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7月15日 10:56
# 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。


from catboost import CatBoostRegressor

# 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 m11_run_bigquant_run(input_1, input_2, input_3,iterations,learning_rate,depth):
    print(iterations,learning_rate,depth)
    # 示例代码如下。在这里编写您的代码
    # 提取数据
    train_ds = input_1.read()
    test_ds = input_3.read()
    features = input_2.read()
    
    #训练数据
    train_data = train_ds[features].values
    label = train_ds[['label']].values
    #预测数据
    predict_data = test_ds[features].values
    
    model = CatBoostRegressor(iterations=iterations,
                              learning_rate=learning_rate,
                              depth=depth)
    # Fit model
    model.fit(train_data, label)
    # Get predictions
    preds = model.predict(predict_data)
    #拼装预测结果
    df_predict_result = test_ds.copy()
    df_predict_result['preds'] = preds
    df_predict_result = df_predict_result.loc[:,['instrument','date','preds']]

    data_1 = DataSource.write_df(df_predict_result)
    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 m11_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')].sort_values('preds',ascending=False)
#     display(ranker_prediction)
    # 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


g = T.Graph({

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

    'm2': 'M.advanced_auto_labeler.v2',
    'm2.instruments': T.Graph.OutputPort('m1.data'),
    'm2.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)
""",
    'm2.start_date': '',
    'm2.end_date': '',
    'm2.benchmark': '000300.HIX',
    'm2.drop_na_label': True,
    'm2.cast_label_int': True,

    'm5': 'M.standardlize.v9',
    'm5.input_1': T.Graph.OutputPort('m2.data'),
    'm5.standard_func': 'ZScoreNorm',
    'm5.columns_input': 'label',

    'm3': 'M.input_features.v1',
    'm3.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
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
""",

    'm15': 'M.general_feature_extractor.v7',
    'm15.instruments': T.Graph.OutputPort('m1.data'),
    'm15.features': T.Graph.OutputPort('m3.data'),
    'm15.start_date': '',
    'm15.end_date': '',
    'm15.before_start_days': 90,

    'm16': 'M.derived_feature_extractor.v3',
    'm16.input_data': T.Graph.OutputPort('m15.data'),
    'm16.features': T.Graph.OutputPort('m3.data'),
    'm16.date_col': 'date',
    'm16.instrument_col': 'instrument',
    'm16.drop_na': False,
    'm16.remove_extra_columns': False,

    'm4': 'M.standardlize.v9',
    'm4.input_1': T.Graph.OutputPort('m16.data'),
    'm4.input_2': T.Graph.OutputPort('m3.data'),
    'm4.standard_func': 'ZScoreNorm',
    'm4.columns_input': '[]',

    'm7': 'M.join.v3',
    'm7.data1': T.Graph.OutputPort('m5.data'),
    'm7.data2': T.Graph.OutputPort('m4.data'),
    'm7.on': 'date,instrument',
    'm7.how': 'inner',
    'm7.sort': False,

    'm13': 'M.dropnan.v1',
    'm13.input_data': T.Graph.OutputPort('m7.data'),

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

    'm17': 'M.general_feature_extractor.v7',
    'm17.instruments': T.Graph.OutputPort('m9.data'),
    'm17.features': T.Graph.OutputPort('m3.data'),
    'm17.start_date': '',
    'm17.end_date': '',
    'm17.before_start_days': 90,

    'm18': 'M.derived_feature_extractor.v3',
    'm18.input_data': T.Graph.OutputPort('m17.data'),
    'm18.features': T.Graph.OutputPort('m3.data'),
    'm18.date_col': 'date',
    'm18.instrument_col': 'instrument',
    'm18.drop_na': False,
    'm18.remove_extra_columns': False,

    'm10': 'M.standardlize.v9',
    'm10.input_1': T.Graph.OutputPort('m18.data'),
    'm10.input_2': T.Graph.OutputPort('m3.data'),
    'm10.standard_func': 'ZScoreNorm',
    'm10.columns_input': '',

    'm14': 'M.dropnan.v1',
    'm14.input_data': T.Graph.OutputPort('m10.data'),

    'm11': 'M.cached.v3',
    'm11.input_1': T.Graph.OutputPort('m13.data'),
    'm11.input_2': T.Graph.OutputPort('m3.data'),
    'm11.input_3': T.Graph.OutputPort('m14.data'),
    'm11.run': m11_run_bigquant_run,
    'm11.post_run': m11_post_run_bigquant_run,
    'm11.input_ports': '',
    'm11.params': """{
    "iterations":100,
    "learning_rate":0.03,
    "depth":6
}""",
    'm11.output_ports': '',

