复制链接

克隆策略

In [33]:

# 本代码由可视化策略环境自动生成 2022年7月7日 07:59
# 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。


'''
s 开头的函数 输入值是 数值
v 开头的函数 输入值是 数组



s_shu
s_max
s_min
v_add
v_sub
v_mul
v_div
v_sqrt
v_log
v_neg
v_sign
v_s_sqrt
v_s_log
v_abs
v_shift
v_delta
v_ts_min
v_ts_max
v_ts_argmin
v_ts_argmax
v_ts_incv
v_ts_rank
v_ts_wma2
v_ts_ema
v_sum
v_mean
v_std
v_correlation
v_covariance
v_product
v_rank



v_sign 被其他2个函数调用了，参数也要把df传进去


'''


# 自定义运算符函数
import numpy as np
import pandas as pd
from functools import reduce  # 算子里求累乘用
import talib as ta


# 子函数

#把为0的值处理为nan
def _zero_to_nan(A):
    
    A2 = (A !=0)
    A3 = np.where(A2,A,np.nan)
    return A3


# 求列表累乘
def _red(aaa):
    re = reduce(lambda x,y:x*y,aaa)
    return re

# 传入array返回最后一个元素排序值的函数，这里除以n则是为了正则化(这里很重要)
def _get_sort_value(x):
    s = pd.Series(x)    
    return s.rank(method='first')[len(s)-1]


# 过去n天加权移动平均，m需要小于n
# alpha为 指定平滑系数,alpha 参数为 n/m
# alpha must satisfy: 0 < alpha <= 1
def _my_ewm(temp,alpha1):
    data2 =pd.DataFrame(temp)
    bak = data2.ewm(alpha=alpha1,adjust=False,axis=0).mean()
    bak = bak[0].values
    bak = bak[len(temp)-1]
    return bak



# 过去n天指数移动平均值
# 当com=2时，α=1/(1+com)=1/3

def _my_ema(temp):    
    data2 =pd.DataFrame(temp)    
    bak = data2.ewm(com=2,adjust=False,axis=0).mean()
    bak = bak[0].values
    bak = bak[len(temp)-1]
    return bak



def s_shu(df,a):    
    return a 

# 这个函数主要是用于解决算子返回值必须有Int类型的错误的
def s_max(df,a, b):   
    if a>=b:
        return a
    else:
        return b

# 这个函数主要是用于解决算子返回值必须有Int类型的错误的
def s_min(df,a, b):   
    if a>=b:
        return b
    else:
        return a  

# 加减乘除
def v_add(df,A, B):   
    return A + B

def v_sub(df,A, B):   
    return A - B

def v_mul(df,A, B):
    return A * B

def v_div(df,A, B):
    B = _zero_to_nan(B) #把为0的值处理为nan
    return A / B
    

# 不含符号的开方
def v_sqrt(df,A):   
    return np.sqrt(abs(A))


# 自然对数
def v_log(df,A):   
    A = _zero_to_nan(A) #把为0的值处理为nan
    return np.log(abs(A))    
    

# 相反数
def v_neg(df,A):
    return -A

# 符号函数
def v_sign(df,A):
    data4 = np.sign(A)
    return data4

# 带符号的开方
def v_s_sqrt(df,A):   
    return np.sqrt(abs(A))*v_sign(df,A)

# 带符号的Log
def v_s_log(df,A):  
    A = _zero_to_nan(A) #把为0的值处理为nan
    return np.log(abs(A))*v_sign(df,A)


# 绝对值
def v_abs(df,A):
    return abs(A)

# 过去 n 天的数值
def v_shift(df,A, n):
    data1 =pd.DataFrame(A)
    data4 = data1.shift(periods=n, axis=0)
    return data4.values

# 当日值-过去 n 天值
def v_delta(df,A, n):
    data1 =pd.DataFrame(A)
    data4 = data1.shift(periods=n, axis=0)
    data5 = data1-data4
    return data5.values
    
