复制链接

克隆策略

如何计算股票板块的收益率用于构造模型训练标注和模型过滤？¶

1.标注-- 如何构造板块收益率的标注？¶

（1）首先通过代码列表和特征因子列表提取基础因子用于后续计算我们的板块收益率¶

industry_sw_level2_0¶

market_cap_float_0¶

daily_return_0¶

（2）其次将申万二级行业的数据库表跟股票的日线行情表连接起来¶

运用 dataframe的 grouby 和merge操作计算出我们需要的板块流通收益率（ps:这里也可以直接计算收益不需要股票的流通市值）¶

block_data = basic_data.groupby(['name_SW2','date']).agg({'daily_return_0':'sum','market_cap_float_0':'sum'}).reset_index()¶

block_data.columns = ['name_SW2','date','daily_return_0_block_sum','market_cap_float_0_block_sum']¶

合并¶

rst = pd.merge(basic_data[['date','name_SW2','instrument','daily_return_0','market_cap_float_0']],block_data,on=['date','name_SW2'],how='left').dropna()¶

得到 rst['板块流通收益率'] = rst['daily_return_0']*rst['market_cap_float_0']/rst['market_cap_float_0_block_sum']¶

（3）最后把这个合并后的表 m12 传入我们的自动标注引擎我们的标注就完成了，赶快打开m12模块和m21模块查看我们构造的标注¶

2.数据过滤-- 如何利用板块收益率对我们的股票标的进行过滤？¶

（1）先说方法：把计算好的板块收益率数据跟我们的因子数据连接起来之后使用数据过滤模块就可以很轻松实现这一个需求。¶

（2）再说原理：为何要过滤板块收益率？---¶

[1]热点追涨：很多时候我们模型选出来的股票虽然得分socre很高，但是明显不是近期的热点，那模型选股的赚钱效应就有可能不是很强，这个时候如果能让我们模型的选股风格贴近市场的热点¶

过滤比如近期板块收益率较高，或者板块动量较强的，或者全市场收益前5名的板块，在这一个范围内选股，就有可能使我们的模型选股达到一个强中选强，甚至1+1>2的效果¶

例如：¶

过滤当日板块收益排在头部top前5% 的的股票¶

(rank(板块流通收益率)>=0.95)

过滤近五日板块收益总合排在头部top前10% 的的股票¶

&(rank(sum(板块流通收益率,5))>=0.9)

过滤近3日板块收益均值大于近3日板块益均值（均线）¶

&(mean(板块流通收益率,3)>=mean(板块流通收益率,5))

过滤近5日板块收益均值大于近10日板块益均值（均线）¶

&(mean(板块流通收益率,5)>=mean(板块流通收益率,10))

[2]热点回调：有些模型的因子特征还有选股的风格偏好，偏向于选取前期超跌有反弹预期的股票，那这个时候如果我们叠加板块的超跌效应，¶

过滤选取近期板块收益率排名靠后的那些股票，可以让我们模型的选股偏好更具有针对性，有概率选到前期的老龙头，老妖股，超跌股和强势股反弹¶

In [ ]:

#我们可以看一下 m12中的数据长啥样
m12.data.read()

In [ ]:

#我们可以看一下 m21中的标注数据长啥样
m21.data.read()

In [ ]:

# 本代码由可视化策略环境自动生成 2022年9月9日 14:05
# 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。


# 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 m34_run_bigquant_run(input_1, input_2, input_3, SW_type):
    basic_data = input_1.read()
    start_date = str(basic_data.date.min())
    end_date = str(basic_data.date.max())
    SW_data = DataSource('basic_info_IndustrySw').read()
    SW_data['code'] = SW_data.code.astype('int')

    SW_data_2014_2 = SW_data[(SW_data.version==2014)&(SW_data.industry_sw_level==2)][['code','name']].rename(columns={'code':'industry_sw_level2_0','name':'name_SW2'})

