量化交易_3

最新推荐文章于 2023-06-20 17:50:30 发布
最新推荐文章于 2023-06-20 17:50:30 发布
阅读量1k 收藏 10
点赞数 1
分类专栏： 学习日志
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Michael_Cool/article/details/80489577
版权

概要

  • 单因子IC分析
  • 单因子收益率分析
  • 构建因子测试框架
  • 构建单因子回测框架
  • 多因子相关性分析
  • 多因子合成方法

单因子IC分析

  • 因子的IC分析：判断因子与收益的相关性强度

  • IC：

    • 某一期的IC是指该期因子暴露度和股票下期的实际回报值在横截面上的相关系数
    • 一个因子的IC就是因子与收益率的相关强度
    • 计算过程：使用斯皮尔曼相关系数，取值在[-1,1]
      • 0表示该因子与收益率不相关
      • （0,1]，表示因子跟收益率正相关，越靠近1，表示相关性越大
      • [-1,0),表示因子跟收益率逆相关，越靠近-1,表示相关性越大

  • 因子暴露度：因子的值，一般是经过了数据处理之后的值

单因子收益率分析

  • 收益率

    • 在确定了收益率区间后，这期收盘价/上期收盘价 - 1
    • 收益率区间：
      • 日收益率
      • 月收益率
      • 年收益率

  • API:

    import scipy.stats as st
st.spearman(因子,收益率)

  • 示例： 手动计算因子的IC值

    • 在研究平台上
    import scipy.stats as st
import pandas as pd
import numpy as np


# 导入去极值，标准化函数


# 去极值

def med_method(factor):
  # 1、找到MAD值
  med = np.median(factor)
  distance = abs(factor - med)
  MAD = np.median(distance)
  # 2、求出MAD_e
  MAD_e = 1.4826 * MAD
  # 3、求出正常值范围的边界
  up_scale = med + 3 * MAD_e
  down_scale = med - 3 * MAD_e
  # 4、替换
  factor = np.where(factor > up_scale, up_scale, factor)
  factor = np.where(factor < down_scale, down_scale, factor)
  return factor


# 自实现标准化


# (x - mean) / std

def stand_method(factor):
  mean = np.mean(factor)
  std = np.std(factor)
  factor = (factor - mean) / std
  return factor

 # 1.获取因子的暴露度

# 1）获取财务数据

stocks = industry('C39')
q = query(fundamentals.eod_derivative_indicator.pe_ratio).filter(fundamentals.stockcode.in_(stocks))
fund = get_fundamentals(q, entry_date="20170105")[:,0,:]

# print("fund的值为：\n", fund)


# 2）处理缺失值

fund = fund.dropna()

# 3）去极值，标准化

fund['pe_ratio'] = med_method(fund['pe_ratio'])
fund['pe_ratio'] = stand_method(fund['pe_ratio'])

# print(fund['pe_ratio'])


# 2.获取该因子的收益率


# 1）获取历史的交易数据

price = get_price(list(fund.index),start_date="20170105", end_date='20170106', fields='close').T

# 2) 处理缺失值

price = price.dropna()

# 3）进行收益率计算

return_rate = price.iloc[:,1]/price.iloc[:,0] - 1

# 4）合并处理

data = pd.concat([fund['pe_ratio'], return_rate], axis=1)

# 3.进行相关系数计算

pe_ratio_ic = st.spearmanr(data['pe_ratio'], data[0])

构建因子测试框架

  • 以上是计算某一个因子在一个交易日的IC，那如何计算某个因子在某一年的每天的IC变化情况呢？

  • 使用Alphalens 因子分析工具

    • 是计算IC值更强大的工具
    • 主要有四个大类组成
      • alphalens.tears:获取综合信息
      • alphanlens.performance:用来计算
      • alphalens.plotting:画图
      • alphalens.utils:额外的工具包
    • Alphalens通用数据格式：factor_data
    • 生成factor_data数据格式的API:alphalens.utils.get_clean_factor_and_forward_returns(factor, prices,...)