# 过去 n 天的最小值       
def v_ts_min(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).min()
    return data6.values
    
# 过去 n 天的最大值      
def v_ts_max(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).max()
    return data6.values


# 过去 n 天最小值序号（即过去 n 天最小值的下标）
def v_ts_argmin(df,A, n):
    data1 = pd.DataFrame(A)
    data7 = data1.rolling(n, min_periods=1,axis=0).apply(lambda x: x.argmin(),raw=True)
    return data7.values

# 过去 n 天最大值序号（即过去 n 天最大值的下标）
def v_ts_argmax(df,A, n):
    data1 = pd.DataFrame(A)
    data7 = data1.rolling(n, min_periods=1,axis=0).apply(lambda x: x.argmax(),raw=True)
    return data7.values  


# 过去 n 天的均值除以标准差
def v_ts_incv(df,A, n):
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).mean()
    data7 = data1.rolling(n, min_periods=1,center=False,axis=0).std()
    data8 = data6/data7
    return data8.values 


# 过去 n 天排序
def v_ts_rank(df,A, n):
    data1 = pd.DataFrame(A)
    data2 = data1.rolling(n,axis=0).apply(lambda x: _get_sort_value(x)/n,raw=True)
    data2
    return data2.values




# ts_wma参数不能有浮点数，有浮点数，就意味着必须引入bak为浮点的函数！！
def v_ts_wma2(df,A,n,m):
    a = m/n
    if a > 1:
        a = 1/a
    a = round(a, 2)
    df = pd.DataFrame(A)
    aaa = df.rolling(n, min_periods=1,center=False,axis=0).apply(lambda x:_my_ewm(x,a) ,raw=True)
    return aaa.values



def v_ts_ema(df,A,n):        
    df = pd.DataFrame(A)
    aaa = df.rolling(n, min_periods=1,center=False,axis=0).apply(lambda x:_my_ema(x) ,raw=True)    
    return aaa.values




# 过去 n 天的求和      
def v_sum(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).sum()
    return data6.values

# 过去 n 天的均值      
def v_mean(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).mean()
    return data6.values  




# 过去 n 天的标准差      
def v_std(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).std()
    return data6.values 



# 过去 n 天的相关系数      
def v_correlation(df,A,B,n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data2 = pd.DataFrame(B)
    aaa = data1.rolling(n, min_periods=1,center=False,axis=0)
    bbb = data2.rolling(n, min_periods=1,center=False,axis=0)
    ccc = aaa.corr(bbb)
    return ccc.values 

# 过去 n 天的协方差   
def v_covariance(df,A,B,n):
    #这里的 center 必须是 False！
    '''
    rolling 第一个参数是包含今天的 窗口大小，1就是代表当天
    
    '''
    data1 = pd.DataFrame(A)
    data2 = pd.DataFrame(B)
    aaa = data1.rolling(n, min_periods=1,center=False,axis=0)#min_periods 最少观测值数量
    bbb = data2.rolling(n, min_periods=1,center=False,axis=0)
    ccc = aaa.cov(bbb)
    return ccc.values 




# 过去 n 天累乘
def v_product(df,A, n):
    data1 = pd.DataFrame(A)
    aaa = data1.rolling(n, min_periods=1,center=False,axis=0).apply(lambda x: _red(x),raw=True)
    return aaa.values



# 截面排序
def v_rank(df,A):
    data1 = pd.DataFrame(A)
    data2 = data1.rank(method="first",axis=1)
    return data2.values 

