qlib+mongo实现转债金融时间序列数据查询

持续行动1期 39/100，“AI技术应用于量化投资研资”之可转债投资。

截至昨天，我们基本把可转债需要的基础数据，时间序列数据都入库mongo，并且生成qlib格式的数据库，并且整合的可转债的转股价，正股价。

现在我们可以来实现转债里有基础但有用的“双低”策略。

轮动的逻辑，就是永远持有目前“得分”最高的标的。”双低“意味着转债的股性和债性综合得分最高，也就是性价比最好。

01 qlib查询双低值

从qlib数据库里查询 转债价格$close，转股价$chg_price，正股价$stk_close，

转股溢价率：$close/(100/$chg_price*$stk_close)-1，

双低值：$close+ ($close/(100/$chg_price*$stk_close)-1)*100

fields = ['$close','$close+ ($close/(100/$chg_price*$stk_close)-1)*100', '$close/(100/$chg_price*$stk_close)-1']
data_loader_config = {
    "feature": (fields, ['转债价格', '双低值', '转股溢价率']),
    # "label": (labels, label_names)
}
data_loader = QlibDataLoader(config=data_loader_config, )
df = data_loader.load(instruments=instruments, start_time=start_date)
df = df['feature']
df.sort_values(by='双低值', ascending=True, inplace=True)
pprint(df)
return df

查询的数据如下：

与集思录里的数据做下对比，差不多（日期不同，我们的数据是09-05的）

接下来我们需要查询最新的日期里，按“双低”值从小到大排序。

这里带出一个问题，qlib适合做模型训练和回测，比如当前这个数据集，直接把双低值当作pred_score就可以回测了。包括机器学习的模型训练，但作为数据呈现（当数据库使用）就会有诸多不便。

后续可以考虑调研一下其余的金融时间序列数据库。

02 目前看数据需求

一个列表页的查询功能，这些功能可以通过预计算。

主要是需要把正股的信息整合起来，还有涨跌幅度，双低值等。

列表的作用只能查询最新的数据，比如不方便（需要重新计算）“穿越”到历史上某一天。

把mongo基础表的信息整合起来，形成一上完整的列表：

df_basic = mongo_utils.get_db()['bond_basic'].find({'ts_code': {'$in': list(df['instrument'])}},
                                        {
                                            'bond_short_name': 1,
                                            'stk_short_name': 1,
                                            '_id': 0,
                                            'maturity_date': 1,
                                            'ts_code':1
                                        })
df_basic = pd.DataFrame(list(df_basic))
df_basic.index = df_basic['ts_code']

df = pd.concat([df, df_basic], axis=1)

结合mongo的basic表和qlib的时间序列表，后续财务数据都可以整合进来。

除了考虑时间序列数据库（暂时不考虑，会引入更多的技术复杂性）。

qlib后续回测有大用途，目前性能还有优化的空间，包括qlib启用缓存等等。

简言之——qlib的数据库作为高性能时间序列数据库的一个替代，是一个很好的选择！

小结：

把qlib当作时间序列数据是一个正确选择。

qlib+mongo足够处理海量的金融时间序列数据。（qlib数据结构就是为此而生的）。之前有朋友问我为何为自己写一个，客观讲很耗时，未必做得比人家好。

后续：（还需要继续优化性能，导入基本面数据，财务指标等，就可以指导可转债的投资了）

qlib格式的可转债数据：正股价，转股价的整合

飞狐，科技公司CTO，用AI技术做量化投资；以投资视角观历史，解时事；专注个人成长与财富自由。