复制链接

克隆策略

In [ ]:

# 本代码由可视化策略环境自动生成 2022年9月16日 08:53
# 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。


# 用户的自定义层需要写到字典中，比如
# {
#   "MyLayer": MyLayer
# }
m5_custom_objects_bigquant_run = {
    
}

# 回测引擎：初始化函数，只执行一次
def m68_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 = 1
    # 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 = [ 1 ]
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 1
    context.options['hold_days'] = 1

# 回测引擎：每日数据处理函数，每天执行一次
def m68_handle_data_bigquant_run(context, data):
   

    #-------------大盘风控模块
    # 获取当前持仓
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.portfolio.positions.items()}
    
    today = data.current_dt.strftime('%Y-%m-%d')
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == today]
    try:
    #大盘风控模块，读取风控数据    
        benckmark_risk=ranker_prediction['bm_0'].values[0]
        if benckmark_risk > 0:
            for instrument in positions.keys():
                context.order_target(context.symbol(instrument), 0)
                print(today,'大盘风控止损触发,全仓卖出')
                #如果return 在这里   只会卖出第一支持仓的股票，执行一次后返回，有可能起不到全仓风控的作用
                return
    except:
        print('开仓！')    
    
     #-------------大盘风控模块
    
    
    

    
    # 相隔几天（hold_days）进行一下换仓
    if context.trading_day_index % context.options['hold_days'] != 0:
        return 
    
  
    # 目前持仓
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.portfolio.positions.items()}
    # 权重
    buy_cash_weights = context.stock_weights
    # 今日买入股票列表
    stock_to_buy = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    # 持仓上限
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument

    # 通过positions对象，使用列表生成式的方法获取目前持仓的股票列表
    stock_hold_now = [equity.symbol for equity in context.portfolio.positions ]
    # 继续持有的股票：调仓时，如果买入的股票已经存在于目前的持仓里，那么应继续持有
    no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    # 需要卖出的股票
    stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
  
    # 卖出
    for stock in stock_to_sell:
        # 如果该股票停牌，则没法成交。因此需要用can_trade方法检查下该股票的状态
        # 如果返回真值，则可以正常下单，否则会出错
        # 因为stock是字符串格式，我们用symbol方法将其转化成平台可以接受的形式：Equity格式
        if data.can_trade(context.symbol(stock)):
            # order_target_percent是平台的一个下单接口，表明下单使得该股票的权重为0，
            #   即卖出全部股票，可参考回测文档
            context.order_target_percent(context.symbol(stock), 0)
    
    # 如果当天没有买入的股票，就返回
    if len(stock_to_buy) == 0:
        return
    
    # 买入
    for i, instrument in enumerate(stock_to_buy):
        cash = context.portfolio.portfolio_value * 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 m68_prepare_bigquant_run(context):
    pass

# 回测引擎：初始化函数，只执行一次
def m69_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 = 1
    # 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 = [ 1 ]
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 1
    context.options['hold_days'] = 1

# 回测引擎：每日数据处理函数，每天执行一次
def m69_handle_data_bigquant_run(context, data):
   

    #-------------大盘风控模块
    # 获取当前持仓
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.portfolio.positions.items()}
    
    today = data.current_dt.strftime('%Y-%m-%d')
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == today]
    try:
    #大盘风控模块，读取风控数据    
        benckmark_risk=ranker_prediction['bm_1'].values[0]
        if benckmark_risk > 0:
            for instrument in positions.keys():
                context.order_target(context.symbol(instrument), 0)
                print(today,'大盘风控止损触发,全仓卖出')
                #如果return 在这里   只会卖出第一支持仓的股票，执行一次后返回，有可能起不到全仓风控的作用
            return
    except:
        print('开仓！')    
    
     #-------------大盘风控模块
    
    
    
   
    
    # 相隔几天（hold_days）进行一下换仓
    if context.trading_day_index % context.options['hold_days'] != 0:
        return 
    
       # 目前持仓
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.portfolio.positions.items()}
    # 权重
    buy_cash_weights = context.stock_weights
    # 今日买入股票列表
    stock_to_buy = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    # 持仓上限
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument

    # 通过positions对象，使用列表生成式的方法获取目前持仓的股票列表
    stock_hold_now = [equity.symbol for equity in context.portfolio.positions ]
    # 继续持有的股票：调仓时，如果买入的股票已经存在于目前的持仓里，那么应继续持有
    no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    # 需要卖出的股票
    stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
  
    # 卖出
    for stock in stock_to_sell:
        # 如果该股票停牌，则没法成交。因此需要用can_trade方法检查下该股票的状态
        # 如果返回真值，则可以正常下单，否则会出错
        # 因为stock是字符串格式，我们用symbol方法将其转化成平台可以接受的形式：Equity格式
        if data.can_trade(context.symbol(stock)):
            # order_target_percent是平台的一个下单接口，表明下单使得该股票的权重为0，
            #   即卖出全部股票，可参考回测文档
            context.order_target_percent(context.symbol(stock), 0)
    