# 过去 n 天的排序（今天的因子值在过去n天的排序）
# 考虑固定窗口不一样时，计算结果难以相互比较，故而可以将每次得到的序值除以窗口长度，从而将结果正则到[0,1]之间



m9_user_functions_bigquant_run = {
    's_shu':  s_shu,
    's_max':  s_max,
    's_min':  s_min,
    'v_add':  v_add,
    'v_sub':  v_sub,
    'v_mul':  v_mul,
    'v_div':  v_div,
    'v_sqrt':  v_sqrt,
    'v_log':  v_log,
    'v_neg':  v_neg,
    'v_sign':  v_sign,
    'v_s_sqrt':  v_s_sqrt,
    'v_s_log':  v_s_log,
    'v_abs':  v_abs,
    'v_shift':  v_shift,
    'v_delta':  v_delta,
    'v_ts_min':  v_ts_min,
    'v_ts_max':  v_ts_max,
    'v_ts_argmin':  v_ts_argmin,
    'v_ts_argmax':  v_ts_argmax,
    'v_ts_incv':  v_ts_incv,
    'v_ts_rank':  v_ts_rank,
    'v_ts_wma2':  v_ts_wma2,
    'v_ts_ema':  v_ts_ema,
    'v_sum':  v_sum,
    'v_mean':  v_mean,
    'v_std':  v_std,
    'v_correlation':  v_correlation,
    'v_covariance':  v_covariance,
    'v_product':  v_product,
    'v_rank':  v_rank
}
'''
s 开头的函数 输入值是 数值
v 开头的函数 输入值是 数组



s_shu
s_max
s_min
v_add
v_sub
v_mul
v_div
v_sqrt
v_log
v_neg
v_sign
v_s_sqrt
v_s_log
v_abs
v_shift
v_delta
v_ts_min
v_ts_max
v_ts_argmin
v_ts_argmax
v_ts_incv
v_ts_rank
v_ts_wma2
v_ts_ema
v_sum
v_mean
v_std
v_correlation
v_covariance
v_product
v_rank



v_sign 被其他2个函数调用了，参数也要把df传进去


'''


# 自定义运算符函数
import numpy as np
import pandas as pd
from functools import reduce  # 算子里求累乘用
import talib as ta


# 子函数

#把为0的值处理为nan
def _zero_to_nan(A):
    
    A2 = (A !=0)
    A3 = np.where(A2,A,np.nan)
    return A3


# 求列表累乘
def _red(aaa):
    re = reduce(lambda x,y:x*y,aaa)
    return re

# 传入array返回最后一个元素排序值的函数，这里除以n则是为了正则化(这里很重要)
def _get_sort_value(x):
    s = pd.Series(x)    
    return s.rank(method='first')[len(s)-1]


# 过去n天加权移动平均，m需要小于n
# alpha为 指定平滑系数,alpha 参数为 n/m
# alpha must satisfy: 0 < alpha <= 1
def _my_ewm(temp,alpha1):
    data2 =pd.DataFrame(temp)
    bak = data2.ewm(alpha=alpha1,adjust=False,axis=0).mean()
    bak = bak[0].values
    bak = bak[len(temp)-1]
    return bak



# 过去n天指数移动平均值
# 当com=2时，α=1/(1+com)=1/3

def _my_ema(temp):    
    data2 =pd.DataFrame(temp)    
    bak = data2.ewm(com=2,adjust=False,axis=0).mean()
    bak = bak[0].values
    bak = bak[len(temp)-1]
    return bak



def s_shu(df,a):    
    return a 

# 这个函数主要是用于解决算子返回值必须有Int类型的错误的
def s_max(df,a, b):   
    if a>=b:
        return a
    else:
        return b

# 这个函数主要是用于解决算子返回值必须有Int类型的错误的
def s_min(df,a, b):   
    if a>=b:
        return b
    else:
        return a  

# 加减乘除
def v_add(df,A, B):   
    return A + B

def v_sub(df,A, B):   
    return A - B

def v_mul(df,A, B):
    return A * B

def v_div(df,A, B):
    B = _zero_to_nan(B) #把为0的值处理为nan
    return A / B
    

# 不含符号的开方
def v_sqrt(df,A):   
    return np.sqrt(abs(A))


# 自然对数
def v_log(df,A):   
    A = _zero_to_nan(A) #把为0的值处理为nan
    return np.log(abs(A))    
    

# 相反数
def v_neg(df,A):
    return -A

# 符号函数
def v_sign(df,A):
    data4 = np.sign(A)
    return data4

# 带符号的开方
def v_s_sqrt(df,A):   
    return np.sqrt(abs(A))*v_sign(df,A)

# 带符号的Log
def v_s_log(df,A):  
    A = _zero_to_nan(A) #把为0的值处理为nan
    return np.log(abs(A))*v_sign(df,A)


# 绝对值
def v_abs(df,A):
    return abs(A)

# 过去 n 天的数值
def v_shift(df,A, n):
    data1 =pd.DataFrame(A)
    data4 = data1.shift(periods=n, axis=0)
    return data4.values

