复制链接

克隆策略

In [2]:

# 本代码由可视化策略环境自动生成 2022年8月9日 14:13
# 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 m5_run_bigquant_run(input_1, input_2, input_3):
    df = input_1.read()
    
    # 数据格式统一：float
    col_names = list(df.columns)
    col_names.remove('instrument')
    col_names.remove('date')
    df.loc[:,col_names] = df.loc[:,col_names].astype(float)
    
    # 处理数据：inf_
    import numpy as np
    df.loc[:,col_names] = df.loc[:,col_names].where(~np.isinf(df.loc[:,col_names].values),other=np.nan)
    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 m5_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 m6_run_bigquant_run(input_1, input_2, input_3):
    df = input_1.read()
    
    # 数据格式统一：float
    col_names = list(df.columns)
    col_names.remove('instrument')
    col_names.remove('date')
    df.loc[:,col_names] = df.loc[:,col_names].astype(float)
    
    # 处理数据：inf_
    import numpy as np
    df.loc[:,col_names] = df.loc[:,col_names].where(~np.isinf(df.loc[:,col_names].values),other=np.nan)
    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 m6_post_run_bigquant_run(outputs):
    return outputs

# 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=0.0003, 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.options['hold_days'] = 5

# 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):
    # 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 m19_prepare_bigquant_run(context):
    pass


m1 = M.instruments.v2(
    start_date='2018-01-01',
    end_date='2020-12-31',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m2 = 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)
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)
""",
    start_date='',
    end_date='',
    benchmark='000300.HIX',
    drop_na_label=True,
    cast_label_int=True
)

m3 = 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(return_0, avg_amount_5, 5)
"""
)

m15 = M.general_feature_extractor.v7(
    instruments=m1.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m16 = M.derived_feature_extractor.v3(
    input_data=m15.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m7 = M.join.v3(
    data1=m2.data,
    data2=m16.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m5 = M.cached.v3(
    input_1=m7.data,
    run=m5_run_bigquant_run,
    post_run=m5_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m13 = M.dropnan.v1(
    input_data=m5.data_1
)

m9 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2021-01-01'),
    end_date=T.live_run_param('trading_date', '2021-12-31'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m17 = M.general_feature_extractor.v7(
    instruments=m9.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m18 = M.derived_feature_extractor.v3(
    input_data=m17.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m6 = M.cached.v3(
    input_1=m18.data,
    run=m6_run_bigquant_run,
    post_run=m6_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m14 = M.dropnan.v1(
    input_data=m6.data_1
)

m4 = M.xgboost.v1(
    training_ds=m13.data,
    features=m3.data,
    predict_ds=m14.data,
    num_boost_round=30,
    objective='排序(pairwise)',
    booster='gbtree',
    max_depth=6,
    key_cols='date,instrument',
    group_col='date',
    nthread=1,
    n_gpus=-1,
    other_train_parameters={'seed': 1, 'tree_method': 'approx'}
)

m19 = M.trade.v4(
    instruments=m9.data,
    options_data=m4.predictions,
    start_date='',
    end_date='',
    initialize=m19_initialize_bigquant_run,
    handle_data=m19_handle_data_bigquant_run,
    prepare=m19_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.HIX'
)

[2022-08-09 14:12:50.501447] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-08-09 14:12:50.509374] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.510760] INFO: moduleinvoker: instruments.v2 运行完成[0.009318s].

[2022-08-09 14:12:50.521226] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-08-09 14:12:50.528620] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.530091] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.008863s].

[2022-08-09 14:12:50.534433] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-08-09 14:12:50.539798] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.541192] INFO: moduleinvoker: input_features.v1 运行完成[0.006757s].

[2022-08-09 14:12:50.553900] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-08-09 14:12:50.560868] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.562463] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.008593s].

[2022-08-09 14:12:50.580807] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-08-09 14:12:50.592225] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.594052] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.013247s].

[2022-08-09 14:12:50.603762] INFO: moduleinvoker: join.v3 开始运行..

[2022-08-09 14:12:50.611513] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.612991] INFO: moduleinvoker: join.v3 运行完成[0.009237s].

[2022-08-09 14:12:50.629037] INFO: moduleinvoker: cached.v3 开始运行..

[2022-08-09 14:12:50.636708] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.639170] INFO: moduleinvoker: cached.v3 运行完成[0.010145s].

[2022-08-09 14:12:50.649308] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-08-09 14:12:50.654867] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.656488] INFO: moduleinvoker: dropnan.v1 运行完成[0.007181s].

[2022-08-09 14:12:50.662309] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-08-09 14:12:50.671253] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.674132] INFO: moduleinvoker: instruments.v2 运行完成[0.011798s].

[2022-08-09 14:12:50.691530] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-08-09 14:12:50.707640] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.710244] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.018719s].

[2022-08-09 14:12:50.721774] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-08-09 14:12:50.728228] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.729872] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.008103s].

[2022-08-09 14:12:50.746423] INFO: moduleinvoker: cached.v3 开始运行..

[2022-08-09 14:12:50.753983] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.756185] INFO: moduleinvoker: cached.v3 运行完成[0.009777s].

[2022-08-09 14:12:50.769718] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-08-09 14:12:50.777533] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.780163] INFO: moduleinvoker: dropnan.v1 运行完成[0.010445s].

[2022-08-09 14:12:50.790867] INFO: moduleinvoker: xgboost.v1 开始运行..

[2022-08-09 14:12:50.799179] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:50.801813] INFO: moduleinvoker: xgboost.v1 运行完成[0.010953s].

[2022-08-09 14:12:54.447319] INFO: moduleinvoker: backtest.v8 开始运行..

[2022-08-09 14:12:54.464751] INFO: moduleinvoker: 命中缓存

[2022-08-09 14:12:56.176690] INFO: moduleinvoker: backtest.v8 运行完成[1.729359s].

[2022-08-09 14:12:56.180422] INFO: moduleinvoker: trade.v4 运行完成[5.370574s].

收益率24.28%
年化收益率25.28%
基准收益率-5.2%
阿尔法0.28
贝塔0.46
夏普比率1.13
胜率0.5
盈亏比1.24
收益波动率18.87%
信息比率0.09
最大回撤12.09%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-218b4080b5c64ccfb18172c7020f6e04"}/bigcharts-data-end