股票代码过滤-支持股票类别、上市板、行业和ST过滤

iQuant · 2019-01-09 09:35:17 UTC

在策略开发过程中，经常需要对股票代码做过滤。A股股票过滤 提供了常用对股票过滤能力。

模块功能

A股股票过滤 支持股票类别、上市板、行业和ST过滤。

模块原理

此模块对输入数据需要date和instrument列。

对于给定对数据，模块会读取对应时间段的股票类别、上市板、行业和ST状态数据（按需读取，只在读取过滤用到的数据，以达到最好的性能），并用过滤条件过滤给定数据集上的股票。

输出为满足条件的股票。如果需要同时输出不满足条件的股票，可以勾选 输出剩余数据，并在第一个输出端获得此数据。

如何使用

新建策略：通过模版新建一个 可视化AI策略

image.png781x389 26.5 KB
平台现在支持非常多的模块，我们可以使用搜索功能。在左侧模块链接搜索关键词 过滤 找到模块 A股股票过滤
如下图，在训练数据和预测数据的基础特征抽取后分布添加 A股股票过滤

image.png897x383 49 KB
配置 A股股票过滤，如上图，这里我们只过滤到ST股票，在ST配置里，去掉 全部，只选择 正常

示例代码

https://i.bigquant.com/user/jliang/lab/share/AI%E7%AD%96%E7%95%A5-%E8%82%A1%E7%A5%A8%E4%BB%A3%E7%A0%81%E8%BF%87%E6%BB%A4.ipynb

user254 · 2019-04-01 03:52:51 UTC

ST是要ST股票？正常是不要ST股票？*ST是什么意思？暂停上市呢？

user254 · 2019-04-01 04:04:02 UTC

克隆策略

1.带有止损的滚动策略¶

    可以测试多个因子的效果。

1.特征
```
  ta_sma(close_0,80)-ta_sma(close_0,20)
  rank_fs_roe_ttm_0
```
2.收益收益率 141.6% 年化收益率 16.24% 基准收益率 46.11% 阿尔法 0.12 贝塔 0.3 夏普比率 0.79 胜率 0.55 盈亏比 1.02 收益波动率 17.13% 信息比率 0.02 最大回撤 38.95%

2.筹码
```
  winner
```

In [ ]:

In [2]:

# 本代码由可视化策略环境自动生成 2019年4月1日 12:02
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


#筹码分布
def cal_winner_day(df_all):
    winner=[]
    for k in list(df_all.date):
        df=df_all[df_all.date<=k]
        df['real_close']=df['close_0']/df['adjust_factor_0']#获取真实收盘价
        df['real_open']=df['open_0']/df['adjust_factor_0']#获取真实开盘价
        df['turn']=df['turn_0']/100#获取换手率
        df['avg_price']=np.round(df['real_close']+df['real_open'])/2#计算每日平均成本,这里按照0.5元一个价位做分析
        df=df.sort_values(by='date',ascending=False).reset_index(drop=True)#日期按降序排列
        df['turn_tomo']=df['turn'].shift(1)#计算明日的换手率
        df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例
        #假设N日后，上市第一天的剩余筹码比率就是每日剩余比例的累乘即：剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
        df['remain_his']=df['remain_day'].cumprod()
        df['remain_his']=df['remain_his']*df['turn']
        df['remain_his']=df['remain_his'].fillna(df['turn'])#最新一日的筹码就是当日的换手率
        #关键统计，统计最后一天的各价位历史筹码堆积量（百分比）
        ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()
        ss['real_close']=df['real_close'].iloc[0]
        #计算end_date时收盘价的获利比例
        winner_day=ss[ss.avg_price<=ss.real_close]['筹码量'].sum()
        winner.append(winner_day)
    result=pd.DataFrame({'winner':winner},index=df_all.date)
    return result

# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m12_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df=input_1.read()
    win=df.groupby('instrument').apply(cal_winner_day)
    df=win.reset_index().merge(df,on=['date','instrument'],how='right')
    
    data_1 = DataSource.write_df(df)
    
    return Outputs(data_1=data_1, data_2=None, data_3=None)

# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m12_post_run_bigquant_run(outputs):
    return outputs

#筹码分布
def cal_winner_day(df_all):
    winner=[]
    for k in list(df_all.date):
        df=df_all[df_all.date<=k]
        df['real_close']=df['close_0']/df['adjust_factor_0']#获取真实收盘价
        df['real_open']=df['open_0']/df['adjust_factor_0']#获取真实开盘价
        df['turn']=df['turn_0']/100#获取换手率
        df['avg_price']=np.round(df['real_close']+df['real_open'])/2#计算每日平均成本,这里按照0.5元一个价位做分析
        df=df.sort_values(by='date',ascending=False).reset_index(drop=True)#日期按降序排列
        df['turn_tomo']=df['turn'].shift(1)#计算明日的换手率
        df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例
        #假设N日后，上市第一天的剩余筹码比率就是每日剩余比例的累乘即：剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
        df['remain_his']=df['remain_day'].cumprod()
        df['remain_his']=df['remain_his']*df['turn']
        df['remain_his']=df['remain_his'].fillna(df['turn'])#最新一日的筹码就是当日的换手率
        #关键统计，统计最后一天的各价位历史筹码堆积量（百分比）
        ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()
        ss['real_close']=df['real_close'].iloc[0]
        #计算end_date时收盘价的获利比例
        winner_day=ss[ss.avg_price<=ss.real_close]['筹码量'].sum()
        winner.append(winner_day)
    result=pd.DataFrame({'winner':winner},index=df_all.date)
    return result

# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m11_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df=input_1.read()
    win=df.groupby('instrument').apply(cal_winner_day)
    df=win.reset_index().merge(df,on=['date','instrument'],how='right')
    
    data_1 = DataSource.write_df(df)
    
    return Outputs(data_1=data_1, data_2=None, data_3=None)

# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m11_post_run_bigquant_run(outputs):
    return outputs

import talib
def benchmark_sma_risk(context,data):
    '''
    大盘max_down 大于4
    '''
    today_date = data.current_dt.strftime('%Y-%m-%d')
    start_date= (pd.to_datetime(today_date) - datetime.timedelta(days=15)).strftime('%Y-%m-%d') 
    benchmark_data=DataSource('bar1d_index_CN_STOCK_A').read(instruments=['000001.HIX'],fields=['close'],start_date=start_date,end_date=today_date)
    benchmark_close=benchmark_data.set_index('date').close
    benchmark_signal=benchmark_close[-1]/benchmark_close[-5:].max()-1<-0.04    
    return benchmark_signal
    

# 回测引擎：每日数据处理函数，每天执行一次
def m19_handle_data_bigquant_run(context, data):
    #获取当日日期
    today_date = data.current_dt.strftime('%Y-%m-%d')
    
    #大盘风控模块，读取风控数据        
    benckmark_risk=benchmark_sma_risk(context,data)
    #当risk为1时，市场有风险，全部平仓，不再执行其它操作
    if benckmark_risk :
        position_all = context.portfolio.positions.keys()
        for i in position_all:
            context.order_target(i, 0)
        print(today_date,'大盘风控止损触发,全仓卖出')
        return
    
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]

    # 1. 资金分配
    # 平均持仓时间是hold_days，每日都将买入股票，每日预期使用 1/hold_days 的资金
    # 实际操作中，会存在一定的买入误差，所以在前hold_days天，等量使用资金；之后，尽量使用剩余资金（这里设置最多用等量的1.5倍）
    is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间（前 hold_days 天）
    cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.perf_tracker.position_tracker.positions.items()}