    • factor:因子数据

      • 是一个MultiIndex的pd.Series类型

    • price:价格数据

      • pd.DateFrame格式,所有股票的多天价格数据

    • 准备Alphalens通用数据格式的流程

    • 1.准备factor因子数据
    • 2.准备peices价格数据
    • 3.生成alphalens通用数据格式

    • 代码：

    • 使用Alphalens对某个因子在某一年的每天的IC进行分析

    import pandas as pd
import numpy as np


# 去极值

def med_method(factor):
    # 1、找到MAD值
    med = np.median(factor)
    distance = abs(factor - med)
    MAD = np.median(distance)
    # 2、求出MAD_e
    MAD_e = 1.4826 * MAD
    # 3、求出正常值范围的边界
    up_scale = med + 3 * MAD_e
    down_scale = med - 3 * MAD_e
    # 4、替换
    factor = np.where(factor > up_scale, up_scale, factor)
    factor = np.where(factor < down_scale, down_scale, factor)
    return factor


# 自实现标准化


# (x - mean) / std

def stand_method(factor):
    mean = np.mean(factor)
    std = np.std(factor)
    factor = (factor - mean) / std
    return factor


# 获取分析周期，一年

date = get_trading_dates(start_date="20170101", end_date="20180101")


# 1）准备factor因子数据 格式：series-multiindex    


# 分析哪一个因子？earnings_per_share


# 确定分析的时间区间？2017-01-01~2018-01-01    


# 给获取到的因子数据附上当天交易日的日期信息 


# 添加复合索引 set_index([“date”, 股票列表])  


# 因子数据处理：去极值、标准化 

all_data = pd.DataFrame()
for i in range(len(date)):
    q = query(fundamentals.financial_indicator.earnings_per_share)
    fund = get_fundamentals(q, entry_date=date[i])[:, 0, :]
    # 给因子值横截面数据加上日期信息
    fund["date"] = date[i]
    # 要把每一个交易日的横截面数据竖着粘在一起
    all_data = pd.concat([all_data, fund])
    all_data = all_data.set_index(["date", all_data.index])

# 因子数据处理：去极值、标准化 

all_data["earnings_per_share"] = med_method(all_data["earnings_per_share"])
all_data["earnings_per_share"] = stand_method(all_data["earnings_per_share"])

# factor 准备完毕

factor = all_data["earnings_per_share"]


# 2）准备prices价格数据 格式：pd.DataFrame


# 确定股票范围？全部A股

stocks = all_instruments()
stocks = stocks["order_book_id"]
prices = get_price(list(stocks), start_date="20170101", end_date="20180101", fields="close")


# 导入alphalens

from alphalens import tears, performance, plotting, utils
factor_data = utils.get_clean_factor_and_forward_returns(factor, prices)
IC = performance.factor_information_coefficient(factor_data)

# 画因子时间序列和移动平均图

plotting.plot_ic_ts(IC)

# 画因子的直方图

plotting.plot_ic_hist(IC)

# 计算月平均因子IC值

mean_monthly_ic = performance.mean_information_coefficient(factor_data, by_time="1m")

# 画出月平均IC的热力图

plotting.plot_monthly_ic_heatmap(mean_monthly_ic)

# 直接获取综合信息——IC值

tears.create_information_tear_sheet(factor_data)

# 计算IC>0.02的比例

a = IC.iloc[:, 0][IC.iloc[:, 0] > 0.02]
rate = len(a) / len(IC)

  • IC综合分析

    • 平均值
    • 标准差

  • 因子收益率分析

    • 因子值*因子收益率 + alpha = 未来收益率

构建单因子回测框架

  • 因子分析好了，接下来干嘛？

    • 单个因子的回测表现

      • 每个因子的分组回测结果，查看因子本身的变现情况
      • 验证分组结果，选择单调性好的因子

    • 示例：分组测试单个因子的年化收益情况

      • 在策略平台上执行
    
import numpy as np

# 流程分析：


# 目标：按分位数将该因子（earnings_per_share）的股票分成5组，分别进行回测，看年化收益


# 确定区间：2017-01-01~2018-01-01


# 确定选股范围：全部A股


# 确定调仓周期：按月


# 对因子进行处理：缺失值处理、去极值、标准化


# 分组选股：5组分别进行回测

def init(context):
    # 分组
    context.group = 2
    # 每月的定时器
    scheduler.run_monthly(select_stocks, tradingday=1)


def select_stocks(context, bar_dict):
    # 选股
    q = query(fundamentals.financial_indicator.earnings_per_share)
    fund = get_fundamentals(q).T
    # 因子处理
    # 处理缺失值
    fund = fund.dropna()
    # 去极值
    fund["earnings_per_share"] = med_method(fund["earnings_per_share"])
    # 标准化
    fund["earnings_per_share"] = stand_method(fund["earnings_per_share"])
    # print(fund)
    factor = fund["earnings_per_share"]
    # 按照分位数进行分组
    if context.group == 1:
        data = factor[factor < factor.quantile(0.2)]
    elif context.group == 2:
        data = factor[(factor > factor.quantile(0.2)) & (factor < factor.quantile(0.4))]
    elif context.group == 3:
        data = factor[(factor > factor.quantile(0.4)) & (factor < factor.quantile(0.6))]
    elif context.group == 4:
        data = factor[(factor > factor.quantile(0.6)) & (factor < factor.quantile(0.8))]
    else:
        data = factor[factor > factor.quantile(0.8)]

