量化投资单因子回测神器 — Alphalens

量化投资往期推荐

量化投资实战教程(1)—基于backtrader的简单买入卖出策略

量化投资实战教程(2)—MACD策略(+26.9%)

量化投资实战教程(3) —A股回测MACD策略

Python 量化投资实战教程(4) —KDJ 策略

Python 量化投资实战教程(5) — A股回测KDJ策略

Python 量化投资实战教程(6) — 交易平均收益率

Python 量化投资实战教程(7) — 孕线真的有用吗？

A股回测“孕线”策略 — Python 量化投资实战教程(8)

自定义MySQL数据流 — Python 量化投资实战教程(9)

可转债交易薅羊毛策略 — Python 量化投资实战教程(10)

Lean — 优秀好用的开源量化交易平台

微软开源！世界首个AI量化投资平台 Qlib 基本使用教程

还记得我们在前面采用的回测工具Backtrader吗？Backtrader是一款非常灵活的回测工具，基于它你能回测任何你想要测试的idea.

但是针对单因子回测，Backtrader 开发回测代码以及生成报告上并不算很方便，我们需要自己编写买卖逻辑，在生成的报告上也没有IC、IR、回撤等的数据分析，而实际上，从单因子回测的技术实现角度上来说，这些都是可以自动化生成的。

Alphalens就是一个专门实现单因子自动回测的神器，我们只要给它输入因子值的列，还有每支股票收盘价的数据，它就能自动生成数据分析及报告，并带有十几张可视化的报告数据统计图：

下面就带大家入门使用一下Alphalens，如果对你有帮助的话，记得点一下赞/在看哦。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install alphalens
pip install tushare
pip install pandas

2.数据预处理

正如前面所说，我们只需要把因子值和收盘价放入Alphalens中，就能自动生成回测和报告结果。

所以，我们90%的工作都会在数据处理这一部分，回测和分析都是抽象封装好的，并不需要太多地去担心它。

为了测试，我们导入tushare的数据进行测试：

import pandas as pd
import tushare as ts
from alphalens.utils import get_clean_factor_and_forward_returns
from alphalens.tears import create_full_tear_sheet

pro = ts.pro_api()
# 此接口获取的数据为未复权数据，回测建议使用复权数据，这里为批量获取股票数据做了简化
df = pro.daily(ts_code='000001.SZ,600982.SH', start_date='20200101', end_date='20211122')
df.index = pd.to_datetime(df['trade_date'])
df.index.name = None
df.sort_index(inplace=True)

这里获取了000001.SZ,600982.SH两只股票在2020-01-01到2021-11-22的日线数据，将交易日期设为了索引并排序。效果如下：

然后需要设置多索引的因子列 assets，第一个索引为日期，第二个索引为股票代码：

# 多索引的因子列，第一个索引为日期，第二个索引为股票代码
assets = df.set_index([df.index, df['ts_code']], drop=True)

效果如下，仔细观察的话能发现其与导入的数据只有索引的不同：

然后，设置收盘价的Dataframe，这个与因子数据的格式不同，索引是时间，每一列是每只股票对应的收盘价：

# column为股票代码，index为日期，值为收盘价
close = df.pivot_table(index='trade_date', columns='ts_code', values='close')
close.index = pd.to_datetime(close.index)

到这一步，我们的初始化工作就完成了，下面就放到 Alphalens 进行测试。

3.Alphalens回测及报告

使用Alphalens进行回测，是非常轻松而写意的，只需要导入包，给它传递因子数据和收盘价数据即可：

from alphalens.utils import get_clean_factor_and_forward_returns
from alphalens.tears import create_full_tear_sheet

# 我们是使用pct_chg因子数据预测收盘价，因此需要偏移1天，但是这里有2只股票，所以是shift(2)
ret = get_clean_factor_and_forward_returns(assets[['pct_chg']].shift(2), close)
create_full_tear_sheet(ret, long_short=False)

get_clean_factor_and_forward_returns 接受的第一个参数就是因子的列，我们只需要从前面预处理好的 assets 中任取一列作为因子进行回测即可，第二列是收盘价。

值得注意的是，因子数据在回测的时候，注意不要使用到未来数据，因为我们是用前一天的数据预测下一天的收盘价，所以要对因子列进行移位处理，这点一定要注意。

运行程序，就能生成如下的报告：

还有一点需要提醒大家的是，开源Alphalens的Quantopian公司已经倒闭，所以项目暂时没人维护了，部分代码没有适配最新的依赖可能会有问题，比如下面的这个代码：

原本是通过 .get_values() 获得 input_periods, 但是 get_values 在 pandas 0.25.0 中已经被弃用，最新的pandas版本这里需要改成 .to_numpy() 才能生效。

除了这个小缺点，Alphalens整体上是非常符合大家单因子测试的需求的。

它的分析报告可能没有那么齐全，我们也可以考虑在Alphalens的基础上增加其他的分析内容，如果能开源出来则更好了。

考虑到后续Alphalens没人维护，我fork了Alphalens，并增加了自己的改动，希望有余力的同学也能来一起贡献代码：
https://github.com/Ckend/alphalens

我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

点击下方阅读原文可获得更好的阅读体验

Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典