    #---------------------------START:止赢止损模块(含建仓期)--------------------
    # 新建当日止赢止损股票列表是为了handle_data 策略逻辑部分不再对该股票进行判断
    current_stopwin_stock=[]
    current_stoploss_stock = []   
    today_date = data.current_dt.strftime('%Y-%m-%d')
    positions_stop={e.symbol:p.cost_basis 
    for e,p in context.portfolio.positions.items()}
    if len(positions_stop)>0:
        for i in positions_stop.keys():
            stock_cost=positions_stop[i]  
            stock_market_price=data.current(context.symbol(i),'price')  
            # 赚30%且为可交易状态就止盈
            if stock_market_price/stock_cost-1>0.8 and data.can_trade(context.symbol(i)) and not context.has_unfinished_sell_order(i):
                context.order_target_percent(context.symbol(i),0)      
                current_stopwin_stock.append(i)
            # 亏10%并且为可交易状态就止损
            if stock_market_price/stock_cost-1 <= -0.05 and data.can_trade(context.symbol(i)) and not context.has_unfinished_sell_order(i):   
                context.order_target_percent(context.symbol(i),0)     
                current_stoploss_stock.append(i)
        if len(current_stopwin_stock)>0:
            print(today_date,'止盈股票列表',current_stopwin_stock)
        if len(current_stoploss_stock)>0:
            print(today_date,'止损股票列表',current_stoploss_stock)
    #--------------------------END: 止赢止损模块-----------------------------
    
    #--------------------------START：持有固定天数卖出(不含建仓期)---------------
    current_stopdays_stock = [] 
    today = data.current_dt
    today_date = data.current_dt.strftime('%Y-%m-%d')
    # 不是建仓期（在前hold_days属于建仓期）
    if not is_staging:
        equities = {e.symbol: p for e, p in context.portfolio.positions.items() if p.amount>0}
        if len(equities)>0:
            for i in equities:
                sid = equities[i].sid  # 交易标的
                #如果上面的止盈止损已经卖出过了，就不要重复卖出以防止产生空单
                if i in current_stopwin_stock+current_stoploss_stock:
                    continue
                # 今天和上次交易的时间相隔hold_days就全部卖出 datetime.timedelta(context.options['hold_days'])也可以换成自己需要的天数，比如datetime.timedelta(5)
                if today-equities[i].last_sale_date>=datetime.timedelta(5) and data.can_trade(context.symbol(i)) and not context.has_unfinished_sell_order(equities[i]):
                    context.order_target_percent(sid, 0)
                    current_stopdays_stock.append(i)
            if len(current_stopdays_stock)>0:        
                print(today_date,'固定天数卖出列表',current_stopdays_stock)
    #-------------------------------END:持有固定天数卖出--------------------------    
    
    
    # 2. 生成卖出订单：hold_days天之后才开始卖出；对持仓的股票，按机器学习算法预测的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
        for instrument in instruments:
            #防止多个止损条件同时满足，出现多次卖出产生空单
            if instrument not in current_stopdays_stock+current_stopwin_stock+current_stoploss_stock:
                context.order_target(context.symbol(instrument), 0)
                cash_for_sell -= positions[instrument]
            else:
                cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单：按机器学习算法预测的排序，买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments_tmp = list(ranker_prediction.instrument)
    #防止卖出后再次买入
    buy_instruments=[k for k in buy_instruments_tmp if k not in current_stopdays_stock+current_stopwin_stock+current_stoploss_stock][:len(buy_cash_weights)]
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    for i, instrument in enumerate(buy_instruments):
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - positions.get(instrument, 0):
            # 确保股票持仓量不会超过每次股票最大的占用资金量
            cash = max_cash_per_instrument - positions.get(instrument, 0)
        if cash > 0:
            context.order_value(context.symbol(instrument), cash)

# 回测引擎：准备数据，只执行一次
def m19_prepare_bigquant_run(context):
    pass

# 回测引擎：初始化函数，只执行一次
def m19_initialize_bigquant_run(context):
    # 加载预测数据
    context.ranker_prediction = context.options['data'].read_df()

    # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.00012, sell_cost=0.0013, min_cost=0))
    # 预测数据，通过options传入进来，使用 read_df 函数，加载到内存 (DataFrame)
    # 设置买入的股票数量，这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2
    context.options['hold_days'] = 5


g = T.Graph({

    'm1': 'M.input_features.v1',
    'm1.features': """open_0
close_0
adjust_factor_0
turn_0""",

    'm10': 'M.instruments.v2',
    'm10.start_date': T.live_run_param('trading_date', '2017-01-01'),
    'm10.end_date': T.live_run_param('trading_date', '2019-03-22'),
    'm10.market': 'CN_STOCK_A',
    'm10.instrument_list': '',
    'm10.max_count': 0,

    'm16': 'M.general_feature_extractor.v7',
    'm16.instruments': T.Graph.OutputPort('m10.data'),
    'm16.features': T.Graph.OutputPort('m1.data'),
    'm16.start_date': '',
    'm16.end_date': '',
    'm16.before_start_days': 90,

    'm20': 'M.chinaa_stock_filter.v1',
    'm20.input_data': T.Graph.OutputPort('m16.data'),
    'm20.index_constituent_cond': ['全部'],
    'm20.board_cond': ['全部'],
    'm20.industry_cond': ['全部'],
    'm20.st_cond': ['全部'],
    'm20.output_left_data': False,

    'm17': 'M.derived_feature_extractor.v3',
    'm17.input_data': T.Graph.OutputPort('m20.data'),
    'm17.features': T.Graph.OutputPort('m1.data'),
    'm17.date_col': 'date',
    'm17.instrument_col': 'instrument',
    'm17.drop_na': False,
    'm17.remove_extra_columns': False,
    'm17.m_cached': False,

    'm12': 'M.cached.v3',
    'm12.input_1': T.Graph.OutputPort('m17.data'),
    'm12.run': m12_run_bigquant_run,
    'm12.post_run': m12_post_run_bigquant_run,
    'm12.input_ports': '',
    'm12.params': '{}',
    'm12.output_ports': '',

    'm13': 'M.dropnan.v1',
    'm13.input_data': T.Graph.OutputPort('m12.data_1'),

    'm18': 'M.instruments.v2',
    'm18.start_date': '2011-01-01',
    'm18.end_date': '2017-01-01',
    'm18.market': 'CN_STOCK_A',
    'm18.instrument_list': '',
    'm18.max_count': 0,

    'm5': 'M.advanced_auto_labeler.v2',
    'm5.instruments': T.Graph.OutputPort('m18.data'),
    'm5.label_expr': """# #号开始的表示注释
# 0. 每行一个，顺序执行，从第二个开始，可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/data_history_data.html
#   添加benchmark_前缀，可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎 <https://bigquant.com/docs/big_expr.html>`_

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
shift(close, -5) / shift(open, -1)

# 极值处理：用1%和99%分位的值做clip
clip(label, all_quantile(label, 0.01), all_quantile(label, 0.99))

# 将分数映射到分类，这里使用20个分类
all_wbins(label, 20)

# 过滤掉一字涨停的情况 (设置label为NaN，在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
    'm5.start_date': '',
    'm5.end_date': '',
    'm5.benchmark': '000300.SHA',
    'm5.drop_na_label': True,
    'm5.cast_label_int': True,
    'm5.user_functions': {},

    'm9': 'M.general_feature_extractor.v7',
    'm9.instruments': T.Graph.OutputPort('m18.data'),
    'm9.features': T.Graph.OutputPort('m1.data'),
    'm9.start_date': '',
    'm9.end_date': '',
    'm9.before_start_days': 90,

    'm22': 'M.chinaa_stock_filter.v1',
    'm22.input_data': T.Graph.OutputPort('m9.data'),
    'm22.index_constituent_cond': ['全部'],
    'm22.board_cond': ['全部'],
    'm22.industry_cond': ['全部'],
    'm22.st_cond': ['全部'],
    'm22.output_left_data': False,

    'm3': 'M.derived_feature_extractor.v3',
    'm3.input_data': T.Graph.OutputPort('m22.data'),
    'm3.features': T.Graph.OutputPort('m1.data'),
    'm3.date_col': 'date',
    'm3.instrument_col': 'instrument',
    'm3.drop_na': False,
    'm3.remove_extra_columns': False,