# 当日值-过去 n 天值
def v_delta(df,A, n):
    data1 =pd.DataFrame(A)
    data4 = data1.shift(periods=n, axis=0)
    data5 = data1-data4
    return data5.values
    
# 过去 n 天的最小值       
def v_ts_min(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).min()
    return data6.values
    
# 过去 n 天的最大值      
def v_ts_max(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).max()
    return data6.values


# 过去 n 天最小值序号（即过去 n 天最小值的下标）
def v_ts_argmin(df,A, n):
    data1 = pd.DataFrame(A)
    data7 = data1.rolling(n, min_periods=1,axis=0).apply(lambda x: x.argmin(),raw=True)
    return data7.values

# 过去 n 天最大值序号（即过去 n 天最大值的下标）
def v_ts_argmax(df,A, n):
    data1 = pd.DataFrame(A)
    data7 = data1.rolling(n, min_periods=1,axis=0).apply(lambda x: x.argmax(),raw=True)
    return data7.values  


# 过去 n 天的均值除以标准差
def v_ts_incv(df,A, n):
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).mean()
    data7 = data1.rolling(n, min_periods=1,center=False,axis=0).std()
    data8 = data6/data7
    return data8.values 


# 过去 n 天排序
def v_ts_rank(df,A, n):
    data1 = pd.DataFrame(A)
    data2 = data1.rolling(n,axis=0).apply(lambda x: _get_sort_value(x)/n,raw=True)
    data2
    return data2.values




# ts_wma参数不能有浮点数，有浮点数，就意味着必须引入bak为浮点的函数！！
def v_ts_wma2(df,A,n,m):
    a = m/n
    if a > 1:
        a = 1/a
    a = round(a, 2)
    df = pd.DataFrame(A)
    aaa = df.rolling(n, min_periods=1,center=False,axis=0).apply(lambda x:_my_ewm(x,a) ,raw=True)
    return aaa.values



def v_ts_ema(df,A,n):        
    df = pd.DataFrame(A)
    aaa = df.rolling(n, min_periods=1,center=False,axis=0).apply(lambda x:_my_ema(x) ,raw=True)    
    return aaa.values




# 过去 n 天的求和      
def v_sum(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).sum()
    return data6.values

# 过去 n 天的均值      
def v_mean(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).mean()
    return data6.values  




# 过去 n 天的标准差      
def v_std(df,A, n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data6 = data1.rolling(n, min_periods=1,center=False,axis=0).std()
    return data6.values 



# 过去 n 天的相关系数      
def v_correlation(df,A,B,n):
    #这里的 center 必须是 False！
    data1 = pd.DataFrame(A)
    data2 = pd.DataFrame(B)
    aaa = data1.rolling(n, min_periods=1,center=False,axis=0)
    bbb = data2.rolling(n, min_periods=1,center=False,axis=0)
    ccc = aaa.corr(bbb)
    return ccc.values 

# 过去 n 天的协方差   
def v_covariance(df,A,B,n):
    #这里的 center 必须是 False！
    '''
    rolling 第一个参数是包含今天的 窗口大小，1就是代表当天
    
    '''
    data1 = pd.DataFrame(A)
    data2 = pd.DataFrame(B)
    aaa = data1.rolling(n, min_periods=1,center=False,axis=0)#min_periods 最少观测值数量
    bbb = data2.rolling(n, min_periods=1,center=False,axis=0)
    ccc = aaa.cov(bbb)
    return ccc.values 




# 过去 n 天累乘
def v_product(df,A, n):
    data1 = pd.DataFrame(A)
    aaa = data1.rolling(n, min_periods=1,center=False,axis=0).apply(lambda x: _red(x),raw=True)
    return aaa.values



# 截面排序
def v_rank(df,A):
    data1 = pd.DataFrame(A)
    data2 = data1.rank(method="first",axis=1)
    return data2.values 