    # 如果当天没有买入的股票，就返回
    if len(stock_to_buy) == 0:
        return
    
    # 买入
    for i, instrument in enumerate(stock_to_buy):
        cash = context.portfolio.portfolio_value * 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 m69_prepare_bigquant_run(context):
    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 m2_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    pred_label = input_1.read_pickle()
    df = input_2.read_df()
    df = pd.DataFrame({'pred_label':pred_label[:,0], 'instrument':df.instrument, 'date':df.date})
    df.sort_values(['date','pred_label'],inplace=True, ascending=[True,False])
    return Outputs(data_1=DataSource.write_df(df), 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 m2_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m6_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 = 1
    # 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 = [ 1 ]
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 1
    context.options['hold_days'] = 1
    
# 回测引擎：每日数据处理函数，每天执行一次
def m6_handle_data_bigquant_run(context, data):
    # 获取当前持仓
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.portfolio.positions.items()}
    
    today = data.current_dt.strftime('%Y-%m-%d')
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == today]
#    try:
     #大盘风控模块，读取风控数据    
#        benckmark_risk=ranker_prediction['bm_0'].values[1]
#        if benckmark_risk > 0:
 #          for instrument in positions.keys():
#               context.order_target(context.symbol(instrument), 0)
#               print(today,'大盘风控止损触发,全仓卖出')
#           return
#    except:
#        print('哈哈')
        
    #当risk为1时，市场有风险，全部平仓，不再执行其它操作    
    # 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')]
    #cash_for_buy = min(context.portfolio.portfolio_value/2,context.portfolio.cash)
    #cash_for_buy = context.portfolio.portfolio_value
    #print(ranker_prediction)
    #cash_for_buy = context.portfolio.portfolio_value
    cash_for_buy = context.portfolio.cash
    buy_instruments = list(ranker_prediction.instrument)
    sell_instruments = [instrument.symbol for instrument in context.portfolio.positions.keys()]
    to_buy = set(buy_instruments[:1]) - set(sell_instruments) 
    to_sell = set(sell_instruments) -  set(buy_instruments[:1])
   
    
    for instrument in to_sell:
        context.order_target(context.symbol(instrument), 0)
    for instrument in to_buy:
        context.order_value(context.symbol(instrument), cash_for_buy)

# 回测引擎：准备数据，只执行一次
def m6_prepare_bigquant_run(context):
    pass


m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2021-01-01'),
    end_date=T.live_run_param('trading_date', '2022-09-14'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m34 = M.instruments.v2(
    start_date='2015-01-01',
    end_date='2022-02-01',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m39 = M.advanced_auto_labeler.v2(
    instruments=m34.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 {{web_host_url}}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 <{{web_host_url}}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, -2) / shift(open, -1)
1000*label
# 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=True
)

m40 = M.input_features.v1(
    features="""avg_mf_net_amount_5
avg_turn_0
avg_turn_13
avg_turn_5
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
return_5/return_20#43: 5天的收益率/20天的收益率
rank_amount_5#45：最近5日的成交额排名
avg_turn_10#46：平均10天的换手率
return_20
volume_1
close_0>ts_max(close_0,42)#53：当日收盘价破 56天最高价（创新高）
ta_sma_10_0/ta_sma_30_0#56:   10天的sma线/30天的sma线
swing_volatility_10_0/swing_volatility_60_0 #59:   10天的波动率/60天的波动率
rank_return_3  #61:   3天收益率的 排名
mf_net_amount_0>mf_net_amount_1  #62:  判断 当日的资金流入净额>昨日资金流入净额
mf_net_amount_xl_0>mean(mf_net_amount_xl_0, 30)# 64：当天的超大单流入净量>平均30天内的超大单流入净量（30天超大单MA线）
cond4= (close_0-close_1)/close_1 >0.03#  65：当天涨幅>5%
#(close_0-close_30)/close_30>1.25#  66:30天内的涨幅大于125%
#(close_0-close_5)/close_5>1.16#  67：5天内的涨幅>116%
list_days_0>200#  68：上市天数>365天
ta_bbands_middleband_28_0 #69：布林带28天均线
cond28=sum(price_limit_status_0==3,36)>2  #70：统计80天内 涨停板的次数大于5
#短周期因子
A=sum(where(close_0==delay(close_0,1),0,close_0-where(close_0>delay(close_0,1),min(low_0,delay(close_0,1)),max(high_0,delay(close_0,1)))),6)
B=sum(((close_0-low_0)-(high_0-close_0))/(high_0-low_0)*volume_0,6)
C=sum(max(0,high_0-delay(close_0,1)),20)/sum(max(0,delay(close_0,1)-low_0),20)*100