    'm11': 'M.cached.v3',
    'm11.input_1': T.Graph.OutputPort('m3.data'),
    'm11.run': m11_run_bigquant_run,
    'm11.post_run': m11_post_run_bigquant_run,
    'm11.input_ports': '',
    'm11.params': '{}',
    'm11.output_ports': '',

    'm6': 'M.join.v3',
    'm6.data1': T.Graph.OutputPort('m5.data'),
    'm6.data2': T.Graph.OutputPort('m11.data_1'),
    'm6.on': 'date,instrument',
    'm6.how': 'inner',
    'm6.sort': False,

    'm7': 'M.dropnan.v1',
    'm7.input_data': T.Graph.OutputPort('m6.data'),

    'm4': 'M.input_features.v1',
    'm4.features': 'winner',

    'm8': 'M.stock_ranker_train.v5',
    'm8.training_ds': T.Graph.OutputPort('m7.data'),
    'm8.features': T.Graph.OutputPort('m4.data'),
    'm8.learning_algorithm': '排序',
    'm8.number_of_leaves': 30,
    'm8.minimum_docs_per_leaf': 1000,
    'm8.number_of_trees': 20,
    'm8.learning_rate': 0.1,
    'm8.max_bins': 1023,
    'm8.feature_fraction': 1,
    'm8.m_lazy_run': False,

    'm14': 'M.stock_ranker_predict.v5',
    'm14.model': T.Graph.OutputPort('m8.model'),
    'm14.data': T.Graph.OutputPort('m13.data'),
    'm14.m_lazy_run': False,

    'm19': 'M.trade.v4',
    'm19.instruments': T.Graph.OutputPort('m10.data'),
    'm19.options_data': T.Graph.OutputPort('m14.predictions'),
    'm19.start_date': '',
    'm19.end_date': '',
    'm19.handle_data': m19_handle_data_bigquant_run,
    'm19.prepare': m19_prepare_bigquant_run,
    'm19.initialize': m19_initialize_bigquant_run,
    'm19.volume_limit': 0.025,
    'm19.order_price_field_buy': 'open',
    'm19.order_price_field_sell': 'close',
    'm19.capital_base': 100000,
    'm19.auto_cancel_non_tradable_orders': True,
    'm19.data_frequency': 'daily',
    'm19.price_type': '后复权',
    'm19.product_type': '股票',
    'm19.plot_charts': True,
    'm19.backtest_only': False,
    'm19.benchmark': '000300.SHA',
})

# g.run({})


def m2_run_bigquant_run(
    bq_graph,
    inputs,
    trading_days_market='CN', # 使用那个市场的交易日历, TODO
    train_instruments_mid='m18', # 训练数据 证券代码列表 模块id
    test_instruments_mid='m10', # 测试数据 证券代码列表 模块id
    predict_mid='m14', # 预测 模块id
    trade_mid='m19', # 回测 模块id
    start_date='2010-01-01', # 数据开始日期
    end_date=T.live_run_param('trading_date', '2019-03-29'), # 数据结束日期
    train_update_days=250, # 更新周期，按交易日计算，每多少天更新一次
    train_update_days_for_live=None, #模拟实盘模式下的更新周期，按交易日计算，每多少天更新一次。如果需要在模拟实盘阶段使用不同的模型更新周期，可以设置这个参数
    train_data_min_days=250*3, # 最小数据天数，按交易日计算，所以第一个滚动的结束日期是 从开始日期到开始日期+最小数据天数
    train_data_max_days=250*3, # 最大数据天数，按交易日计算，0，表示没有限制，否则每一个滚动的开始日期=max(此滚动的结束日期-最大数据天数, 开始日期
    rolling_count_for_live=1, #实盘模式下滚动次数，模拟实盘模式下，取最后多少次滚动。一般在模拟实盘模式下，只用到最后一次滚动训练的模型，这里可以设置为1；如果你的滚动训练数据时间段很短，以至于期间可能没有训练数据，这里可以设置大一点。0表示没有限制
):
    def merge_datasources(input_1):
        df_list = [ds[0].read_df().set_index('date').ix[ds[1]:].reset_index() for ds in input_1]
        df = pd.concat(df_list)
        instrument_data = {
            'start_date': df['date'].min().strftime('%Y-%m-%d'),
            'end_date': df['date'].max().strftime('%Y-%m-%d'),
            'instruments': list(set(df['instrument'])),
        }
        return Outputs(data=DataSource.write_df(df), instrument_data=DataSource.write_pickle(instrument_data))