# 过去 n 天的排序（今天的因子值在过去n天的排序）
# 考虑固定窗口不一样时，计算结果难以相互比较，故而可以将每次得到的序值除以窗口长度，从而将结果正则到[0,1]之间



m2_user_functions_bigquant_run = {
    's_shu':  s_shu,
    's_max':  s_max,
    's_min':  s_min,
    'v_add':  v_add,
    'v_sub':  v_sub,
    'v_mul':  v_mul,
    'v_div':  v_div,
    'v_sqrt':  v_sqrt,
    'v_log':  v_log,
    'v_neg':  v_neg,
    'v_sign':  v_sign,
    'v_s_sqrt':  v_s_sqrt,
    'v_s_log':  v_s_log,
    'v_abs':  v_abs,
    'v_shift':  v_shift,
    'v_delta':  v_delta,
    'v_ts_min':  v_ts_min,
    'v_ts_max':  v_ts_max,
    'v_ts_argmin':  v_ts_argmin,
    'v_ts_argmax':  v_ts_argmax,
    'v_ts_incv':  v_ts_incv,
    'v_ts_rank':  v_ts_rank,
    'v_ts_wma2':  v_ts_wma2,
    'v_ts_ema':  v_ts_ema,
    'v_sum':  v_sum,
    'v_mean':  v_mean,
    'v_std':  v_std,
    'v_correlation':  v_correlation,
    'v_covariance':  v_covariance,
    'v_product':  v_product,
    'v_rank':  v_rank
}
# 回测引擎：初始化函数，只执行一次
def m12_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 = 1

# 回测引擎：每日数据处理函数，每天执行一次
def m12_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 m12_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 m12_before_trading_start_bigquant_run(context, data):
    pass


m1 = M.input_features.v1(
    features="""
v_s_sqrt(v_add(v_add(delta(mf_net_amount_main_0, 8), mf_net_amount_main_0), v_add(v_add(delta(v_add(v_add(delta(mf_net_amount_main_0, s_shu(s_shu(s_shu(10)))), mf_net_amount_main_0), mf_net_amount_main_0), s_shu(s_shu(s_shu(3)))), mf_net_amount_main_0), mf_net_amount_main_0)))
""",
    m_cached=False
)

m4 = M.instruments.v2(
    start_date='20190101',
    end_date='20190201',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m8 = M.general_feature_extractor.v7(
    instruments=m4.data,
    features=m1.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m9 = M.derived_feature_extractor.v3(
    input_data=m8.data,
    features=m1.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions=m9_user_functions_bigquant_run
)

m11 = M.chinaa_stock_filter.v1(
    input_data=m9.data,
    index_constituent_cond=['中证500'],
    board_cond=['全部'],
    industry_cond=['全部'],
    st_cond=['全部'],
    delist_cond=['全部'],
    output_left_data=False
)

m18 = M.fillnan.v1(
    input_data=m11.data,
    features=m1.data,
    fill_value='mean'
)

m15 = M.dropnan.v2(
    input_data=m18.data
)

m17 = M.instruments.v2(
    start_date='20180628',
    end_date='20181227',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m13 = M.advanced_auto_labeler.v2(
    instruments=m17.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)
shift(open, -2) / 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)
""",
    start_date='20180928',
    end_date='20181227',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=True,
    user_functions={}
)

m6 = M.general_feature_extractor.v7(
    instruments=m17.data,
    features=m1.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m2 = M.derived_feature_extractor.v3(
    input_data=m6.data,
    features=m1.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions=m2_user_functions_bigquant_run
)

m14 = M.join.v3(
    data1=m13.data,
    data2=m2.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m5 = M.chinaa_stock_filter.v1(
    input_data=m14.data,
    index_constituent_cond=['中证500'],
    board_cond=['全部'],
    industry_cond=['全部'],
    st_cond=['全部'],
    delist_cond=['全部'],
    output_left_data=False
)

m16 = M.fillnan.v1(
    input_data=m5.data,
    features=m1.data,
    fill_value='mean'
)

m10 = M.dropnan.v2(
    input_data=m16.data
)

m7 = M.stock_ranker_train.v6(
    training_ds=m10.data,
    features=m1.data,
    learning_algorithm='排序',
    number_of_leaves=30,
    minimum_docs_per_leaf=1000,
    number_of_trees=20,
    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
)

m3 = M.stock_ranker_predict.v5(
    model=m7.model,
    data=m15.data,
    m_lazy_run=False
)

m12 = M.trade.v4(
    instruments=m4.data,
    options_data=m3.predictions,
    start_date='',
    end_date='',
    initialize=m12_initialize_bigquant_run,
    handle_data=m12_handle_data_bigquant_run,
    prepare=m12_prepare_bigquant_run,
    before_trading_start=m12_before_trading_start_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='open',
    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.HIX'
)