"""
)

m42 = M.general_feature_extractor.v7(
    instruments=m34.data,
    features=m40.data,
    start_date='',
    end_date=''
)

m53 = M.chinaa_stock_filter.v1(
    input_data=m42.data,
    index_constituent_cond=['全部'],
    board_cond=['上证主板', '深证主板', '创业板'],
    industry_cond=['全部'],
    st_cond=['正常'],
    delist_cond=['非退市'],
    output_left_data=False
)

m43 = M.derived_feature_extractor.v3(
    input_data=m53.data,
    features=m40.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m41 = M.join.v3(
    data1=m39.data,
    data2=m43.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m52 = M.dropnan.v2(
    input_data=m41.data
)

m54 = M.filter.v3(
    input_data=m52.data,
    expr='date<\'2021-01-01\'',
    output_left_data=False
)

m61 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m40.data,
    start_date='',
    end_date='',
    before_start_days=60
)

m62 = M.chinaa_stock_filter.v1(
    input_data=m61.data,
    index_constituent_cond=['全部'],
    board_cond=['上证主板', '深证主板', '创业板'],
    industry_cond=['全部'],
    st_cond=['正常'],
    delist_cond=['非退市'],
    output_left_data=False
)

m63 = M.derived_feature_extractor.v3(
    input_data=m62.data,
    features=m40.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m64 = M.dropnan.v2(
    input_data=m63.data
)

m55 = M.input_features.v1(
    features="""avg_mf_net_amount_5
avg_turn_0
avg_turn_13
avg_turn_5
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"""
)

m75 = M.dl_convert_to_bin.v2(
    input_data=m54.data,
    features=m55.data,
    window_size=2,
    feature_clip=-2,
    flatten=True,
    window_along_col='instrument'
)

m27 = M.dl_convert_to_bin.v2(
    input_data=m64.data,
    features=m55.data,
    window_size=2,
    feature_clip=-2,
    flatten=True,
    window_along_col='instrument'
)

m73 = M.input_features.v1(
    features="""# #号开始的表示注释
# 多个特征，每行一个，可以包含基础特征和衍生特征
#--- 1.用指数的成交量（3.5日ma线死叉）  作为  全仓卖出风控的依据
bm_0=where(mean(volume, 5)-mean(volume, 20)<0,1,0)
#bm_0=where(ta_macd_dif(close,2,4,4)-ta_macd_dea(close,2,4,4)<0,1,0)

#--- 2.用指数的  MAAMT指标 作为 MAAMT指标择时策略  全仓卖出风控的依据
#成交量（金额）类
#求成交额的移动平均线。
#MAAMT=MA(AMOUNT,N)
#信号产生方式 如果成交额上穿 MAAMT，则产生买入信号；
#如果成交额下穿 MAAMT，则产生卖出信号。

bm_1=where(mean(amount, 5)-mean(amount, 20)<0,1,0)

#--- 3.用指数的  MAAMT指标 作为 MAAMT指标择时策略  全仓卖出风控的依据"""
)

m72 = M.index_feature_extract.v3(
    input_1=m9.data,
    input_2=m73.data,
    before_days=100,
    index='000300.HIX'
)

m13 = M.dl_layer_input.v1(
    shape='17,2',
    batch_shape='',
    dtype='float32',
    sparse=False,
    name=''
)

m12 = M.dl_layer_conv1d.v1(
    inputs=m13.data,
    filters=128,
    kernel_size='5',
    strides='1',
    padding='valid',
    dilation_rate=1,
    activation='relu',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m10 = M.dl_layer_maxpooling1d.v1(
    inputs=m12.data,
    pool_size=2,
    padding='valid',
    name=''
)

m8 = M.dl_layer_conv1d.v1(
    inputs=m10.data,
    filters=128,
    kernel_size='5',
    strides='1',
    padding='valid',
    dilation_rate=1,
    activation='relu',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m7 = M.dl_layer_maxpooling1d.v1(
    inputs=m8.data,
    pool_size=2,
    padding='valid',
    name=''
)

m4 = M.dl_layer_globalmaxpooling1d.v1(
    inputs=m7.data,
    name=''
)

m3 = M.dl_layer_dense.v1(
    inputs=m4.data,
    units=1,
    activation='sigmoid',
    use_bias=True,
    kernel_initializer='Zeros',
    bias_initializer='glorot_uniform',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m1 = M.dl_model_init.v1(
    inputs=m13.data,
    outputs=m3.data
)

m5 = M.dl_model_train.v1(
    input_model=m1.data,
    training_data=m75.data,
    optimizer='RMSprop',
    loss='mean_squared_error',
    metrics='mae',
    batch_size=10240,
    epochs=20,
    custom_objects=m5_custom_objects_bigquant_run,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录'
)

