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NaNcontext.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