1. 项目定位与用途
AlphaPurify是面向量化研究者的因子研究全流程Python工具库，定位为开箱即用的因子分析、清洗、回测、归因一体化解决方案，帮助量化研究者快速验证因子想法，降低因子研究全流程的开发与验证成本。项目覆盖从原始因子输入到最终效果验证的完整链路，无需用户自行搭建分散的工具链。
项目档案开源项目
eliasswu/AlphaPurify 是什么？用途、安装与使用指南
eliasswu/AlphaPurify：AlphaPurify是基于Polars开发的高性能量化因子分析Python库，覆盖因子预处理、IC测试、分位数回测、因子归因全流程，支持千万级本页整理它解决什么问题、适用场景、安装方式和使用方法。
AI 总结
AlphaPurify是基于Polars开发的高性能量化因子分析Python库，覆盖因子预处理、IC测试、分位数回测、因子归因全流程，支持千万级行数据秒级处理，大幅提升量化因子研究效率。
中文项目介绍
AlphaPurify是一款面向量化研究者的因子研究全流程Python工具库，致力于解决因子研究中工具零散、回测流程开发繁琐、验证效率低的核心痛点。
项目基于Polars实现Rust级向量化计算与多进程加速，内置零拷贝机制避免内存溢出，可快速处理千万级行金融数据，单次包含IC测试、多空/多空组合分位数回测及交互报告生成的完整流程仅需数十秒。
库内提供四大核心模块：AlphaPurifier负责因子预处理，内置42+去极值、中性化、标准化方法，覆盖超高频到低频全场景数据清洗；FactorAnalyzer支持IC/Rank IC测试、生产级分位数回测，可配置交易费用、滑点、再平衡周期等参数；Database支持按规范目录结构聚合Parquet格式金融数据、完成因子构建与存储；Exposures支持因子相关性分析与因子收益归因，帮助识别因子冗余与真实收益来源。
适用场景包括量化因子预处理与清洗、因子效果IC分析与分位数回测验证、因子收益归因与相关性分析、高频/低频金融因子的快速回测等。
详细信息与使用说明
2. 解决的问题
量化因子研究领域长期存在因子清洗工具零散、回测流程需自行搭建开发成本高、因子效果验证效率低、同类工具计算速度慢易出现内存溢出等问题。AlphaPurify通过内置全流程工具链、高性能计算引擎解决上述痛点，相比Qlib、Backtrader、Alphalens等同类量化库，具备更快的计算速度、更丰富的内置功能、更低的部署复杂度。
3. 适用场景
主要适用于股票类量化因子的全流程研究，也可扩展至其他金融资产类别的因子验证场景，具体包括：量化因子预处理与清洗、因子效果IC分析与分位数回测验证、因子收益归因与相关性分析、超高频到低频全频率金融因子的快速回测，适配从分钟级到年度的不同频率因子研究需求。
4. 安装方式
AlphaPurify要求Python版本≥3.10，支持Linux、Windows、macOS多平台。用户可通过pip install alphapurify从PyPI直接安装；若需源码安装，需提前配置pandas、polars、duckdb、plotly、numpy、scipy、pyarrow、joblib、scikit-learn、tqdm等依赖库，版本要求未在仓库中明确限定。
5. 使用方式
使用前需准备包含datetime（时间列）、symbol（资产标识列）及对应因子/价格列的数据集，支持pandas或polars DataFrame格式。调用AlphaPurifier类可使用42+内置方法完成去极值、中性化、标准化等因子清洗，可通过get_methods()查询所有支持的方法及参数；调用FactorAnalyzer类可开展IC测试、分位数回测，支持配置交易费用、滑点等生产级参数；调用Exposures类可完成因子相关性分析与归因；调用Database类可按规范目录结构（主目录下子目录存放各资产Parquet文件）聚合金融数据、完成因子存储。
6. 实现特点
底层基于Polars实现Rust级向量化计算与多进程加速，内置零拷贝机制避免内存溢出，处理千万级行数据（如15年CSI300全量数据）的完整回测及4份交互报告生成仅需25秒以内。回测模块采用全向量化建模，支持交易费用、滑点、再平衡、动态权重漂移等生产级参数配置，结果全链路可追溯；内置Plotly交互式可视化，可追踪任意时间戳、任意持仓方向、任意分位数bin的权重变动与资产收益。
思维导图
当前仓库信息不足，或结构不够稳定，暂时没有生成可靠的思维导图。
常见问题
eliasswu/AlphaPurify 是做什么的？
AlphaPurify是基于Polars开发的高性能量化因子分析Python库，覆盖因子预处理、IC测试、分位数回测、因子归因全流程，支持千万级行数据秒级处理，大幅提升量化因子研究效率。
eliasswu/AlphaPurify 适合用在什么场景？
AlphaPurify是面向量化研究者的因子研究全流程Python工具库，定位为开箱即用的因子分析、清洗、回测、归因一体化解决方案，帮助量化研究者快速验证因子想法，降低因子研究全流程的开发与验证成本。项目覆盖从原始因子输入到最终效果验证的完整链路，无需用户自行搭建分散的工具链。
eliasswu/AlphaPurify 如何安装？
AlphaPurify要求Python版本≥3.10，支持Linux、Windows、macOS多平台。用户可通过pip install alphapurify从PyPI直接安装；若需源码安装，需提前配置pandas、polars、duckdb、plotly、numpy、scipy、pyarrow、joblib、scikit-learn、tqdm等依赖库，版本要求未在仓库中明确限定。
eliasswu/AlphaPurify 如何开始使用？
使用前需准备包含datetime（时间列）、symbol（资产标识列）及对应因子/价格列的数据集，支持pandas或polars DataFrame格式。调用AlphaPurifier类可使用42+内置方法完成去极值、中性化、标准化等因子清洗，可通过get_methods()查询所有支持的方法及参数；调用FactorAnalyzer类可开展IC测试、分位数回测，支持配置交易费用、滑点等生产级参数；调用Exposures类可完成因子相关性分析与归因；调用Database类可按规范目录结构（主目录下子目录存放各资产Parquet文件）聚合金融数据、完成因子存储。