    SW_data_2021_2 = SW_data[(SW_data.version==2021)&(SW_data.industry_sw_level==2)][['code','name']].rename(columns={'code':'industry_sw_level2_0','name':'name_SW2'})

    basic_data['daily_return_0'] = basic_data['daily_return_0']-1

    if end_date < '2021-12-13':

        basic_data = basic_data.merge(SW_data_2014_2,how='left',on='industry_sw_level2_0')

    else:
        basic_data_2014 = basic_data[basic_data.date < '2021-12-13']

        basic_data_2014 = basic_data_2014.merge(SW_data_2014_2,how='left',on='industry_sw_level2_0')

        basic_data_2021 = basic_data[basic_data.date >= '2021-12-13']

        basic_data_2021 = basic_data_2021.merge(SW_data_2021_2,how='left',on='industry_sw_level2_0')

        basic_data = pd.concat([basic_data_2014,basic_data_2021])
        
    block_data = basic_data.groupby(['name_SW2','date']).agg({'daily_return_0':'sum','market_cap_float_0':'sum'}).reset_index()
    block_data.columns = ['name_SW2','date','daily_return_0_block_sum','market_cap_float_0_block_sum']
    rst = pd.merge(basic_data[['date','name_SW2','instrument','daily_return_0','market_cap_float_0']],block_data,on=['date','name_SW2'],how='left').dropna()
    
    rst['板块流通收益率'] = rst['daily_return_0']*rst['market_cap_float_0']/rst['market_cap_float_0_block_sum']
    data_1 = DataSource.write_df(rst)
    return Outputs(data_1=data_1)

# 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 m34_post_run_bigquant_run(outputs):
    return outputs

# 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 m19_run_bigquant_run(input_1, input_2, input_3, SW_type):
    basic_data = input_1.read()
    start_date = str(basic_data.date.min())
    end_date = str(basic_data.date.max())
    SW_data = DataSource('basic_info_IndustrySw').read()
    SW_data['code'] = SW_data.code.astype('int')

    SW_data_2014_2 = SW_data[(SW_data.version==2014)&(SW_data.industry_sw_level==2)][['code','name']].rename(columns={'code':'industry_sw_level2_0','name':'name_SW2'})

    SW_data_2021_2 = SW_data[(SW_data.version==2021)&(SW_data.industry_sw_level==2)][['code','name']].rename(columns={'code':'industry_sw_level2_0','name':'name_SW2'})

    basic_data['daily_return_0'] = basic_data['daily_return_0']-1

    if end_date < '2021-12-13':

        basic_data = basic_data.merge(SW_data_2014_2,how='left',on='industry_sw_level2_0')

    else:
        basic_data_2014 = basic_data[basic_data.date < '2021-12-13']

        basic_data_2014 = basic_data_2014.merge(SW_data_2014_2,how='left',on='industry_sw_level2_0')

        basic_data_2021 = basic_data[basic_data.date >= '2021-12-13']

        basic_data_2021 = basic_data_2021.merge(SW_data_2021_2,how='left',on='industry_sw_level2_0')

        basic_data = pd.concat([basic_data_2014,basic_data_2021])
        
    block_data = basic_data.groupby(['name_SW2','date']).agg({'daily_return_0':'sum','market_cap_float_0':'sum'}).reset_index()
    block_data.columns = ['name_SW2','date','daily_return_0_block_sum','market_cap_float_0_block_sum']
    rst = pd.merge(basic_data[['date','name_SW2','instrument','daily_return_0','market_cap_float_0']],block_data,on=['date','name_SW2'],how='left').dropna()
    
    rst['板块流通收益率'] = rst['daily_return_0']*rst['market_cap_float_0']/rst['market_cap_float_0_block_sum']
    data_1 = DataSource.write_df(rst)
    return Outputs(data_1=data_1)

# 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 m19_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m10_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 = 1
    context.options['hold_days'] = 0

# 回测引擎：每日数据处理函数，每天执行一次
def m10_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.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.portfolio.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.portfolio.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities)])))

        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 = 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 m10_prepare_bigquant_run(context):
    pass

# 回测引擎：初始化函数，只执行一次
def m32_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 = 1
    context.options['hold_days'] = 0

# 回测引擎：每日数据处理函数，每天执行一次
def m32_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.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.portfolio.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.portfolio.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities)])))

        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 = 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 m32_prepare_bigquant_run(context):
    pass


m1 = M.instruments.v2(
    start_date='2018-06-01',
    end_date='2022-01-01',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m20 = M.use_datasource.v1(
    instruments=m1.data,
    datasource_id='bar1d_CN_STOCK_A',
    start_date='',
    end_date=''
)

m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2022-01-01'),
    end_date=T.live_run_param('trading_date', '2022-06-22'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m5 = M.use_datasource.v1(
    instruments=m9.data,
    datasource_id='bar1d_CN_STOCK_A',
    start_date='',
    end_date=''
)

m2 = 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

correlation(log(volume_0),return_0,10)

