首页 编写策略 数据平台 因子研究 我的交易 发现策略 量化学院 知识库 免费注册
100.测试专用

AI可视化模板策略的流程细化

由ypyu创建，最终由ypyu 被浏览 6 用户

   很多使用平台的朋友都希望建立更加细化的AI可视化流程，下图是平台默认生成的AI可视化流程

image|602x398 细心的朋友可以发现，通过添砖加瓦进一步细化AI可视化流程，比方说加入代码过滤，加入自定义函数特征定义，加入特征的过滤等常用功能，如下图所示 image|602x387 下图标识了这些增加的模块功能 image|602x384 对应的模块代码也附上： 代码过滤 ：自定义python模块 代码例子：

    start_date=input_1.read_pickle()['start_date']
    end_date=input_1.read_pickle()['end_date']
    ins = input_1.read_pickle()['instruments']
    ins_filter=[name  for name in ins if name[0]=='3'] #抽取创业板代码
    df={'start_date':start_date,'end_date':end_date,'instruments':ins_filter}
    data_1 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=None, data_3=None)

自定义函数因子列表 ： 输入特征列表模块 代码例子：

cyc(close_0,open_0,turn_0) 
#表示生成一个叫cyc(close_0,open_0,turn_0)的特征，此特征计算需要用到close_0,open_0,turn_0的数据

自定义函数因子计算： 衍生特征抽取模块 代码例子:

def dma(X,A):
    result=pd.DataFrame(np.zeros((len(X),X.columns.size)),index=list(X.index),columns=X.columns)
    result.iloc[0]=X.iloc[0]*A.iloc[0]
    for i in range(1,len(X)):
        result.iloc[i]=A.iloc[i]*X.iloc[i]+(1-A.iloc[i])*result.iloc[i-1]        
    return result
#计算dma均线 即dma(X,A)[n]=A[n]*X[n]+(1-A[n])*dma(X,A)[n-1]
def cal_cyc(df,N):
    hsl=pd.pivot_table(df,values='turn_0',index=['date'],columns=['instrument'])/100
    if N>0:    
        AN=dma(N*hsl/(1+(N-1)*hsl),(1+(N-1)*hsl)/N)
    else:
        AN=hsl
    mclose=pd.pivot_table(df,values='close_0',index=['date'],columns=['instrument'])
    mopen=pd.pivot_table(df,values='open_0',index=['date'],columns=['instrument'])
    mid=(mclose+mopen)/2
    AN_1=AN.shift(1)
    AN_1.iloc[0]=0
    if N>0:
        CYCN=dma(mid*hsl/(AN-AN_1*(1-hsl)*4/5),1-(N-1)*AN_1*(1-hsl)/N/AN)
    else:
        CYCN=dma(mid*hsl/(AN-AN_1*(1-hsl)),1-AN_1*(1-hsl)/AN)
    cycn=CYCN.T.unstack().reset_index()
    cycn.columns=['date','instrument','cyc'+str(N)]
    df1=df.merge(cycn,on=['date','instrument']).copy()
    df1['close_0']=df1['cyc'+str(N)]
    return df1['close_0']
#定义CYC指标的计算函数，这里没有使用groupby和apply逐个股票计算，因为考虑到数据量大时的计算效率问题，直接采用了数据透视表的方法计算。需要注意的是最后return的必须是某个dataframe的'close_0'或'open_0'或'turn_0'，也就使用是cyc函数的参数对应的列名！
def cyc(df,close_0,open_0,turn_0):
    return cal_cyc(df,5)	#计算5日成本均线
#定义cyc函数(注意与自定义函数因子同名)
bigquant_run = {
    'cyc':  cyc
}

自定义函数因子+基础因子+表达式因子的融合作为因子输入列表：自定义python模块 此模块用于将基础因子、衍生因子与自定义函数的因子融合在一起作为机器学习的输入 代码例子：

    df1=input_1.read_pickle()
    df2=input_2.read_pickle()
    df=df1+df2
    print(df)
    data_1 = DataSource.write_pickle(df)
    return Outputs(data_1=data_1, data_2=None, data_3=None)

最后有个常见问题就是自定义模块中write_pickle()和write_df()以及read_pickle()和read_df()的区别

如果传输的in_put或out_put数据是DataFrame格式就用read_df()和write_df()，其它格式比如证券代码输出的字典数据、因子列表输出的list等数据都需要用read_pickle()承接读入，而标注模块的输入需要上游模块的output数据是个write_pickle()输出的字典格式 策略见：

https://bigquant.com/experimentshare/6225131b0df64ed0b3d432be8693093a

\

{link}