得到一系列点。这些点在embed_dim维空间中形成一块点云，后续的拓扑结构就从这块点云中计算。

4.3 计算持久图并提取拓扑特征

下面定义拓扑特征提取函数。它对每个点云调用 RipsER 计算 H0、H1 两维的持久图，并输出四个常见特征：拓扑特征数量、平均寿命、最大寿命和总持久性。

from ripser import Rips # 复用同一个 Rips 对象，避免反复初始化 rips = Rips(maxdim=1, verbose=False) def compute_topological_features(series, embed_dim=10, embed_step=2): """ 输入：一段收益率序列 输出：H0 和 H1 的拓扑特征字典 """ pc = build_point_cloud(series, embed_dim, embed_step) # 对每个维度做标准化，减弱量纲差异的影响 pc = (pc - pc.mean(axis=0)) / (pc.std(axis=0) + 1e-9) dgms = rips.fit_transform(pc) feats = {} for dim in range(2): dgm = dgms[dim] # 去掉死亡时间为无穷大的点 finite = dgm[np.isfinite(dgm[:, 1])] if len(finite) == 0: lifetimes = np.array([0.0]) else: lifetimes = finite[:, 1] - finite[:, 0] feats[f"h{dim}_num"] = len(finite) feats[f"h{dim}_mean_life"] = lifetimes.mean() feats[f"h{dim}_max_life"] = lifetimes.max() feats[f"h{dim}_total_pers"] = lifetimes.sum() return feats

这里有几个实现细节需要说明：

• Rips(maxdim=1)会同时计算 H0 和 H1，H2 及以上维数计算成本更高，在行情结构研究中通常先从 H1 开始验证。
• 持久图中包含死亡时间为正无穷的点，它们代表始终存在的连通分量或环，统计寿命时通常剔除，否则会出现无穷大值。
• 对点云按列标准化后，持久图的绝对尺度会发生变化，但特征之间的相对大小仍可用于因子排序。如果你希望保留行情的原始振幅信息，可以去掉标准化步骤。

4.4 滚动计算因子

有了拓扑特征提取函数之后，就可以滚动生成因子时间序列。参数选择如下：

• analysis_window = 60：每个因子样本回溯 60 个交易日。
• embed_dim = 10：子窗口长度。
• embed_step = 2：点云内部滑窗步长。
• sample_step = 5：每隔 5 个交易日计算一次因子，降低计算量。

代码如下：

analysis_window = 60 embed_dim = 10 embed_step = 2 sample_step = 5 records = [] for end in range(analysis_window, len(df), sample_step): window_ret = df["ret"].iloc[end - analysis_window:end].values feats = compute_topological_features(window_ret, embed_dim, embed_step) feats["date"] = df.index[end - 1] records.append(feats) factor_df = pd.DataFrame(records).set_index("date") print(factor_df.head())

这个循环的本质是：在每一个因子生成日，只使用当天之前analysis_window个交易日的数据计算拓扑特征，不包含未来数据，这符合因子计算中“避免前视偏差”的基本要求。

输出会得到一个包含多列拓扑特征的因子表，例如：

• h0_num：H0 连通分量数量，通常与分析窗口内点云的点数接近。
• h1_num：H1 环的数量。
• h1_total_pers：H1 总持久性，是后续最常用的拓扑因子。
• h1_max_life：H1 最大寿命，代表最显著环的持续尺度。

4.5 因子有效性初评：IC 与分组收益

因子构造完成后，需要评估它是否与未来收益存在相关性。这里使用未来 20 日收益作为预测目标：

from scipy.stats import spearmanr # 计算未来 20 日收益 factor_df["ret_future20"] = ( df["close"].shift(-20) / df["close"] - 1 ).reindex(factor_df.index) # 全局 Spearman IC for col in ["h0_total_pers", "h1_total_pers", "h1_max_life"]: ic, pval = spearmanr(factor_df[col], factor_df["ret_future20"]) print(f"{col}: Spearman IC = {ic:.4f}, p-value = {pval:.4f}")

Spearman IC 衡量因子值和未来收益之间的秩相关性，取值范围在 -1 到 1 之间。绝对值越大，说明因子的单调预测能力越强。通常在实际因子研究中，我们会观察 IC 的均值、标准差和 IC > 0 的占比，而不能只看某一段时间的 IC。

分组收益检验可以让因子的单调性看得更直观：

# 按 H1 总持久性分成 5 组 factor_df["quantile"] = pd.qcut( factor_df["h1_total_pers"], 5, labels=False, duplicates="drop" ) group_ret = factor_df.groupby("quantile")["ret_future20"].mean() print(group_ret)