    # 选出来的股票
    context.stocks = data.index
    print("选出来的股票为：\n", context.stocks)

    # 调仓
    # 卖出
    for stock in context.portfolio.positions.keys():
        if context.portfolio.positions[stock].quantity > 0:
            if stock not in context.stocks:
                order_target_percent(stock, 0)
    # 买入
    for stock in context.stocks:
        order_target_percent(stock, 1.0/20)



# 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):
    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



# 去极值

def med_method(factor):
    # 1、找到MAD值
    med = np.median(factor)
    distance = abs(factor - med)
    MAD = np.median(distance)
    # 2、求出MAD_e
    MAD_e = 1.4826 * MAD
    # 3、求出正常值范围的边界
    up_scale = med + 3 * MAD_e
    down_scale = med - 3 * MAD_e
    # 4、替换
    factor = np.where(factor > up_scale, up_scale, factor)
    factor = np.where(factor < down_scale, down_scale, factor)
    return factor


# 自实现标准化


# (x - mean) / std

def stand_method(factor):
    mean = np.mean(factor)
    std = np.std(factor)
    factor = (factor - mean) / std
    return factor

多因子相关性分析

  • 对因子与因子的IC值求相关系数
    • 斯皮尔曼相关系数

多因子合成方法

  • 将一些相关的因子合成一个因子

  • 方法

    • 1.等权重加和
    • 2.PCA降维

  • 示例：多因子合成

# 合成以下因子：
# earnings_per_share;fully_diluted_earnings_per_share;return_on_equity
# 1、获取这三个因子的横截面数据
# 2、因子处理、缺失值、去极值、标准化
# 3、PCA流程
import pandas as pd
# 1、获取这三个因子的横截面数据
date = get_trading_dates(start_date="20170101", end_date="20180101")
all_data = pd.DataFrame()
for i in range(len(date)):
  q = query(fundamentals.financial_indicator.fully_diluted_earnings_per_share,
           fundamentals.financial_indicator.earnings_per_share,
           fundamentals.financial_indicator.return_on_equity)
  fund = get_fundamentals(q, entry_date=date[i])[:, 0, :]
  # 要把每一个交易日的横截面数据竖着粘在一起
  all_data = pd.concat([all_data, fund])
# 处理缺失值
all_data = all_data.dropna()
import numpy as np
def med_method(factor):
  # 1、找到MAD值
  med = np.median(factor)
  distance = abs(factor - med)
  MAD = np.median(distance)
  # 2、求出MAD_e
  MAD_e = 1.4826 * MAD
  # 3、求出正常值范围的边界
  up_scale = med + 3 * MAD_e
  down_scale = med - 3 * MAD_e
  # 4、替换
  factor = np.where(factor > up_scale, up_scale, factor)
  factor = np.where(factor < down_scale, down_scale, factor)
  return factor

# 自实现标准化
# (x - mean) / std
def stand_method(factor):
  mean = np.mean(factor)
  std = np.std(factor)
  factor = (factor - mean) / std
  return factor

# 去极值和标准化
all_data["fully_diluted_earnings_per_share"] = med_method(all_data["fully_diluted_earnings_per_share"])
all_data["earnings_per_share"] = med_method(all_data["earnings_per_share"])
all_data["return_on_equity"] = med_method(all_data["return_on_equity"])
all_data["fully_diluted_earnings_per_share"] = stand_method(all_data["fully_diluted_earnings_per_share"])
all_data["earnings_per_share"] = stand_method(all_data["earnings_per_share"])
all_data["return_on_equity"] = stand_method(all_data["return_on_equity"])

