复制链接

克隆策略

In [12]:

# 本代码由可视化策略环境自动生成 2023年5月9日 22:31
# 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。


# 回测引擎：初始化函数，只执行一次
def m13_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=0.0003, sell_cost=0.0013, min_cost=5))
    # 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.hold_days = 5

# 回测引擎：每日数据处理函数，每天执行一次
def m13_handle_data_bigquant_run(context, data):
    # 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.hold_days # 是否在建仓期间（前 hold_days 天）
    cash_avg = context.portfolio.portfolio_value / context.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()}

    # 2. 生成卖出订单：hold_days天之后才开始卖出；对持仓的股票，按StockRanker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]))])))
        # print('rank order for sell %s' % instruments)
        for instrument in instruments:
            context.order_target(context.symbol(instrument), 0)
            cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单：按StockRanker预测的排序，买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments = list(ranker_prediction.instrument[: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 m13_prepare_bigquant_run(context):
    pass

# 回测引擎：每个单位时间开始前调用一次，即每日开盘前调用一次。
def m13_before_trading_start_bigquant_run(context, data):
    pass

# 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 m16_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_value = pd.merge(left=input_1.read(),right=input_2.read(),on=['date','instrument'],how='inner')
    return Outputs(data_1=DataSource.write_df(df_value))

# 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 m16_post_run_bigquant_run(outputs):
    return outputs


m1 = M.instruments.v2(
    start_date='2010-01-01',
    end_date='2014-12-31',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m8 = M.advanced_auto_labeler.v2(
    instruments=m1.data,
    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/develop/datasource/deprecated/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/develop/bigexpr/usage.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)
where(shift(close, -5) / shift(open, -1)>1,1,0)

# 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)
""",
    start_date='',
    end_date='',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=False,
    user_functions={}
)

m2 = M.input_features.v1(
    features="""
# #号开始的表示注释，注释需单独一行
# 多个特征，每行一个，可以包含基础特征和衍生特征，特征须为本平台特征
return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20
rank_avg_amount_0/rank_avg_amount_5
rank_avg_amount_5/rank_avg_amount_10
rank_return_0
rank_return_5
rank_return_10
rank_return_0/rank_return_5
rank_return_5/rank_return_10
pe_ttm_0
"""
)

m3 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m2.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m6 = M.derived_feature_extractor.v3(
    input_data=m3.data,
    features=m2.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m9 = M.join.v3(
    data1=m8.data,
    data2=m6.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m10 = M.dropnan.v1(
    input_data=m9.data
)

m4 = M.instruments.v2(
    start_date='2015-01-01',
    end_date='2017-01-01',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m5 = M.general_feature_extractor.v7(
    instruments=m4.data,
    features=m2.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m7 = M.derived_feature_extractor.v3(
    input_data=m5.data,
    features=m2.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m11 = M.dropnan.v1(
    input_data=m7.data
)

m18 = M.xgboost.v1(
    training_ds=m10.data,
    features=m2.data,
    predict_ds=m11.data,
    num_boost_round=10,
    objective='二分类(逻辑回归)',
    booster='gbtree',
    max_depth=6,
    key_cols='date,instrument',
    group_col='date',
    nthread=1,
    n_gpus=-1,
    other_train_parameters={}
)

m14 = M.sort.v4(
    input_ds=m18.predictions,
    sort_by='pred_label',
    group_by='date',
    keep_columns='--',
    ascending=False
)

m13 = M.trade.v4(
    instruments=m4.data,
    options_data=m18.predictions,
    start_date='',
    end_date='',
    initialize=m13_initialize_bigquant_run,
    handle_data=m13_handle_data_bigquant_run,
    prepare=m13_prepare_bigquant_run,
    before_trading_start=m13_before_trading_start_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='真实价格',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark=''
)

m15 = M.advanced_auto_labeler.v2(
    instruments=m4.data,
    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/develop/datasource/deprecated/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/develop/bigexpr/usage.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)
where(shift(close, -5) / shift(open, -1)>1,1,0)

# 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)
""",
    start_date='',
    end_date='',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=False,
    user_functions={}
)

m16 = M.cached.v3(
    input_1=m18.predictions,
    input_2=m15.data,
    run=m16_run_bigquant_run,
    post_run=m16_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m12 = M.metrics_classification.v1(
    predictions=m16.data_1
)

[2023-05-09 22:29:21.376297] INFO: moduleinvoker: instruments.v2 开始运行..

[2023-05-09 22:29:21.381946] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.383241] INFO: moduleinvoker: instruments.v2 运行完成[0.006948s].

[2023-05-09 22:29:21.390908] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2023-05-09 22:29:21.396949] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.398244] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.007336s].

[2023-05-09 22:29:21.401841] INFO: moduleinvoker: input_features.v1 开始运行..

[2023-05-09 22:29:21.407046] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.408366] INFO: moduleinvoker: input_features.v1 运行完成[0.006529s].

[2023-05-09 22:29:21.419372] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2023-05-09 22:29:21.434514] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.435952] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.016583s].

[2023-05-09 22:29:21.442546] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2023-05-09 22:29:21.447491] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.448746] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.006199s].

[2023-05-09 22:29:21.455942] INFO: moduleinvoker: join.v3 开始运行..

[2023-05-09 22:29:21.461316] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.463122] INFO: moduleinvoker: join.v3 运行完成[0.007171s].

[2023-05-09 22:29:21.476800] INFO: moduleinvoker: dropnan.v1 开始运行..

[2023-05-09 22:29:21.486659] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.488582] INFO: moduleinvoker: dropnan.v1 运行完成[0.011775s].

[2023-05-09 22:29:21.493797] INFO: moduleinvoker: instruments.v2 开始运行..

[2023-05-09 22:29:21.503223] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.504678] INFO: moduleinvoker: instruments.v2 运行完成[0.01089s].

[2023-05-09 22:29:21.517724] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2023-05-09 22:29:21.523686] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.525139] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.007439s].

[2023-05-09 22:29:21.532175] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2023-05-09 22:29:21.537973] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.539314] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.007154s].

[2023-05-09 22:29:21.546573] INFO: moduleinvoker: dropnan.v1 开始运行..

[2023-05-09 22:29:21.552046] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.553573] INFO: moduleinvoker: dropnan.v1 运行完成[0.006994s].

[2023-05-09 22:29:21.561084] INFO: moduleinvoker: xgboost.v1 开始运行..

[2023-05-09 22:29:21.568081] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.569569] INFO: moduleinvoker: xgboost.v1 运行完成[0.008484s].

[2023-05-09 22:29:21.577326] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2023-05-09 22:29:21.585308] INFO: moduleinvoker: 命中缓存

[2023-05-09 22:29:21.587003] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.009686s].

[2023-05-09 22:29:21.598873] INFO: moduleinvoker: cached.v3 开始运行..

[2023-05-09 22:29:30.423172] INFO: moduleinvoker: cached.v3 运行完成[8.824298s].

[2023-05-09 22:29:30.431596] INFO: moduleinvoker: metrics_classification.v1 开始运行..

[2023-05-09 22:29:39.184984] ERROR: moduleinvoker: module name: metrics_classification, module version: v1, trackeback: ValueError: model中无pred_label，无法评估模型

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-12-4fed58689c84> in <module>
    183 )
    184 
--> 185 m12 = M.metrics_classification.v1(
    186     predictions=m16.data_1
    187 )

ValueError: model中无pred_label，无法评估模型

In [ ]:

m12.data.read()