如果因子的分组收益呈现明显的单调上升或下降，说明该因子对收益截面有较强的解释力；如果分组收益没有规律，则说明该拓扑特征在模拟数据上没有预测价值。

4.6 结果解读

需要强调，使用随机模拟数据运行上述脚本时，IC 通常会接近 0，分组收益也不会有明显单调性。这是正常现象，因为几何布朗运动产生的价格序列本身没有可预测的结构。更重要的是，这套流程可以完整地运行，并且已经展示了从行情序列到拓扑因子再到因子检验的全部环节。

当你把数据源换成真实行情数据后，需要注意两个判断维度：

• 第一，拓扑特征是否稳定。如果某个标的的 H1 特征时有时无，说明它的行情结构在不同时期差异较大，因子适用性有限。
• 第二，拓扑因子是否提供增量信息。即使拓扑因子本身 IC 较高，也需要和传统动量、波动率因子做正交化检验，确认它不是已有因子的重复表达。

5. 常见问题与排查思路

5.1 计算量太大、内存暴涨

Rips 持久同调需要计算点云两两之间的距离，因此复杂度随点数增加明显上升。如果点云数量超过几千个点，可能会遇到内存不足或计算时间过长的问题。

可以采取以下优化手段：

• 增大embed_step，减少点云内的点数。
• 增大sample_step，减少滚动因子的频次。
• 对点云进行随机降采样，但要注意不要破坏核心结构。
• 分时段计算，避免一次性处理整段超长历史数据。

在实际项目中，更推荐把持久图计算缓存下来。因为同样的行情数据，在参数不变时，拓扑特征不会变化，重复计算只会浪费计算资源。

5.2 持久图里大量噪声点

持久图中的点数量很多，并不代表行情结构丰富。真正的“有效结构”通常只占少数，大多数点离对角线非常近，可以被视为噪声。

处理思路是设置寿命阈值：

# 例如只保留寿命大于 0.1 的特征点 valid = dgm[np.isfinite(dgm[:, 1])] valid = valid[valid[:, 1] - valid[:, 0] > 0.1]

但寿命阈值的设定需要谨慎，过大的阈值会丢失真实结构，过小的阈值又无法过滤噪声。建议先画出持久图观察分布，再决定阈值范围。

另外，数据标准化会显著影响寿命大小。如果对点云做了标准化，特征的寿命阈值需要重新校准，不能直接使用未标准化时的经验值。

5.3 H1 特征不稳定

H1 特征常常出现时有时无的情况，尤其在行情趋势非常强的时候，收益率点云可能呈一条倾斜的流形，内部没有明显的环状结构，因此 H1 总持久性可能为 0。

面对这种情况，可以考虑：

• 使用 H0 和 H1 的组合特征，而不是只依赖 H1。
• 在更长周期上观察，例如用周线数据代替日线。
• 引入成交量、振幅等多维特征，让点云包含更多结构信息，而不是只使用收益率。

5.4 参数选择与过拟合

拓扑因子涉及的参数较多，例如analysis_window、embed_dim、embed_step和sample_step。参数不同，因子分布可能差异很大。如果在某组参数下 IC 很高，但参数稍微调整就失效，很可能是在过拟合历史数据。

推荐的做法是做一个参数敏感性矩阵：固定其他参数，对目标参数从小到大变化，观察 IC 的均值和稳定性。如果因子在较宽的参数范围内都表现稳定，那么它进入组合模型的可信度会更高。

常见问题汇总如下：

6. 工程实践与量化应用建议

6.1 数据清洗与预处理

拓扑特征对输入数据的量纲和尺度比较敏感。如果点云中同时包含收益率、成交量和振幅，不同特征的数值范围差异很大，距离度量会被数值较大的维度主导。建议在构造点云前统一做标准化，或者先对各列做 winsorize 处理，降低极端值的影响。

同时要注意，行情数据中的除权除息、停牌、异常大单都可能产生孤立点或异常距离，这会直接污染持久图。最好先做复权处理和停牌过滤，再进入 TDA 计算流程。

6.2 因子去极值与中性化

计算出的拓扑因子往往带有明显的截面分布偏度，直接参与回归或排序可能受到极端值影响。在进入多因子模型前，建议做以下处理：

• 去极值：例如用中位数加减 5 倍 MAD 截断。
• 标准化：将因子转换为 z-score。
• 中性化：如果因子与市值、行业、波动率大小存在显著相关，可以用线性回归把因子残差化，得到风险中性后的拓扑因子。

这一步对所有因子都适用，拓扑因子也不例外。否则后续的 IC 分析可能只是因为因子间接暴露在行业或市值因子上。

6.3 滚动窗口与计算缓存

在真实项目中，通常需要每天或每周更新因子，而不是只计算一次。拓扑特征的计算成本比普通统计特征高，建议把持久图结果按“标的 + 参数 + 截止日期”缓存