StockRanker多因子选股策略¶

In [21]:

# 本代码由可视化策略环境自动生成 2022年5月26日 16:21
# 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 m2_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df = DataSource("bar1d_CN_CONBOND").read(start_date="2017-06-01", end_date="2020-06-30")
    data_1 = DataSource.write_df(df)
    data_2 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=data_2, 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 m2_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 m14_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df = input_1.read_df()
    #print(df.columns)
    #df = df1[['date','instrument','close','label']]
    df = df.drop(["trigger_cond_item_desc",'revise_item_desc','trigger_item_desc'],axis=1)
    df = df.dropna(axis=0, how='all', thresh=None, subset=None, inplace=False)
    print(df.columns)
    df = df.sort_values(by=['date','double_low'],axis=0,ascending=False)
    df = df.sort_index(axis = 1)
    print(df['double_low'])
    data_1 = DataSource.write_df(df)
    data_2 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=data_2, 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 m14_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 m15_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df = DataSource("bar1d_CN_CONBOND").read(start_date="2020-06-30", end_date="2021-06-30")
    data_1 = DataSource.write_df(df)
    data_2 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=data_2, 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 m15_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 m13_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df1 = input_1.read_df()
    print(df1.columns)
    #df = df1[['date','instrument','close','label']]
    df = df1
    df = df.dropna(axis=0, how='all', thresh=None, subset=None, inplace=False)
    data_1 = DataSource.write_df(df)
    data_2 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=data_2, 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 m13_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 m20_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    df1 = input_1.read_df()
    print(df1.columns)
    #df = df1[['date','instrument','close','label']]
    df = df1
    df = df.dropna(axis=0, how='all', thresh=None, subset=None, inplace=False)
    data_1 = DataSource.write_df(df)
    data_2 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=data_2, 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 m20_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m21_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 = 5

# 交易引擎：每个单位时间开盘前调用一次。
def m21_before_trading_start_bigquant_run(context, data):
    # 盘前处理，订阅行情等
    pass

# 交易引擎：tick数据处理函数，每个tick执行一次
def m21_handle_tick_bigquant_run(context, tick):
    pass

# 回测引擎：每日数据处理函数，每天执行一次
def m21_handle_data_bigquant_run(context, data):
    
    # 相隔几天（hold_days）进行一下换仓
    if context.trading_day_index % context.hold_days != 0:
        return 
    
    # 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')]
    # 目前持仓
    positions = {e: p.amount * p.last_sale_price for e, p in context.portfolio.positions.items()}
    # 权重
    buy_cash_weights = context.stock_weights
    # 今日买入股票列表
    stock_to_buy = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    # 持仓上限
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument

    # 通过positions对象，使用列表生成式的方法获取目前持仓的股票列表
    stock_hold_now = [equity for equity in context.portfolio.positions ]
    # 继续持有的股票：调仓时，如果买入的股票已经存在于目前的持仓里，那么应继续持有
    no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
    # 需要卖出的股票
    stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
  
    # 卖出
    for stock in stock_to_sell:
        # 如果该股票停牌，则没法成交。因此需要用can_trade方法检查下该股票的状态
        # 如果返回真值，则可以正常下单，否则会出错
        # 因为stock是字符串格式，我们用symbol方法将其转化成平台可以接受的形式：Equity格式
        if data.can_trade(context.symbol(stock)):
            # order_target_percent是平台的一个下单接口，表明下单使得该股票的权重为0，
            #   即卖出全部股票，可参考回测文档
            context.order_target_percent(context.symbol(stock), 0)
    
    # 如果当天没有买入的股票，就返回
    if len(stock_to_buy) == 0:
        return
    
    # 买入
    for i, instrument in enumerate(stock_to_buy):
        cash = context.portfolio.portfolio_value * 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)
# 交易引擎：成交回报处理函数，每个成交发生时执行一次
def m21_handle_trade_bigquant_run(context, trade):
    pass

# 交易引擎：委托回报处理函数，每个委托变化时执行一次
def m21_handle_order_bigquant_run(context, order):
    pass

# 交易引擎：盘后处理函数，每日盘后执行一次
def m21_after_trading_bigquant_run(context, data):
    pass


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
double_low = close + bond_prem_ratio
remain_size
"""
)

m2 = M.cached.v3(
    run=m2_run_bigquant_run,
    post_run=m2_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m10 = M.auto_labeler_on_datasource.v1(
    input_data=m2.data_1,
    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
# 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, 10)