    'm19': 'M.trade.v4',
    'm19.instruments': T.Graph.OutputPort('m9.data'),
    'm19.options_data': T.Graph.OutputPort('m11.data_1'),
    'm19.start_date': '',
    'm19.end_date': '',
    'm19.initialize': m19_initialize_bigquant_run,
    'm19.handle_data': m19_handle_data_bigquant_run,
    'm19.prepare': m19_prepare_bigquant_run,
    'm19.volume_limit': 0.025,
    'm19.order_price_field_buy': 'open',
    'm19.order_price_field_sell': 'close',
    'm19.capital_base': 1000000,
    'm19.auto_cancel_non_tradable_orders': True,
    'm19.data_frequency': 'daily',
    'm19.price_type': '真实价格',
    'm19.product_type': '股票',
    'm19.plot_charts': True,
    'm19.backtest_only': False,
    'm19.benchmark': '000300.HIX',
})

# g.run({})


def m6_run_bigquant_run(bq_graph, inputs):

    parameters_list = []
    iterations = [100,300,500]
    learning_rates = [0.01,0.03]
    depths = [4,6]
#     iterations = [100]
#     learning_rates = [0.05]
#     depths = [4]
    i = 0
    for iteration in iterations:
        for lrate in learning_rates:
            for depth in depths:
                print(i," ------------ ",iteration,lrate,depth)
                parameters = {'m11.params':"""{
                    "iterations":%d,
                    "learning_rate":%f,
                    "depth":%d
                }"""%(iteration,lrate,depth)}
                parameters_list.append({'parameters': parameters})
                i+=1


    def run(parameters):
        try:
            print(parameters)
            return g.run(parameters)
        except Exception as e:
            print('ERROR --------', e)
            return None
        
    results = T.parallel_map(run, parameters_list, max_workers=2, remote_run=False, silent=False)
#     results = T.parallel_map(run, parameters_list, max_workers=5, remote_run=True, silent=True, backend="threading")

    return results


m6 = M.hyper_run.v1(
    run=m6_run_bigquant_run,
    run_now=True,
    bq_graph=g
)

In [121]:

from datetime import datetime
print(datetime.now())
print(len(m6.result))
for i in range(len(m6.result)):
    try:
        print('==='*15, i)
        perf = m6.result[i]['m19'].raw_perf.read()
        T.render_perf(perf, buy_moment="buy", sell_moment="sell")
    except Exception as e:
        print(e)
        continue

2022-07-13 19:22:30.236435
12
============================================= 0

收益率55.54%
年化收益率58.11%
基准收益率-5.2%
阿尔法0.57
贝塔0.14
夏普比率2.76
胜率0.57
盈亏比-1.42
收益波动率16.0%
信息比率0.14
最大回撤9.84%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-9bb2429d4a1644518b69af8faa657b9f"}/bigcharts-data-end

============================================= 1

收益率46.68%
年化收益率48.77%
基准收益率-5.2%
阿尔法0.48
贝塔0.19
夏普比率2.39
胜率0.57
盈亏比-1.3
收益波动率15.9%
信息比率0.13
最大回撤10.49%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-d23da8a279064a7694c95b60154ccda5"}/bigcharts-data-end

============================================= 2

收益率51.89%
年化收益率54.25%
基准收益率-5.2%
阿尔法0.54
贝塔0.21
夏普比率2.57
胜率0.56
盈亏比-1.51
收益波动率16.25%
信息比率0.14
最大回撤8.11%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-e2ff215b1f144bb3b5eacc4b9c8995cf"}/bigcharts-data-end

============================================= 3

收益率56.35%
年化收益率58.96%
基准收益率-5.2%
阿尔法0.59
贝塔0.22
夏普比率2.56
胜率0.57
盈亏比-1.43
收益波动率17.58%
信息比率0.15
最大回撤10.16%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-f4ef8f4a499f4ad0a85049611428a26e"}/bigcharts-data-end

============================================= 4

收益率45.14%
年化收益率47.16%
基准收益率-5.2%
阿尔法0.47
贝塔0.21
夏普比率2.27
胜率0.58
盈亏比-1.24
收益波动率16.32%
信息比率0.13
最大回撤8.87%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-193cfaa07a704beb952c7596e9d360ce"}/bigcharts-data-end

============================================= 5

收益率52.4%
年化收益率54.8%
基准收益率-5.2%
阿尔法0.54
贝塔0.2
夏普比率2.55
胜率0.58
盈亏比-1.38
收益波动率16.53%
信息比率0.14
最大回撤8.76%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-2c8b3e78f7a24d9fa9bc4503806a8640"}/bigcharts-data-end