    def gen_rolling_dates(trading_days_market, start_date, end_date, train_update_days, train_update_days_for_live, train_data_min_days, train_data_max_days, rolling_count_for_live):
        # 是否实盘模式
        tdays = list(D.trading_days(market=trading_days_market, start_date=start_date, end_date=end_date)['date'])
        is_live_run = T.live_run_param('trading_date', None) is not None

        if is_live_run and train_update_days_for_live:
            train_update_days = train_update_days_for_live

        rollings = []
        train_end_date = train_data_min_days
        while train_end_date < len(tdays):
            if train_data_max_days is not None:
                train_start_date = max(train_end_date - train_data_max_days, 0)
            else:
                train_start_date = start_date
            rollings.append({
                'train_start_date': tdays[train_start_date].strftime('%Y-%m-%d'),
                'train_end_date': tdays[train_end_date - 1].strftime('%Y-%m-%d'),
                'test_start_date': tdays[train_end_date].strftime('%Y-%m-%d'),
                'test_end_date': tdays[min(train_end_date + train_update_days, len(tdays)) - 1].strftime('%Y-%m-%d'),
            })
            train_end_date += train_update_days

        if not rollings:
            raise Exception('没有滚动需要执行，请检查配置')

        if is_live_run and rolling_count_for_live:
            rollings = rollings[-rolling_count_for_live:]

        return rollings

    g = bq_graph

    rolling_dates = gen_rolling_dates(
        trading_days_market, start_date, end_date, train_update_days, train_update_days_for_live, train_data_min_days, train_data_max_days, rolling_count_for_live)

    # 训练和预测
    results = []
    for rolling in rolling_dates:
        parameters = {}
        # 先禁用回测
        parameters[trade_mid + '.__enabled__'] = False
        parameters[train_instruments_mid + '.start_date'] = rolling['train_start_date']
        parameters[train_instruments_mid + '.end_date'] = rolling['train_end_date']
        parameters[test_instruments_mid + '.start_date'] = rolling['test_start_date']
        parameters[test_instruments_mid + '.end_date'] = rolling['test_end_date']
        # print('------ rolling_train:', parameters)
        results.append(g.run(parameters))

    # 合并预测结果并回测
    mx = M.cached.v3(run=merge_datasources, input_1=[[result[predict_mid].predictions, result[test_instruments_mid].data.read_pickle()['start_date']] for result in results])
    parameters = {}
    parameters['*.__enabled__'] = False
    parameters[trade_mid + '.__enabled__'] = True
    parameters[trade_mid + '.instruments'] = mx.instrument_data
    parameters[trade_mid + '.options_data'] = mx.data

    trade = g.run(parameters)

    return {'rollings': results, 'trade': trade}


m2 = M.hyper_rolling_train.v1(
    run=m2_run_bigquant_run,
    run_now=True,
    bq_graph=g
)

2019-04-01 12:02:14.948326 INFO: bigquant: input_features.v1 开始运行.

2019-04-01 12:02:14.981008 INFO: bigquant: 命中缓

2019-04-01 12:02:14.987474 INFO: bigquant: input_features.v1 运行完成[0.039127s]

2019-04-01 12:02:14.996961 INFO: bigquant: instruments.v2 开始运行.