[2022-07-07 07:20:10.393690] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-07-07 07:20:10.435225] INFO: moduleinvoker: input_features.v1 运行完成[0.041549s].

[2022-07-07 07:20:10.441837] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-07-07 07:20:10.456467] INFO: moduleinvoker: 命中缓存

[2022-07-07 07:20:10.458755] INFO: moduleinvoker: instruments.v2 运行完成[0.016913s].

[2022-07-07 07:20:10.481554] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-07-07 07:20:10.490053] INFO: moduleinvoker: 命中缓存

[2022-07-07 07:20:10.492158] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.010618s].

[2022-07-07 07:20:10.531025] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-07-07 07:20:11.350019] INFO: derived_feature_extractor: 提取完成 v_s_sqrt(v_add(v_add(delta(mf_net_amount_main_0, 8), mf_net_amount_main_0), v_add(v_add(delta(v_add(v_add(delta(mf_net_amount_main_0, s_shu(s_shu(s_shu(10)))), mf_net_amount_main_0), mf_net_amount_main_0), s_shu(s_shu(s_shu(3)))), mf_net_amount_main_0), mf_net_amount_main_0))), 0.166s

[2022-07-07 07:20:11.795473] INFO: derived_feature_extractor: /y_2018, 210561

[2022-07-07 07:20:12.118422] INFO: derived_feature_extractor: /y_2019, 81866

[2022-07-07 07:20:12.224107] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[1.693094s].

[2022-07-07 07:20:12.235574] INFO: moduleinvoker: chinaa_stock_filter.v1 开始运行..

[2022-07-07 07:20:12.561965] INFO: A股股票过滤: 过滤 /y_2018, 29554/0/210561

[2022-07-07 07:20:12.726270] INFO: A股股票过滤: 过滤 /y_2019, 11480/0/81866

[2022-07-07 07:20:12.743751] INFO: A股股票过滤: 过滤完成, 41034 + 0

[2022-07-07 07:20:12.803779] INFO: moduleinvoker: chinaa_stock_filter.v1 运行完成[0.568247s].

[2022-07-07 07:20:12.814617] INFO: moduleinvoker: fillnan.v1 开始运行..

[2022-07-07 07:20:13.056713] INFO: moduleinvoker: fillnan.v1 运行完成[0.242107s].

[2022-07-07 07:20:13.065379] INFO: moduleinvoker: dropnan.v2 开始运行..

[2022-07-07 07:20:13.182954] INFO: dropnan: /y_2018, 29554/29554

[2022-07-07 07:20:13.222923] INFO: dropnan: /y_2019, 11479/11480

[2022-07-07 07:20:13.276119] INFO: dropnan: 行数: 41033/41034

[2022-07-07 07:20:13.289725] INFO: moduleinvoker: dropnan.v2 运行完成[0.224322s].

[2022-07-07 07:20:13.299160] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-07-07 07:20:13.314236] INFO: moduleinvoker: 命中缓存

[2022-07-07 07:20:13.316893] INFO: moduleinvoker: instruments.v2 运行完成[0.017755s].

[2022-07-07 07:20:13.330123] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-07-07 07:20:13.339266] INFO: moduleinvoker: 命中缓存

[2022-07-07 07:20:13.341292] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.011183s].

[2022-07-07 07:20:13.353977] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-07-07 07:20:13.364118] INFO: moduleinvoker: 命中缓存

[2022-07-07 07:20:13.367154] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.013191s].

