【历史文档】因子构建与标注-自定义函数构建因子
由clearyf创建，最终由small_q 被浏览 1149 用户
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平台：
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
新版表达式算子：
https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS
新版因子平台：
https://bigquant.com/wiki/doc/bigalpha-EOVmVtJMS5
\
导语
本文将详细展示如何自定义函数构建因子。我们先来回顾一下，当我们构建因子时，目前有几种方式。
这里以过去5日成交总额因子举例说明：
-
根据因子库默认因子构建
运算符构建因子
表达式引擎构建因子 表达式引擎构建因子比较灵活，下列三种方式效果相同。
-
但是在策略开发过程中，有些因子比较难以构建，比如个股相对于上证50、或者中证800的超额收益率，这样的因子用刚刚提到的方式很难实现，因此今天又必要介绍如何通过自定义函数构建因子。本文以个股相对于中证800的超额收益率为例。
构建因子流程
- 拖入证券代码列表模块
这里我们时间跨度为1年左右，为了减少运行时间，只输入了10只股票。
- 拖入 输入特征列表模块，并输入特征
- 拖入 基础特征抽取模块，并连线。
基础特征抽取结果如下：
- 拖入 输入特征列表模块，并输入个股相对中证800的超额收益率的特征名称
- 拖入衍生特征抽取模块，计算出个股相对中证800的超额收益率的特征名称
这里是全文最主要的地方，理解清楚就能非常自由灵活地构建因子。 这里详细讲解下：
bigquant_run = {
'relative_ret': relative_ret
}
代码解释： 在这里自定义表达式函数，为字典格式，例:{‘user_rank’:user_rank}，字典的key是方法名称，字符串类型，字典的value是方法的引用。
def relative_ret(df, close_0):
return df.groupby('instrument', group_keys=False).apply(calcu_relative_ret)
代码解释： 计算特征需要先按股票代码进行groupby然后单独计算每只股票的特征数据。
def calcu_relative_ret(df):
# 先获取中证800指数数据
start_date = min(m7.data.read_df().date).strftime('%Y-%m-%d')
end_date = max(m7.data.read_df().date).strftime('%Y-%m-%d')
hs800_df = D.history_data(
'000906.SHA',
start_date=(pd.to_datetime(start_date) - datetime.timedelta(days=10)).strftime('%Y-%m-%d'), # 多取几天的数据
end_date=end_date)[['date', 'close']].rename(columns={'close': 'hs800_close'})
# 与个股数据合并
df = df[['date', 'close_0']].reset_index().merge(hs800_df, on='date', how='left').set_index('index')
# 返回超额收益率
return df['close_0'].pct_change() - df['hs800_close'].pct_change()
代码解释： 先根据开始日期和结束日期，通过平台的数据接口获取中证800的指数数据，然后将按股票代码groupby后的数据（个股数据）与中证800数据合并，最后在一个数据框中计算出超额收益率。
查看个股超额收益率特征：
-
拖入衍生特征抽取模块，继续抽取其他特征
查看最终的特征数据，该特征数据可直接和标注数据合并，训练模型。
策略案例
https://bigquant.com/experimentshare/5e1430d1b3a146d4ab7ac379b9103577
\