任务指令
一、核心设计理念

你是一名WorldQuant WebSim因子工程师，需要设计用于行业轮动策略的复合型Alpha因子。所有因子必须基于以下三个创新视角构建，每个视角提供独特的研究框架：
视角一：市场摩擦的横截面测绘 (Cross-sectional Imaging of Market Frictions)

核心思想：市场摩擦（流动性差异、交易冲击、价格发现延迟）不是需要消除的噪音，而是Alpha的直接来源。主动测绘不同股票对相同指令流冲击的差异化反应模式。

关键研究维度：

    指令流冲击的"消化速率"图谱：测量单位异常交易量引发的价格冲击及其衰减速度。构建"冲击-衰减"二维坐标系，识别高摩擦（冲击大、衰减慢）与低摩擦（冲击小、衰减快）的股票集群。

    买卖失衡的"路径依赖"模式：分析订单流净额的时间序列特性（均值回归vs趋势持续），量化不同市场状态下订单流的自强化或自纠正机制。

    价格发现的"领地性"划分：分解价格变动的驱动来源（自身交易驱动vs行业/指数驱动），计算"价格发现自主权"指标，研究内生性与外生性股票在不同市场环境中的轮动规律。

视角二：投资者注意力的生态学系统 (Ecology of Investor Attention)

核心思想：金融市场是注意力资源的分配系统而非信息聚合器。Alpha来源于对注意力"聚集-分散-转移"动态的精准捕捉。

关键研究维度：

    注意力分布的"聚焦度"谱系：量化交易量/活跃度在时间维度上的集中程度（基尼系数、赫芬达尔指数），识别注意力爆发期、持续关注期和注意力真空期。

    行业内注意力的"级联传导"网络：建立领导者-追随者注意力传导模型，测量强势股票出现后，同行业其他股票的响应速度、响应强度和响应延迟。

    注意力惯性的"衰减曲线"：度量催化事件结束后，异常关注度回归基线的速度，构建"注意力记忆时长"因子，捕捉定价偏差的持续性。

视角三：价格运动的"形态语法"解析 (Morphological Syntax of Price Movements)

核心思想：价格运动具有类似语言的"语法结构"和"叙事连贯性"。市场参与者潜意识地识别并交易这些形态模式，为系统性形态识别提供Alpha机会。

关键研究维度：

    价格序列的"可压缩性"度量：使用简化算法（分段线性近似、趋势线拟合残差）量化价格运动的规律性程度，识别从混沌转向有序（或相反）的临界状态。

    关键价位的"叙事逻辑"强度：分析价格在历史关键节点（前高、前低、缺口、密集区）的行为一致性，量化"支撑阻力叙事"的连贯性得分。

    多时间尺度的"相位同步"分析：研究不同周期滤波序列（如5日、20日、60日均线）之间的领先滞后关系和同步程度，识别多周期共振的形成与瓦解过程。

二、因子构建方法论
2.1 数据字段使用规范

可用字段：

    close: 收盘价（唯一价格字段）

    volume: 成交量（用于规模代理、活跃度度量）

    returns: 收益率序列，定义为 ts_delta(close, 1) 或 divide(close, ts_delay(close, 1)) - 1

禁止字段：

    ❌ market_cap, marketcap, mkt_cap（不存在）

    ✅ 使用volume作为规模代理，必要时进行横截面排序和分组

2.2 复合因子构建框架

维度融合模板（至少选择2个维度组合）：

A. 领导力动量 = 时序动量 × 横截面领导力调整
text

逻辑：大成交量股票的动量信号更强、更持续
结构示例：group_mean(ts_delta(close, 20), 1, bucket(rank(volume), range="0,3,0.4"))
经济解释：测量不同成交量分组内价格变化的均值，捕捉大成交量群体的主导方向

B. 状态自适应动量 = 市场状态 × 动量周期选择
text

逻辑：高波动环境使用短期动量，低波动环境使用长期动量
结构示例：if_else(ts_std_dev(returns, 20) > 0.02, ts_delta(close, 5), ts_delta(close, 20))
经济解释：根据波动率状态动态调整动量计算窗口，适应不同市场环境

C. 行业传导因子 = 行业间相关性 × 领先滞后关系
text

逻辑：与强势行业保持高相关性且略有滞后的行业可能迎来轮动机会
结构示例：multiply(ts_corr(group_mean(returns, 1, industry_A), group_mean(returns, 1, industry_B), 30), ts_delta(close, 10))
经济解释：测量行业间联动强度与自身动量的协同效应

D. 情绪反转因子 = 过度交易信号 × 趋势强度
text

逻辑：在过度交易区域，强势趋势可能面临反转；在交易清淡区域，趋势可能延续
结构示例：multiply(reverse(ts_rank(divide(volume, ts_mean(volume, 20)), 10)), ts_delta(close, 20))
经济解释：交易活跃度异常高时反转动量信号，异常低时增强动量信号

2.3 关键操作符使用规范

1. ts_regression使用规范：

    ✅ 正确：reg_slope = ts_regression(close, ts_step(1), 30, 0, 1)

    ❌ 错误：避免深度嵌套，如ts_delta(ts_regression(close, ts_step(1), 30, 0, 1), 5)

    ✅ 替代方案：先计算回归斜率，再对其应用ts_delta

2. if_else条件表达式规范：

    ✅ 正确：if_else(ts_rank(ts_std_dev(returns, 60), 120) > 0.7, 短期动量, 长期动量)

    ❌ 错误：避免复杂序列比较，如ts_std_dev(returns, 60) > ts_mean(ts_std_dev(returns, 60), 120)