from sklearn.decomposition import PCA
# PCA降维
# 实例化一个转换器类
transfer = PCA(n_components=1)
# fit_transform
data = transfer.fit_transform(all_data)
VisionaryX
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python实战量化交易理财系统
07-09
## 讲师介绍： 近 5 年个人投资理财年化收益平均超 25%。如果你也想提升自己的睡后收入，轻松赚钱，那么这门课就是为你量身打造。课程基于一个完整真实的量化交易业务来讲授，并融入老师的理财经验以及使用编程技术辅助投资的技巧，让你面对各种复杂投资情况也能做到游刃有余。 ## 学习目标： 从不懂“理财”开始到实现自动交易，成为一个“技术流”理财高手 编程技术 + 核心量化策略 + 交易系统开发 + 讲师经验分享，学会用技术辅助理财 本课程从最基础的什么是量化开始讲起，即使对投资理财不了解同样可以学习，轻松入门无压力。 从如何获取数据开始，到实现实盘交易，课程对量化交易的每一步都进行细致讲解，为你铺开量化交易的每一个细节。 不仅仅只是教你学会使用某种工具，更会教给你量化交易的投资思想，让你面对各种情况都游刃有余。 ## 课程亮点： 设计适合自己并能适应市场的交易策略，才是量化交易的灵魂 课程亲手带你设计并实现两种交易策略，快速培养你的策略思维能力 1. 择时策略：通过这个策略学会如何利用均线，创建择时策略，优化股票买入卖出的时间点。2. 选股策略：掌握选股策略的核心逻辑，并基于收益率创建动量选股策略，并验证其有效性。 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 第三方平台大而全，不易扩展，效率还差，信息安全也是大问题，打造自己的交易平台才是更优解
Quantopian单因子分析工具：Alphalens
卤蛋爱编程
11-22 2282
Quantopian是国外著名的量化交易平台，早期聚宽就是仿照这个网站开发的，算是这类平台的鼻祖了，可惜Quantopian最近刚宣布要停止运营了。Quantopian开发了许多优秀的开源项目，其中比较著名的有zipline、pyfolio和alphalens，zipline是事件驱动的回测引擎，Alphalens与Zipline开源回溯测试库以及Pyfolio配合使用，Pyfolio提供金融投资组合的绩效和风险分析。 Alphalens主要功能是alpha因子的相关性统计数据和图表展示，包括： Retu
量化交易 第十五课 单因子有效性分析之 Alphalens
我是小白呀的博客
03-21 1万+
第十五课 单因子有效性分析之 Alphalens.
股票量化交易策略：多因子筛选练习
黑马程序员官方博客
08-10 2360
基本面数据因子(特征)如此之多，那么如何去找到对应的对股票收益率比较好的。并且能在未来一段时间给我们的选股收益率提供帮助。某一期的IC指的是该期因子暴露值和股票下期的实际回报值在横截面上的相关系数1.1 什么是因子暴露度指的就是因子本身的值1.2 计算方式斯皮尔曼相关系数(Rank IC)斯皮尔曼相关系数表明 X (独立变量) 和 Y (依赖变量)的相关方向。如果当X增加时， Y 趋向于增加, 斯皮尔曼相关系数则为正与之前的皮尔逊相关系数大小性质一样，取值 [-1, 1]之间。...
alphalens 事件_如何用Alphalens计算IC值？
weixin_39975261的博客
12-24 997
如何用Alphalens计算IC值？目录Alphalen是什么？如何编写Alpha因子？Alphalens需要什么数据格式？如何计算不同Quantiles收益与标准差？如何将不同收益曲线可视化？什么是信息系数？Alphalen是什么？Alphalens是一个Python包，用于对阿尔法因子进行性能分析。Alpha因子表示一些给定的信息和未来的回报之间的预测关系。通过将这种关系应用于多个股票，能够产...
量化交易-因子有效性分析
xu624735206的博客
01-20 1529
因子有效性分析
量化交易怎么学习？什么是量化交易？
黑马程序员官方博客
06-20 1531
量化交易是指借助现代统计学和数学的方法，利用计算机技术来进行交易的证券投资方式。量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”时间以指定策略。用数据模型验证以及固化这些规律和厕所，然后严格执行已固化的策略来指导投资，以求获得可以持续的、稳定切高于平均收益的超额回报。量化交易起源于上世纪七十年代的股票市场，之后迅速发展和普及，尤其是在期货交易市场，程序化逐渐成为主流。有数据显示，国外成熟市场期货程序化交易已占据总交易量的70-80%，而国内则刚刚起步。
做量化你需要知道的那些术语！（持续更新）
尧十三的博客
08-23 4780