"""
)

m15 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m2.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m16 = M.derived_feature_extractor.v3(
    input_data=m15.data,
    features=m2.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m17 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m2.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m18 = M.derived_feature_extractor.v3(
    input_data=m17.data,
    features=m2.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m26 = M.filter_stockcode.v2(
    input_1=m18.data,
    start='688'
)

m27 = M.filtet_st_stock.v7(
    input_1=m26.data_1
)

m28 = M.filter_delist_stocks.v3(
    input_1=m27.data_1
)

m31 = M.input_features.v1(
    features="""industry_sw_level2_0
market_cap_float_0
daily_return_0
"""
)

m33 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m31.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m34 = M.cached.v3(
    input_1=m33.data,
    run=m34_run_bigquant_run,
    post_run=m34_post_run_bigquant_run,
    input_ports='',
    params="""{
    'SW_type':'name_SW2'
}""",
    output_ports='data_1,data_2'
)

m12 = M.join.v3(
    data1=m34.data_1,
    data2=m20.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m25 = M.filter.v3(
    input_data=m12.data,
    expr='rank(板块流通收益率)>0.95',
    output_left_data=False
)

m21 = M.auto_labeler_on_datasource.v1(
    input_data=m25.data,
    label_expr="""

# 计算收益：3日最高价(作为卖出价格)      除以明日开盘价(作为买入价格)   /  未来3日 的板块流通收益率
-1*(shift(high, -3)/shift(open, -1))/shift(板块流通收益率, -3) -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)""",
    drop_na_label=True,
    cast_label_int=True,
    date_col='date',
    instrument_col='instrument',
    user_functions={}
)

m7 = M.join.v3(
    data1=m21.data,
    data2=m16.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m29 = M.filtet_st_stock.v7(
    input_1=m7.data
)

m13 = M.dropnan.v1(
    input_data=m29.data_1
)

m6 = M.stock_ranker_train.v6(
    training_ds=m13.data,
    features=m2.data,
    test_ds=m13.data,
    learning_algorithm='排序',
    number_of_leaves=30,
    minimum_docs_per_leaf=1000,
    number_of_trees=50,
    learning_rate=0.1,
    max_bins=1023,
    feature_fraction=1,
    data_row_fraction=1,
    plot_charts=True,
    ndcg_discount_base=1,
    m_lazy_run=False
)

m4 = M.input_features.v1(
    features="""industry_sw_level2_0
market_cap_float_0
daily_return_0
"""
)

m11 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m4.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m19 = M.cached.v3(
    input_1=m11.data,
    run=m19_run_bigquant_run,
    post_run=m19_post_run_bigquant_run,
    input_ports='',
    params="""{
    'SW_type':'name_SW2'
}""",
    output_ports='data_1,data_2'
)

m22 = M.join.v3(
    data1=m19.data_1,
    data2=m5.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m24 = M.join.v3(
    data1=m28.data,
    data2=m22.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m30 = M.filter.v3(
    input_data=m24.data,
    expr='rank(板块流通收益率)>0.95',
    output_left_data=False
)

m14 = M.dropnan.v1(
    input_data=m30.data
)

m8 = M.stock_ranker_predict.v5(
    model=m6.model,
    data=m14.data,
    m_lazy_run=False
)

m23 = M.sort.v5(
    input_ds=m8.predictions,
    sort_by='score',
    group_by='date',
    keep_columns='--',
    ascending=False
)

m10 = M.trade.v4(
    instruments=m9.data,
    options_data=m23.sorted_data,
    start_date='',
    end_date='',
    initialize=m10_initialize_bigquant_run,
    handle_data=m10_handle_data_bigquant_run,
    prepare=m10_prepare_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='000300.SHA'
)

m3 = M.sort.v5(
    input_ds=m8.predictions,
    sort_by='score',
    group_by='date',
    keep_columns='--',
    ascending=True
)

m32 = M.trade.v4(
    instruments=m9.data,
    options_data=m3.sorted_data,
    start_date='',
    end_date='',
    initialize=m32_initialize_bigquant_run,
    handle_data=m32_handle_data_bigquant_run,
    prepare=m32_prepare_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='000300.SHA'
)