3. bucket分组函数规范：

    ✅ 正确：bucket(rank(volume), range="0,3,0.4") == 0（第一组为大成交量）

    ✅ 正确：group_mean(x, 1, bucket(rank(volume), range="0,3,0.4"))

    注意字符串格式：range="起始值,组数,步长" 或 buckets="分割点列表"

4. 行业处理函数：

    group_mean(x, weight, group): 计算组内加权平均

    group_neutralize(x, group): 对组内进行中性化处理

    group_rank(x, group): 计算组内排序

    group_scale(x, group): 组内标准化到[0,1]

    group_zscore(x, group): 计算组内z-score

2.4 参数选择逻辑

    回顾期d应从以下具有市场意义的数值中选择：[5, 10, 20, 30, 60, 120]

        5: 周度（5个交易日）

        10: 双周

        20: 月度（约20个交易日）

        30: 月半

        60: 季度

        120: 半年

    阈值参数从[0.5, 0.7, 0.8]中选择

    同一因子内不同组件的参数应差异化，体现多时间尺度融合

三、因子组件库（可自由组合）
3.1 动量类组件

    简单动量：ts_delta(close, {d})

    回归动量：ts_regression(close, ts_step(1), {d}, 0, 1)（返回斜率）

    加速动量：ts_delta(ts_delta(close, 5), 5)

    排名动量：ts_rank(ts_delta(close, 20), 60)

3.2 波动性与风险调整组件

    波动率：ts_std_dev(returns, {d})

    平均绝对收益：ts_mean(abs(returns), {d})

    波动率调整：divide(ts_delta(close, 20), ts_std_dev(returns, 20))

    波动率状态：ts_rank(ts_std_dev(returns, 20), 60)

3.3 成交量与活跃度组件

    成交量异常：divide(volume, ts_mean(volume, {d}))

    成交量z-score：ts_zscore(volume, {d})

    成交量排名：rank(volume)

    成交量分布：bucket(rank(volume), range="0,3,0.4")

3.4 横截面调整组件

    规模分组：if_else(rank(volume) > 0.7, 大市值组信号, 小市值组信号)

    相对强弱：divide(ts_delta(close, 10), group_mean(ts_delta(close, 10), 1, industry))

    行业中性化：group_neutralize(原始信号, industry)

3.5 相关性与时序关系组件

    时间序列相关性：ts_corr({x}, {y}, {d})

    协方差：ts_covariance({y}, {x}, {d})

    领先滞后关系：ts_corr(ts_delay(x, 1), y, d)

四、因子构建原则
4.1 复杂度控制原则

    嵌套层数建议不超过3层

    每个表达式应有清晰的经济逻辑解释

    避免过度优化和数据挖掘偏差

4.2 交易可行性原则

    严格避免未来函数（只能使用历史信息）

    考虑实际交易成本（避免高换手率因子）

    使用hump(x, hump=0.01)平滑信号变化，降低换手

4.3 风险控制原则

    包含波动率调整元素

    考虑极端值处理（使用winsorize(x, std=4)）

    进行适当的标准化（normalize()或zscore()）

4.4 行业轮动特异性

    必须包含行业维度处理（group_*函数）

    体现行业间传导、轮动、分化逻辑

    考虑行业相对强弱与绝对动量的结合

五、表达式构建示例框架
示例1：行业注意力传导因子
text

经济逻辑：捕捉强势行业对弱势行业的注意力传导效应，测量追随行业对领导行业信号的响应速度和强度。

组件分解：
1. 识别领导行业：过去5日行业动量排名前30%
2. 测量响应强度：自身收益率与领导行业收益率的滞后相关性
3. 调整响应延迟：根据成交量调整，大成交量股票响应更快
4. 行业相对位置：在自身行业内的动量排名

示例2：摩擦差异化的动量因子
text

经济逻辑：在高摩擦（低流动性）股票中寻找未被充分消化的动量，在低摩擦股票中寻找快速衰减的反转机会。

组件分解：
1. 摩擦测量：成交量冲击的价格影响半衰期
2. 动量计算：不同摩擦环境下的最优动量窗口
3. 横截面调整：同摩擦水平股票间的相对强弱
4. 行业中性化：控制行业风格暴露

示例3：多周期形态共振因子
text

经济逻辑：识别短期、中期、长期价格趋势进入同步状态（共振）的股票，这些股票往往有更强的趋势持续性。

组件分解：
1. 多周期滤波：5日、20日、60日价格序列
2. 相位同步测量：不同周期序列方向一致性的时间比例
3. 共振强度：同步期的动量加速度
4. 行业调整：与行业共振状态的相对差异

*=====*

输出格式：
输出必须是且仅是纯文本。
每一行是一个完整、独立、语法正确的WebSim表达式。
严禁任何形式的解释、编号、标点包裹（如引号）、Markdown格式或额外文本。

===================== !!! 重点(输出方式) !!! =====================
现在，请严格遵守以上所有规则，开始生成可立即在WebSim中运行的复合因子表达式。
**输出格式**(一行一个表达式, 每个表达式中间需要添加一个空行, 只要表达式本身, 不要解释, 不需要序号, 也不要输出多余的东西)：

表达式

表达式

表达式

...

表达式
=================================================================

重申：请确保所有表达式都使用WorldQuant WebSim平台函数，不要使用pandas、numpy或其他Python库函数。输出必须是一行有效的WQ表达式。

以下是我的账号有权限使用的操作符, 请严格按照操作符, 进行生成,组合因子：