# 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={}
)

m1 = M.use_datasource.v1(
    datasource_id='market_performance_CN_CONBOND',
    start_date='2017-06-01',
    end_date='2020-06-30'
)

m16 = M.derived_feature_extractor.v3(
    input_data=m1.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m7 = M.join.v3(
    data1=m10.data,
    data2=m16.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m14 = M.cached.v3(
    input_1=m7.data,
    run=m14_run_bigquant_run,
    post_run=m14_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports='',
    m_cached=False
)

m6 = M.stock_ranker_train.v6(
    training_ds=m14.data_1,
    features=m3.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
)

m5 = M.use_datasource.v1(
    datasource_id='market_performance_CN_CONBOND',
    start_date='2020-07-01',
    end_date='2021-06-30'
)

m18 = M.derived_feature_extractor.v3(
    input_data=m5.data,
    features=m3.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False
)

m12 = M.trade_data_generation.v1(
    input=m5.data,
    category='CN_STOCK',
    m_cached=False
)

m15 = M.cached.v3(
    run=m15_run_bigquant_run,
    post_run=m15_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m17 = M.join.v3(
    data1=m15.data_1,
    data2=m18.data,
    on='date,instrument',
    how='inner',
    sort=False
)

m13 = M.cached.v3(
    input_1=m17.data,
    run=m13_run_bigquant_run,
    post_run=m13_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m8 = M.stock_ranker_predict.v5(
    model=m6.model,
    data=m13.data_1,
    m_lazy_run=False
)

m20 = M.cached.v3(
    input_1=m8.predictions,
    run=m20_run_bigquant_run,
    post_run=m20_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m21 = M.hftrade.v2(
    instruments=m12.instrument_list,
    options_data=m8.predictions,
    start_date='',
    end_date='',
    initialize=m21_initialize_bigquant_run,
    before_trading_start=m21_before_trading_start_bigquant_run,
    handle_tick=m21_handle_tick_bigquant_run,
    handle_data=m21_handle_data_bigquant_run,
    handle_trade=m21_handle_trade_bigquant_run,
    handle_order=m21_handle_order_bigquant_run,
    after_trading=m21_after_trading_bigquant_run,
    capital_base=1000000,
    frequency='daily',
    price_type='真实价格',
    product_type='可转债',
    before_start_days='8',
    order_price_field_buy='open',
    order_price_field_sell='close',
    benchmark='000300.HIX',
    plot_charts=True,
    disable_cache=False,
    replay_bdb=False,
    show_debug_info=False,
    backtest_only=False
)

m19 = M.instruments.v2(
    start_date='',
    end_date='',
    market='CN_CONBOND',
    instrument_list='',
    max_count=0
)

m4 = M.general_feature_extractor.v7(
    start_date='',
    end_date='',
    before_start_days=90
)

m9 = 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
double_low = close + bond_prem_ratio
remain_size
"""
)

m11 = M.stock_ranker_train.v6(
    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
)

[2022-05-26 16:05:13.639806] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-05-26 16:05:13.648228] INFO: moduleinvoker: 命中缓存

[2022-05-26 16:05:13.649755] INFO: moduleinvoker: input_features.v1 运行完成[0.009966s].

[2022-05-26 16:05:13.661185] INFO: moduleinvoker: cached.v3 开始运行..

[2022-05-26 16:05:13.672899] INFO: moduleinvoker: 命中缓存

[2022-05-26 16:05:13.674612] INFO: moduleinvoker: cached.v3 运行完成[0.013429s].

[2022-05-26 16:05:13.681445] INFO: moduleinvoker: auto_labeler_on_datasource.v1 开始运行..

[2022-05-26 16:05:13.688675] INFO: moduleinvoker: 命中缓存

[2022-05-26 16:05:13.690242] INFO: moduleinvoker: auto_labeler_on_datasource.v1 运行完成[0.008793s].

[2022-05-26 16:05:13.696246] INFO: moduleinvoker: use_datasource.v1 开始运行..

[2022-05-26 16:05:13.703603] INFO: moduleinvoker: 命中缓存

[2022-05-26 16:05:13.705045] INFO: moduleinvoker: use_datasource.v1 运行完成[0.008806s].

[2022-05-26 16:05:13.713255] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-05-26 16:05:13.722499] INFO: moduleinvoker: 命中缓存

[2022-05-26 16:05:13.724097] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.010844s].

[2022-05-26 16:05:13.732881] INFO: moduleinvoker: join.v3 开始运行..

[2022-05-26 16:05:13.739570] INFO: moduleinvoker: 命中缓存

[2022-05-26 16:05:13.741562] INFO: moduleinvoker: join.v3 运行完成[0.008678s].

[2022-05-26 16:05:13.757114] INFO: moduleinvoker: cached.v3 开始运行..

[2022-05-26 16:05:14.346383] INFO: moduleinvoker: cached.v3 运行完成[0.589277s].

Index(['remain_size', 'instrument', 'equ_trading_code', 'conversion_chg_pct',
       'date', 'conversion_price', 'name', 'trading_code',
       'conversion_chg_pct_week', 'bond_prem_ratio', 'equ_name',
       'redemption_price', 'close_equ', 'total_size', 'pure_bond_prem_ratio',
       'pure_bond_ratio', 'close', 'double_low', 'm:pre_close', 'm:name',
       'm:open', 'm:high', 'm:low', 'm:close', 'm:deal_number', 'm:volume',
       'm:amount', 'm:accrued_interest', 'm:yield_to_maturity', 'm:vwap',
       'm:gross_close', 'm:net_close', 'label'],
      dtype='object')
0        122.904999
1        167.994904
2        162.111908
3        133.966095
4        132.009293
            ...    
85329    167.737900
85330    136.475800
85331    123.133301
85332    710.983826
85333    226.037094
Name: double_low, Length: 85334, dtype: float32