能够本人 import 咱们平台反对的第三方 python 模块,比方 pandas、numpy 等。
1. 获取市值和市净率因子数据
因子: 极值, 标准化, 中性化解决
2. 选定股票池 (依据方向权重)
市净率小的某些股票
from sklearn.linear_model import LinearRegression
在这个办法中编写任何的初始化逻辑。context 对象将会在你的算法策略的任何办法之间做传递。
def init(context):
scheduler.run_weekly(get_data, tradingday=1)
scheduler.run_weekly(trade, tradingday=1)
def get_data(context, bar_dict):
# 查问两个因子的整数后果
q = query(
fundamentals.eod_derivative_indicator.pb_ratio,
fundamentals.eod_derivative_indicator.market_cap
).order_by(fundamentals.eod_derivative_indicator.pb_ratio)
fund = get_fundamentals(q)
# 转置
context.fund = fund.T
# 查看 fund 格局
# logger.info(fund.T)
# 进行因子数据的解决, 去极值, 标准化
treat_data(context)
# 利用市净率进行选股 [PayPal](https://www.gendan5.com/wallet/PayPal.html)(市净率小的体现好)
context.stock_list = context.fund["pb_ratio"][context.fund["pb_ratio"] <= context.fund["pb_ratio"].quantile(0.05) # 取前 5%
].index
# 调试输入
logger.info(context.stock_list)
logger.info(context.stock_list.shape)
def treat_data(context):
"""因子数据的解决逻辑"""
# 去除 NaN
context.fund = context.fund.dropna()
# 对市净率去极极值标准化
context.fund["pb_ratio"] = mad(context.fund["pb_ratio"])
context.fund["pb_ratio"] = stand(context.fund["pb_ratio"])
# 调试输入
logger.info(context.fund.shape)
# 选股的解决, 对市净率进行市值中性化
# 特征值: 市值
# 目标值: 市净率因子
x = context.fund["market_cap"].values.reshape(-1, 1)
y = context.fund["pb_ratio"]
# 建设线性回归, 中性化解决
lr = LinearRegression()
lr.fit(x, y)
y_predict = lr.predict(x)
# 去除残差
context.fund["pb_ratio"] = y - y_predict
before_trading 此函数会在每天策略交易开始前被调用,当天只会被调用一次
def before_trading(context):
pass
你抉择的证券的数据更新将会触发此段逻辑,例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
# TODO: 开始编写你的算法吧!pass
after_trading 函数会在每天交易完结后被调用,当天只会被调用一次
def after_trading(context):
pass
def trade(context, bar_dict):
# ---------------- 卖出 ----------------
for stock in context.portfolio.positions.keys():
# 判断是否还在股票池
if stock not in context.stock_list:
order_target_percent(stock, 0)
# ---------------- 买入 -----------------
weight = 1.0 / len(context.stock_list)
for stock in context.stock_list:
order_target_percent(stock, weight)
相对偏差
import numpy as np
def mad(factor):
"""3 倍中位数去极值"""
# 求出因子值的中位数
med = np.median(factor)
# 求出因子值与中位数的差值, 进行绝对值
mad = np.median(abs(factor - med))
# 定义几倍的中位数上上限
high = med + (3 * 1.4826 * mad)
low = med - (3 * 1.4826 * mad)
# 替换上上限以外的值
factor = np.where(factor > high, high, factor)
factor = np.where(factor < low, low, factor)
return factor
标准化
def stand(factor):
"""自实现标准化"""
mean = factor.mean()
std = factor.std()
return (factor - mean) / std