更多面试题
**《350页前端校招面试题精编解析大全》**内容大纲主要包括 HTML,CSS,前端基础,前端核心,前端进阶,移动端开发,计算机基础,算法与数据结构,项目,职业发展等等
开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
Alphalens 的数据结构
在做吻戏之前, 需要准备所有分析所需要的数据格式. 事前需要准备好因子数据, 价格数据和行业分组数据. 行业数据可有可无, 若有则可有设置成 Dict 格式或者 Series 格式.
参数
alphalens.utils.get_clean_factor_and_forward_returns(factor, prices, groupby=None, quantiles=5, bins=None, periods=(1, 5, 10), filter_zscore=20, groupby_labels=None, by_group=bool, max_loss=0.35)
参数 | 类型 | 说明 |
---|---|---|
factor | pd.Series – MultiIndex | 一次一个因子数据,MultiIndex系列由时间戳(级别0)和资产(级别1)索引,包含单个alpha因子的值 |
price | pd.DataFrame | 所有股票的多天价格数据 |
groupby | pd.Series - MultiIndex或dict | 行业分组信息, 保证每个股票都有行业分类 |
periods=(1, 5, 10) | tuple | 默认计算了远期收益(预测能力) |
groupby_labels | dict | 分组名称, 把所有的 行业贴上标签。比如说,(煤炭)中信对应数字 1,(钢铁)中信对应数字 2,以此类推。 |
max_loss=0.35 | float | 计算允许因子数据丢弃的最大百分比(0.00到1.00),(例如NaN),未提供足够的价格数据来计算所有因子值的远期收益率,设置max_loss = 0避免数据出现缺失 |
by_group | bool | 分组计算可以理解成是传统的行业中性的做法 |
return: merged_data: | pd.DataFrame - MultiIndex | 收益率、行业分组信息 |
factor 格式
price 格式
API
from alphalens import performance
from alphalens import plotting
from alphalens import tears
from alphalens import utils
获取综合信息
alphalens.tears.create_summary_tear_sheet(factor_data, long_short=True, group_neutral=False)
因子 IC 分析
计算因子值和预期收益之间的基于 Spearman 等级相关的信息系数 IC (默认每天):
alphalens.performance.factor_information_coefficient(factor_data, group_adjust=False, by_group=False)
- factor_data: 按日期 (级别 0) 和资产 (级别 1) 索引的 MultiIndex DataFrame, 包含单个 alpha 因子的值, 每个期间的正向收益
- group_adjust: 是否行业分组
- by_group: 分组计算
- return: 返回 IC DateFrame
计算 alpha 和 beta:
alphalens.tearse.factor_alpha_beta(factor_data, returns=None, demeaned=True, group_adjust=False, equal_weight=False)
创建一个平均累计回报表格:
最后
文章到这里就结束了,如果觉得对你有帮助可以点个赞哦
开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
最新讲解视频】](https://bbs.csdn.net/forums/4304bb5a486d4c3ab8389e65ecb71ac0)**
[外链图片转存中…(img-tL8lcVFr-1715689078289)]