# 可以自己 import 我们平台支持的第三方 python 模块，比如 pandas 、 numpy 等。
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
# 在这个方法中编写任何的初始化逻辑。 context 对象将会在你的算法策略的任何方法之间做传递。
def init(context):
# 初始化股票因子权重
context.weights = np.array([0.04549957, 0.01249463, -0.02397849, 0.06077185, -0.00195205, -0.00892116, -0.04641399, -0.05644752, -0.08393869])
# 定义股票池数量
context.stocknum = 20
# 定时每月运行函数
scheduler.run_monthly(regression_select, tradingday=1)
def regression_select(context, bar_dict):
""" 回归预测选股逻辑 """
# 获取沪深 300
context.hs300 = index_components("000300.XSHG")
# 1. 查询因子
q = query(
fundamentals.eod_derivative_indicator.pe_ratio,
fundamentals.eod_derivative_indicator.pb_ratio,
fundamentals.eod_derivative_indicator.market_cap,
fundamentals.financial_indicator.ev,
fundamentals.financial_indicator.return_on_asset_net_profit,
fundamentals.financial_indicator.du_return_on_equity,
fundamentals.financial_indicator.earnings_per_share,
fundamentals.income_statement.revenue,
fundamentals.income_statement.total_expense
).filter(
fundamentals.stockcode.in_(context.hs300)
)
fund = get_fundamentals(q)
context.factors_data = fund.T
# 2. 数据预处理
process_data(context)
# 3. 根据每月预测下月的收益率
select_stocklist(context)
# 4. 调仓
reblance(context)
def process_data(context):
""" 删除空值 , 去极值 , 标准化 , 因子的市值中性化 """
# 删除空值
context.factors_data = context.factors_data.dropna()
# 市值因子不进行去极值 , 标准化处理
market_cap_factor = context.factors_data["market_cap"]
# 去极值化 , U 型你换对每个因子进行处理
for name in context.factors_data.columns:
context.factors_data[name] = mad(context.factors_data[name])
context.factors_data[name] = stand(context.factors_data[name])
# 对因子 ( 除了市值因子 ) 中性化处理
if name == "market_cap":
continue
# 建立回归方程 , 市值中性化
lr = LinearRegression()
x = market_cap_factor.values
y = context.factors_data[name]
# x: 要求二维 , y: 要求一维
lr.fit(x.reshape(-1, 1), y)
y_predict = lr.predict(x.reshape(-1, 1))
# 得出误差进行替换原有因子值
context.factors_data[name] = y - y_predict
def select_stocklist(context):
""" 回归计算预测得出收益率结果 , 筛选收益率高的股票 """
# 特征值是 : context.factors_Date (300, 9) 系数 : 因子权重
# 进行矩阵运算外汇跟单gendan5.com (300, 9) * (9, 1) = (300, 1)
stock_return = np.dot(context.factors_data.values, context.weights)
logger.info(stock_return)
# 赋值给因子数据 , 注意都是默认对应的股票代码和收益率
context.factors_data["stock_return"] = stock_return
# 进行收益率排序
ordered = context.factors_data.sort_values(by="stock_return", ascending=False)
# 加入股票池
context.stock_list = ordered.index[:context.stocknum]
def reblance(context):
# ---------------- 卖出 ----------------
# 遍历股票池
for stock in context.portfolio.positions.keys():
# 判断是否还在股票池
if stock not in context.stock_list:
# 如果不在 , 卖出
order_target_percent(stock, 0)
# ---------------- 买入 -----------------
# 买入的百分比
weight = 1.0 / len(context.stock_list)
# 遍历股票池
for stock in context.stock_list:
# 等比例买入
order_target_percent(stock, weight)
# before_trading 此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
pass
# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
# 开始编写你的主要的算法逻辑
pass
# after_trading 函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
pass
def mad(factor):
"""3 倍中位数去极值 """
# 求出因子值的中位数
median = np.median(factor)
# 求出因子值与中位数的差值 , 进行绝对值
mad = np.median(abs(factor - median))
# 定义几倍的中位数上下限
high = median + (3 * 1.4826 * mad)
low = median - (3 * 1.4826 * mad)
# 替换上下限
factor = np.where(factor > high, high, factor)
factor = np.where(factor < low, low, factor)
return factor
def stand(factor):
""" 数据标准化 """
mean = factor.mean()
std = factor.std()
return (factor - mean) / std