行情因子的挖掘卷到今天传统量价因子、基本面因子、机器学习因子已经非常拥挤。越来越多的量化团队开始把目光投向拓扑数据分析TDA用拓扑学工具去刻画行情数据在高维空间里的“形状结构”再把这些结构特征转化成因子。这篇文章不讨论复杂的数学证明直接讲一套能落地的 TDA 行情结构因子挖掘管线从行情数据构造点云用 ripser/GUDHI 计算持久同调把持久图特征转成可回测的结构因子最后给出批量计算和性能调优方法。整个过程以 CPU 计算为主不依赖 GPU适合普通量化开发环境。TDA 的切入点很直接传统因子回答的是“涨了多少、波动多大、相关性如何”而 TDA 回答的是“行情轨迹在高维空间里是聚成一团、连成一片还是中间有个环、有个洞”。这些拓扑特征在传统因子体系里很难被直接表达但可能包含了趋势切换、均值回归、震荡区间等结构性信息。如果把这套管线理解为一个特征工程框架它的本质就是“从行情到拓扑特征”的批量加工过程。本文会完成下面这几件事说清楚 TDA 和持久同