专注的阿熊 阅读(17) 评论(0)

# 可以自己import我们平台支持的第三方python模块,比如pandasnumpy等。

# 1. 获取市值和市净率因子数据

# 因子: 极值, 标准化, 中性化处理

# 2. 选定股票池 (根据方向权重)

# 市净率小的某些股票

from sklearn.linear_model import LinearRegression

# 在这个方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方法之间做传递。

def init(context):

    scheduler.run_weekly(get_data, tradingday=1)

    scheduler.run_weekly(trade, tradingday=1)

def get_data(context, bar_dict):

    # 查询两个因子的整数结果

    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格式

    # logger.info(fund.T)

    # 进行因子数据的处理, 去极值, 标准化

    treat_data(context)

    # 利用市净率进行选股 (市净率小的表现好)

    context.stock_list = context.fund["pb_ratio"][

        context.fund["pb_ratio"] <= context.fund["pb_ratio"].quantile(0.05)  # 取前5%

    ].index

    # 调试输出

    logger.info(context.stock_list)

    logger.info(context.stock_list.shape)

def treat_data(context):

    """

    因子数据的处理逻辑

    """

    # 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"])

    # 调试输出

    logger.info(context.fund.shape)

    # 选股的处理, 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"]

    # 建立线性回归, 货币代码中性化处理

    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

# 你选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函数会在每天交易结束后被调用,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)

# 绝对偏差

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下限

    high = med + (3 * 1.4826 * mad)

    low = med - (3 * 1.4826 * mad)

    # 替换上下限以外的值

    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