如何计算股票板块的收益率 用于构造 模型训练标注 和模型过滤？¶

1.标注-- 如何构造板块收益率的标注？¶

（1）首先通过代码列表 和特征因子列表提取基础因子 用于后续计算我们的板块收益率¶

industry_sw_level2_0¶

market_cap_float_0¶

daily_return_0¶

（2）其次将申万二级行业 的数据库表 跟 股票的日线行情表 连接起来¶

运用 dataframe的 grouby 和merge操作 计算出我们需要的 板块流通收益率（ps:这里也可以直接计算收益 不需要股票的流通市值）¶

block_data = basic_data.groupby(['name_SW2','date']).agg({'daily_return_0':'sum','market_cap_float_0':'sum'}).reset_index()¶

block_data.columns = ['name_SW2','date','daily_return_0_block_sum','market_cap_float_0_block_sum']¶

合并¶

rst = pd.merge(basic_data[['date','name_SW2','instrument','daily_return_0','market_cap_float_0']],block_data,on=['date','name_SW2'],how='left').dropna()¶

得到 rst['板块流通收益率'] = rst['daily_return_0']*rst['market_cap_float_0']/rst['market_cap_float_0_block_sum']¶

（3） 最后 把这个合并后的表 m12 传入 我们的自动标注引擎 我们的标注就完成了，赶快打开m12模块 和m21模块查看我们构造的标注¶

2.数据过滤-- 如何利用板块收益率对我们的股票标的进行过滤？¶

（1）先说方法： 把计算好的板块收益率数据 跟我们的因子数据连接起来之后 使用数据过滤模块 就可以很轻松实现这一个需求。¶

（2）再说原理： 为何要过滤板块收益率？---¶

[1]热点追涨：很多时候我们模型选出来的股票 虽然得分socre很高，但是明显不是近期的热点，那模型选股的赚钱效应就有可能不是很强，这个时候如果能让我们模型的选股风格贴近市场的热点¶

过滤比如近期 板块收益率较高，或者板块动量较强的，或者全市场收益前5名的板块，在这一个范围内选股，就有可能 使我们的模型选股达到一个强中选强，甚至1+1>2的效果¶

例如：¶

过滤 当日板块收益 排在 头部top前5% 的的股票¶

过滤 近五日板块收益总合 排在 头部top前10% 的的股票¶

过滤 近3日板块收益均值 大于 近3日板块益均值 （均线）¶

过滤 近5日板块收益均值 大于 近10日板块益均值 （均线）¶

[2]热点回调：有些模型的因子特征 还有选股的风格偏好，偏向于选取前期超跌 有反弹预期的股票，那这个时候 如果我们叠加板块的超跌效应，¶

过滤选取近期 板块收益率 排名靠后的那些股票，可以让我们模型的选股偏好更具有针对性，有概率选到前期的老龙头，老妖股，超跌股 和强势股反弹¶

如何计算股票板块的收益率用于构造模型训练标注和模型过滤？¶

（1）首先通过代码列表和特征因子列表提取基础因子用于后续计算我们的板块收益率¶

（2）其次将申万二级行业的数据库表跟股票的日线行情表连接起来¶

运用 dataframe的 grouby 和merge操作计算出我们需要的板块流通收益率（ps:这里也可以直接计算收益不需要股票的流通市值）¶

（3）最后把这个合并后的表 m12 传入我们的自动标注引擎我们的标注就完成了，赶快打开m12模块和m21模块查看我们构造的标注¶

（1）先说方法：把计算好的板块收益率数据跟我们的因子数据连接起来之后使用数据过滤模块就可以很轻松实现这一个需求。¶

（2）再说原理：为何要过滤板块收益率？---¶

[1]热点追涨：很多时候我们模型选出来的股票虽然得分socre很高，但是明显不是近期的热点，那模型选股的赚钱效应就有可能不是很强，这个时候如果能让我们模型的选股风格贴近市场的热点¶

过滤比如近期板块收益率较高，或者板块动量较强的，或者全市场收益前5名的板块，在这一个范围内选股，就有可能使我们的模型选股达到一个强中选强，甚至1+1>2的效果¶

过滤当日板块收益排在头部top前5% 的的股票¶

过滤近五日板块收益总合排在头部top前10% 的的股票¶

过滤近3日板块收益均值大于近3日板块益均值（均线）¶

过滤近5日板块收益均值大于近10日板块益均值（均线）¶

[2]热点回调：有些模型的因子特征还有选股的风格偏好，偏向于选取前期超跌有反弹预期的股票，那这个时候如果我们叠加板块的超跌效应，¶

过滤选取近期板块收益率排名靠后的那些股票，可以让我们模型的选股偏好更具有针对性，有概率选到前期的老龙头，老妖股，超跌股和强势股反弹¶