克隆策略

In [10]:

# 本代码由可视化策略环境自动生成 2021年8月9日 10:38
# 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。


m1 = M.instruments.v2(
    start_date='2014-01-01',
    end_date='2015-01-01',
    market='CN_STOCK_A',
    instrument_list='002049.SZA',
    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.SHA',
    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
return_5
return_10
return_20
avg_amount_0/avg_amount_5
avg_amount_5/avg_amount_20"""
)

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
)

m13 = M.dropnan.v1(
    input_data=m7.data
)

m6 = M.linear_sgd_train.v2(
    training_ds=m13.data,
    features=m3.data,
    loss='auto',
    penalty='l2',
    alpha=0.0001,
    n_iter=5,
    shuffle=True,
    eta0=0.1,
    algo='classifier'
)

m8 = M.instruments.v2(
    start_date='2017-04-01',
    end_date='2017-05-01',
    market='CN_STOCK_A',
    instrument_list='002049.SZA',
    max_count=0
)

m9 = M.advanced_auto_labeler.v2(
    instruments=m8.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.SHA',
    drop_na_label=True,
    cast_label_int=True
)

m10 = M.general_feature_extractor.v7(
    instruments=m8.data,
    features=m3.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m11 = M.derived_feature_extractor.v3(
    input_data=m10.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m12 = M.join.v3(
    data1=m9.data,
    data2=m11.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m14 = M.dropnan.v1(
    input_data=m12.data
)

m4 = M.linear_sgd_predict.v2(
    model=m6.model,
    data=m14.data
)

[2021-08-09 10:05:09.639333] INFO: moduleinvoker: instruments.v2 开始运行..

[2021-08-09 10:05:09.650803] INFO: moduleinvoker: 命中缓存

[2021-08-09 10:05:09.652663] INFO: moduleinvoker: instruments.v2 运行完成[0.01333s].

[2021-08-09 10:05:09.655957] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2021-08-09 10:05:10.513402] INFO: 自动标注(股票): 加载历史数据: 0 行

[2021-08-09 10:05:10.515603] INFO: 自动标注(股票): 开始标注 ..

[2021-08-09 10:05:10.537945] ERROR: moduleinvoker: module name: advanced_auto_labeler, module version: v2, trackeback: ValueError: Bin edges must be unique: array([-inf,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,
        nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  inf]).
You can drop duplicate edges by setting the 'duplicates' kwarg

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-10-b042d54d5464> in <module>
     11 )
     12 
---> 13 m9 = M.advanced_auto_labeler.v2(
     14     instruments=m8.data,
     15     label_expr="""# #号开始的表示注释

ValueError: Bin edges must be unique: array([-inf,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,
        nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  inf]).
You can drop duplicate edges by setting the 'duplicates' kwarg