============================================= 6

收益率41.47%
年化收益率43.3%
基准收益率-5.2%
阿尔法0.43
贝塔0.19
夏普比率2.1
胜率0.57
盈亏比-1.26
收益波动率16.35%
信息比率0.12
最大回撤8.07%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-054b865f99644c4aa0e69b08128392d4"}/bigcharts-data-end

============================================= 7

收益率35.7%
年化收益率37.25%
基准收益率-5.2%
阿尔法0.37
贝塔0.21
夏普比率1.82
胜率0.55
盈亏比-1.36
收益波动率16.55%
信息比率0.11
最大回撤10.43%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-b86365e65c7a47478b76df8f0c89d99d"}/bigcharts-data-end

============================================= 8

收益率51.85%
年化收益率54.22%
基准收益率-5.2%
阿尔法0.54
贝塔0.24
夏普比率2.51
胜率0.59
盈亏比-1.27
收益波动率16.65%
信息比率0.14
最大回撤10.47%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-263021a7990047c0a867ac5620e85dac"}/bigcharts-data-end

============================================= 9

收益率44.48%
年化收益率46.46%
基准收益率-5.2%
阿尔法0.46
贝塔0.22
夏普比率2.22
胜率0.58
盈亏比-1.31
收益波动率16.5%
信息比率0.13
最大回撤11.26%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-04ea74b3c8a64448bdce58bd16907b3a"}/bigcharts-data-end

============================================= 10

收益率35.83%
年化收益率37.38%
基准收益率-5.2%
阿尔法0.37
贝塔0.2
夏普比率1.85
胜率0.54
盈亏比-1.39
收益波动率16.3%
信息比率0.11
最大回撤8.34%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-d2577035eb5741dc9f6ee6783b31201c"}/bigcharts-data-end

============================================= 11

收益率36.71%
年化收益率38.3%
基准收益率-5.2%
阿尔法0.38
贝塔0.19
夏普比率1.8
胜率0.55
盈亏比-1.29
收益波动率17.23%
信息比率0.11
最大回撤12.04%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-d4da1b151f9a4b3c962f23cb7fe7f967"}/bigcharts-data-end

In [122]:

import empyrical
# 统计策略指标
def get_stats(results):
#     print(results)
    return_ratio  = empyrical.cum_returns_final(results.returns)
    annual_return_ratio  = empyrical.annual_return(results.returns)
#     sharp_ratio = empyrical.sharpe_ratio(results.returns,0.035/252)
    sharp_ratio = results.iloc[-1].sharpe
    return_volatility = empyrical.annual_volatility(results.returns)
    max_drawdown  = empyrical.max_drawdown(results.returns)
    benchmark_returns = (results.benchmark_period_return+1)/(results.benchmark_period_return+1).shift(1)-1
    alpha, beta =empyrical.alpha_beta_aligned(results.returns, benchmark_returns)

    return {
      'return_ratio': return_ratio,
      'annual_return_ratio': annual_return_ratio,
      'beta': beta,
      'alpha': alpha,
      'sharp_ratio': sharp_ratio,
      'return_volatility': return_volatility,
      'max_drawdown': max_drawdown,
    }
result_df = pd.DataFrame()
for i in range(len(m6.result)):
    try:
        perf = m6.result[i]['m19'].raw_perf.read()
    except :
        print("no data",i)
        continue
    result = get_stats(perf) # 这里m是Trade模块的模块号，自行替换即可
    para = i
    result_df = result_df.append({"参数":para,'收益率':result['return_ratio'],'年化收益率':result['annual_return_ratio'],'最大回撤':abs(result['max_drawdown']),'夏普率':round(result['sharp_ratio'],2)},ignore_index=True)
    
result_df
result_df['收益回测比'] = result_df['年化收益率'] / result_df['最大回撤']
result_df = result_df.sort_values('收益回测比',ascending=False)
display(result_df)

	参数	夏普率	年化收益率	收益率	最大回撤	收益回测比
2	2.0	2.57	0.542545	0.518850	0.081061	6.693003
5	5.0	2.55	0.548002	0.524032	0.087648	6.252278
0	0.0	2.76	0.581108	0.555449	0.098373	5.907176
3	3.0	2.56	0.589554	0.563460	0.101605	5.802431
6	6.0	2.10	0.432960	0.414668	0.080660	5.367728
4	4.0	2.27	0.471558	0.451394	0.088699	5.316371
8	8.0	2.51	0.542195	0.518518	0.104670	5.180065
1	1.0	2.39	0.487735	0.466776	0.104903	4.649384
10	10.0	1.85	0.373833	0.358337	0.083375	4.483752
9	9.0	2.22	0.464627	0.444801	0.112623	4.125497
7	7.0	1.82	0.372470	0.357038	0.104263	3.572396
11	11.0	1.80	0.383041	0.367115	0.120386	3.181771