m11 = M.dl_model_predict.v1(
    trained_model=m5.data,
    input_data=m27.data,
    batch_size=10240,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录'
)

m71 = M.join.v3(
    data1=m11.data,
    data2=m72.data_1,
    on='date',
    how='left',
    sort=False
)

m70 = M.sort.v4(
    input_ds=m71.data,
    sort_by='date',
    group_by='--',
    keep_columns='--',
    ascending=True
)

m68 = M.trade.v4(
    instruments=m9.data,
    options_data=m70.sorted_data,
    start_date='',
    end_date='',
    initialize=m68_initialize_bigquant_run,
    handle_data=m68_handle_data_bigquant_run,
    prepare=m68_prepare_bigquant_run,
    volume_limit=0,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=30000,
    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='000300.HIX'
)

m69 = M.trade.v4(
    instruments=m9.data,
    options_data=m70.sorted_data,
    start_date='',
    end_date='',
    initialize=m69_initialize_bigquant_run,
    handle_data=m69_handle_data_bigquant_run,
    prepare=m69_prepare_bigquant_run,
    volume_limit=0,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=30000,
    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='000300.HIX'
)

m2 = M.cached.v3(
    input_1=m11.data,
    run=m2_run_bigquant_run,
    post_run=m2_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m6 = M.trade.v4(
    instruments=m9.data,
    options_data=m2.data_1,
    start_date='',
    end_date='',
    initialize=m6_initialize_bigquant_run,
    handle_data=m6_handle_data_bigquant_run,
    prepare=m6_prepare_bigquant_run,
    volume_limit=0,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=30000,
    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='000300.SHA'
)

[2022-09-16 08:50:26.899482] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-16 08:50:26.921967] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:26.927356] INFO: moduleinvoker: instruments.v2 运行完成[0.027875s].

[2022-09-16 08:50:26.941756] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-16 08:50:26.949454] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:26.952403] INFO: moduleinvoker: instruments.v2 运行完成[0.010714s].

[2022-09-16 08:50:26.978016] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-09-16 08:50:26.987086] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:26.990060] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.012033s].

[2022-09-16 08:50:26.998161] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-16 08:50:27.007884] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.012922] INFO: moduleinvoker: input_features.v1 运行完成[0.014769s].

[2022-09-16 08:50:27.035729] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-16 08:50:27.047455] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.051401] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.015719s].

[2022-09-16 08:50:27.084844] INFO: moduleinvoker: chinaa_stock_filter.v1 开始运行..

[2022-09-16 08:50:27.093599] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.098658] INFO: moduleinvoker: chinaa_stock_filter.v1 运行完成[0.013805s].

[2022-09-16 08:50:27.110807] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-16 08:50:27.120053] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.123493] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.012671s].

[2022-09-16 08:50:27.139487] INFO: moduleinvoker: join.v3 开始运行..

[2022-09-16 08:50:27.147164] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.150096] INFO: moduleinvoker: join.v3 运行完成[0.010611s].

[2022-09-16 08:50:27.176055] INFO: moduleinvoker: dropnan.v2 开始运行..

[2022-09-16 08:50:27.183857] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.186354] INFO: moduleinvoker: dropnan.v2 运行完成[0.010271s].

[2022-09-16 08:50:27.197568] INFO: moduleinvoker: filter.v3 开始运行..

[2022-09-16 08:50:27.204460] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.207455] INFO: moduleinvoker: filter.v3 运行完成[0.009869s].

[2022-09-16 08:50:27.227836] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-16 08:50:27.236618] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.241002] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.013176s].

[2022-09-16 08:50:27.254528] INFO: moduleinvoker: chinaa_stock_filter.v1 开始运行..

[2022-09-16 08:50:27.262458] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.265487] INFO: moduleinvoker: chinaa_stock_filter.v1 运行完成[0.010956s].

[2022-09-16 08:50:27.287899] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-16 08:50:27.299494] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.303209] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.015318s].

[2022-09-16 08:50:27.329071] INFO: moduleinvoker: dropnan.v2 开始运行..

[2022-09-16 08:50:27.339265] INFO: moduleinvoker: 命中缓存

[2022-09-16 08:50:27.342093] INFO: moduleinvoker: dropnan.v2 运行完成[0.013024s].

[2022-09-16 08:50:27.349116] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-16 08:50:27.399046] INFO: moduleinvoker: input_features.v1 运行完成[0.049929s].

[2022-09-16 08:50:27.424153] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-16 08:52:42.768460] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[135.344323s].

[2022-09-16 08:52:42.795680] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

In [ ]:

pd.DataFrame([DataSource(m5.data.id).read()]).to_pickle('/home/bigquant/work/userlib/modeltianxie0915.csv')