2019-04-01 12:02:15.005134 INFO: bigquant: 命中缓

2019-04-01 12:02:15.007865 INFO: bigquant: instruments.v2 运行完成[0.010895s]

2019-04-01 12:02:15.037560 INFO: bigquant: general_feature_extractor.v7 开始运行.

2019-04-01 12:02:15.043563 INFO: bigquant: 命中缓

2019-04-01 12:02:15.045036 INFO: bigquant: general_feature_extractor.v7 运行完成[0.007478s]

2019-04-01 12:02:15.049032 INFO: bigquant: chinaa_stock_filter.v1 开始运行.

2019-04-01 12:02:15.294781 ERROR: bigquant: module name: chinaa_stock_filter, module version: v1, trackeback: Traceback (most recent call last):
AttributeError: 'NoneType' object has no attribute 'values'

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-2-34ba200cff51> in <module>()
     73     industry_cond=['全部'],
     74     st_cond=['全部'],
---> 75     output_left_data=False
     76 )
     77 

AttributeError: 'NoneType' object has no attribute 'values'

In [ ]:

def cal_winner_day(df_all):
    winner=[]
    for k in list(df_all.date):
        df=df_all[df_all.date<=k]
        df['real_close']=df['close']/df['adjust_factor']#获取真实收盘价
        df['real_open']=df['open']/df['adjust_factor']#获取真实开盘价
        df['turn']=df['turn']/100#获取换手率
        df['avg_price']=np.round(df['real_close']+df['real_open'])/2#计算每日平均成本,这里按照0.5元一个价位做分析
        df=df.sort_values(by='date',ascending=False).reset_index(drop=True)#日期按降序排列
        df['turn_tomo']=df['turn'].shift(1)#计算明日的换手率
        df['remain_day']=1-df['turn_tomo'] #计算当日的剩余筹码比例
        #假设N日后，上市第一天的剩余筹码比率就是每日剩余比例的累乘即：剩余筹码比例=(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
        df['remain_his']=df['remain_day'].cumprod()
        df['remain_his']=df['remain_his']*df['turn']
        df['remain_his']=df['remain_his'].fillna(df['turn'])#最新一日的筹码就是当日的换手率
        #关键统计，统计最后一天的各价位历史筹码堆积量（百分比）
        ss=df.groupby('avg_price')[['remain_his']].sum().rename(columns={'remain_his':'筹码量'}).reset_index()
        ss['real_close']=df['real_close'].iloc[0]
        #计算end_date时收盘价的获利比例
        winner_day=ss[ss.avg_price<=ss.real_close]['筹码量'].sum()
        winner.append(winner_day)
    result=pd.DataFrame({'winner':winner},index=df_all.date)
    return result

A股股票过滤总是出错啊

iQuant · 2019-04-01 08:54:51 UTC

iQuant · 2019-04-01 08:55:31 UTC

可以先参考上方模板修改

189 · 2020-02-26 03:00:10 UTC

不理解这个过滤的模块为什么要放在基础特征下面？？为什么不直接放在证券代码列表下面？这样过滤效率不是更高吗？？

iQuant · 2020-02-29 01:38:20 UTC

因为成份股是按半年调整的，股票池不确定的，只能跟着日期来做DataFrame筛选

YYIFAN · 2020-04-09 08:35:45 UTC

这种说明应该放到模块文档里啊

YYIFAN · 2020-04-09 08:55:52 UTC

我在“过滤退市股票”里选“退市”，竟然输出的全是退市股票，全部和退市还能同时选，逻辑也太奇怪了，这块能仔细讲讲吗？

iQuant · 2020-04-10 02:26:26 UTC

您好，可以参考一下这篇帖子，平台学院板块有系列教程帖，可以多多参考：【宽客学院】条件过滤

inSightX · 2020-09-16 05:39:16 UTC

要选择正常。这里的文字确实有点模棱两可。

inSightX · 2020-09-16 05:40:02 UTC

我也是的，刚开始用直接放在获取数据模块下面了，查了文档才知道该放哪里