**金融相关： 股票：股份公司发行的所有权凭证。 债券：承诺按一定利率支付利息并按约定条件偿还本金的债权债务凭证，风险较低。 固定收益：固定收益类投资指投资于银行定期存款、协议存款、国债、金融债、企业债、可转换债券、债券型基金等固定收益类资产。风险低。 利率互换：利率互换是指两笔货币相同、债务额相同（本金相同）、期限相同的资金，但交易双方分别以固定利率和浮动利率借款，为了降低资金成本和利率...
使用get_fundamentals查询财务指标和估值指标(三)
weixin_47906106的博客
01-01 2486
一、什么是财务指标？ 能记账的都归属到财务数据的部分。 以企业为例子，财务报表总共有三类。 资产负债表 资产负债表体现企业家底和负债情况，就好比一个人 有几套房 几辆车。是全款买的还是借款买的，如果是借款，有多少是自己的，有多少是借来的。可以看到 一个公司的资产负债表是 “资产”“负债”以及两者相比这3块构成的。 利润表 利润表体现的是公司的盈利能力，赚了多少钱，怎么赚的。来源都有哪些，其中隐藏对未来增长的预期。 也是因为有这个预期，很多公司的股价也是远超真实的公司内在价值的。比如说我们听到很多互联
谈谈量化交易的一些“深坑”
热门推荐
量化交易研究
10-21 4万+
作者：MathQueen 来源：知乎 一、量化交易都是什么 量化交易、程序化交易、量化投资，听起来很高大上的名词。随着市场的成熟化，去散户化，量化交易慢慢成为机构投资的主要手段之一，但它真的如同印钞机一样，躺着赚钱，还是不过是把“手动亏钱”变成了“自动亏钱”，本文说说。 成熟市场，散户的占比是很少的，比如美股，不到10%的散户比例，其他都是机构，再比如外汇交易市场，就没几个散户，因为散户...
Matlab案例汇总.rar_matlab 量化交易_matlab量化实例_windmatlab_量化 交易_量化交易
07-14
案例 MATLAB量化交易案例汇总 基于windMATLAB接口
程序_量化_量化交易_
09-29
机器学习与量化交易哈哈哈哈哈哈哈哈哈哈哈
matlab量化投资_matlab量化投资_matlab高频交易_matlab量化交易_高频交易_
09-29
matlab高频交易代码，网上寻来的向作者致敬。。。。。。。。。。。。。
StockDir_量化交易_matlab_
09-30
利用matlab的bp网络预测数据的走向，简单结构，输出因子为1。
deap-master.zip_Python量化交易_chickenju1_deap python_量化交易_量化交易pytho
07-14
量化交易程序，用于实盘，python 语言编写
linux下 安装企业微信
小孟先森的博客
10-22 5813
以下步骤在ubuntu 18.04环境下测试 1.安装 Deepin-Wine 环境: 1.1 把 Deepin-wine-for-ubuntu Git 仓库的内容克隆到本地： git clone https://github.com/wszqkzqk/deepin-wine-ubuntu.git cd deepin-wine-ubuntu 1.2安装： chmod +x ./install_2.8.22.sh sudo ./install_2.8.22.sh 2.安装 De.
day073 项目_IT橘子爬虫
小孟先森的博客
04-26 3566
今天，做了一个爬虫的新项目——IT桔子(www.itjuzi.com/company)的信息爬取. IT桔子是关注IT互联网行业的结构化的公司数据库和商业信息提供商 IT桔子致力于通过信息和数据的生产、聚合、挖掘、加工、处理，帮助目标用户和客户节约时间和金钱、提高效率，以辅助其各类商业行为，包括风险投资、收购、竞争情报、细分行业信息、国外公司产品信息数据服务等。 所以IT桔子网...
量化交易_1
小孟先森的博客
05-26 2707
量化交易 量化交易基础 框架介绍 策略编写 量化交易基础 量化交易：量化交易是指借助现代统计学和数学方法，利用计算机技术来进行交易的证券投资方式。 量化交易的分类 按照投资技术分类 趋势性交易 市场中性 高频交易 按照金融产品分类 股票 期货 量化交易历史：产生与上世纪60年代，兴起于70-80年代，繁荣于90年代。中国因为90年代才开市，所以2010年之后才兴起起来。 量...
matplotlib.pyplot绘制不同图型&Numpy
小孟先森的博客
05-13 2000
不同的图形的应用场景 折线图 显示数据的变化，趋势 如，温度随时间的变化 plt.plot(a,b) 条形图（柱状图） 显示数据之间的大小比较 如,电影院每天排片的所有电影的票房比较 plt.bar(a,b) 直方图 反应数据在不同的范围内的分布 如，一个班级里的身高在(1.6-1.65;1.65-1.7;1.7-1.75;1.75-1.8)这几个范围内的分布 plt.hist(a...
excel量化交易模板_excel炒股
最新发布
06-25
Excel量化交易模板是一种利用Excel软件进行量化交易的工具。量化交易是利用计算机程序和统计学模型分析市场信息来进行交易的一种方式，在现代金融市场中越来越受到重视。 Excel量化交易模板中包含了各种指标和公式...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值