[2022-07-07 07:20:13.402798] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-07-07 07:20:14.884976] INFO: derived_feature_extractor: 提取完成 v_s_sqrt(v_add(v_add(delta(mf_net_amount_main_0, 8), mf_net_amount_main_0), v_add(v_add(delta(v_add(v_add(delta(mf_net_amount_main_0, s_shu(s_shu(s_shu(10)))), mf_net_amount_main_0), mf_net_amount_main_0), s_shu(s_shu(s_shu(3)))), mf_net_amount_main_0), mf_net_amount_main_0))), 0.321s

[2022-07-07 07:20:16.015431] INFO: derived_feature_extractor: /y_2018, 625790

[2022-07-07 07:20:16.200373] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[2.797573s].

[2022-07-07 07:20:16.212651] INFO: moduleinvoker: join.v3 开始运行..

[2022-07-07 07:20:18.190797] INFO: join: /y_2018, 行数=202830/625790, 耗时=1.257431s

[2022-07-07 07:20:18.244581] INFO: join: 最终行数: 202830

[2022-07-07 07:20:18.264810] INFO: moduleinvoker: join.v3 运行完成[2.05212s].

[2022-07-07 07:20:18.279578] INFO: moduleinvoker: chinaa_stock_filter.v1 开始运行..

[2022-07-07 07:20:18.779767] INFO: A股股票过滤: 过滤 /y_2018, 28553/0/202830

[2022-07-07 07:20:18.784705] INFO: A股股票过滤: 过滤完成, 28553 + 0

[2022-07-07 07:20:18.816652] INFO: moduleinvoker: chinaa_stock_filter.v1 运行完成[0.537016s].

[2022-07-07 07:20:18.828614] INFO: moduleinvoker: fillnan.v1 开始运行..

[2022-07-07 07:20:19.133493] INFO: moduleinvoker: fillnan.v1 运行完成[0.304869s].

[2022-07-07 07:20:19.145169] INFO: moduleinvoker: dropnan.v2 开始运行..

[2022-07-07 07:20:19.254665] INFO: dropnan: /y_2018, 28553/28553

[2022-07-07 07:20:19.328985] INFO: dropnan: 行数: 28553/28553

[2022-07-07 07:20:19.336452] INFO: moduleinvoker: dropnan.v2 运行完成[0.191278s].

[2022-07-07 07:20:19.346103] INFO: moduleinvoker: stock_ranker_train.v6 开始运行..

[2022-07-07 07:20:19.446483] INFO: StockRanker: 特征预处理 ..

[2022-07-07 07:20:19.489198] INFO: StockRanker: prepare data: training ..

[2022-07-07 07:20:19.508734] INFO: StockRanker: sort ..

[2022-07-07 07:20:20.339143] INFO: StockRanker训练: 33853134 准备训练: 28553 行数

[2022-07-07 07:20:20.341380] INFO: StockRanker训练: AI模型训练，将在28553*1=2.86万数据上对模型训练进行20轮迭代训练。预计将需要1～2分钟。请耐心等待。

[2022-07-07 07:20:20.539994] INFO: StockRanker训练: 正在训练 ..

[2022-07-07 07:20:20.599586] INFO: StockRanker训练: 任务状态: Pending

[2022-07-07 07:20:30.658863] INFO: StockRanker训练: 任务状态: Running

[2022-07-07 07:21:31.006176] INFO: StockRanker训练: 任务状态: Succeeded

[2022-07-07 07:21:31.022283] ERROR: moduleinvoker: module name: stock_ranker_train, module version: v6, trackeback: Exception: 模型训练失败：可能导致错误的原因是训练数据问题，请检查训练数据, err_code=1 (33853134fd8211ecbcd1422a9c1a9dc9)

---------------------------------------------------------------------------
Exception                                 Traceback (most recent call last)
<ipython-input-33-b1cc4e450add> in <module>
    837 )
    838 
--> 839 m7 = M.stock_ranker_train.v6(
    840     training_ds=m10.data,
    841     features=m1.data,

Exception: 模型训练失败：可能导致错误的原因是训练数据问题，请检查训练数据, err_code=1 (33853134fd8211ecbcd1422a9c1a9dc9)