原创文章第606篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。
又到了一周一度更新quantlab代码的日子。
1、Deap遗传算法多支股票（转债）因子挖掘。
2、全量可转债历史数据，含对应的正股基本面指标。
3、多个可转债的因子
4、lightGBM的机器学习因子筛选
5、pandas_ta替换talib
本周主要更新如下：
1、Deap遗传算法多支股票（转债）因子挖掘。
2、全量可转债历史数据，含对应的正股基本面指标。
3、多个可转债的因子模型策略：
4、lightGBM的机器学习因子筛选：
5、pandas_ta替换talib
本周需要新安装如下4个包。
有同学问，遗传算法因子挖掘，到底是Deap好，还是gplearn好？
这里说明一下，大家看研报或者网上有些课程，讲因子挖掘，都是围绕gplearn。
有一个原因，gplearn的api更接近sklearn，所以大家感觉很熟悉。
gplearn.fit(X,y)这样的形式。
但原生的gplearn其实直接是不可用的。
1、这里的X没法区分多个symbol（因为它没有维度信息），因此只能挖掘单支股票的时序因子。
2、gplearn的符号生成不支持常量，比如roc(close,20)，这个20它必须hard code进去，不支持说，你从【1，2，5，10，20，40】里随机选择一下。
因此，如果需要用gplearn，接近于重写这个框架。——这些缺点，正是由于它为了兼容sklearn的api形式而引入的。因子挖掘的时候，并不需要传入X,y，我们只为生成符号，而不需要进行计算，计算是在fitness的时候进行，而fitness完成是我们自主定义，我就可以在这个环节对多个symbol进行计算。
但Deap不用，Deap原生就支持。
基于Deap遗传算法在全量可转债上做因子挖掘（附python代码及全量因子数据）
明天开始咱们正式进行股票市场——股票的多因子挖掘。
股票的数据量比较大，还有各种指标，基本面数据，我们会在服务器上构建。
有同学问数据api的事情，择机会向大家开放，敬请期待。
吾日三省吾身
人生三件事：健康、平安、财富。
前两件事对于随时普通人得来似乎很容易，以至于大家忘了感恩。
对于失去的人，那就是全部。
他们愿意用大多数的财富来换。
而普通人，更关心财富。
人生的悖论。
正确的态度，让自己和家人健康平安为前提。
良好的饮食、作息，情绪调节，习惯即可。
然后，不违背上述的前提下，全力以赴，十倍努力追求财富。
财富是创造性地解决一部分人的真实关切。
投资而言当然是可实盘的策略，分解下来核心是因子。
历史文章：
Alpla003经典的价量背离的因子在可转债列表里的因子分析（附python代码）
年化27.9%，最大回撤-13.6%的可转债因子策略，结合机器学习特征筛选（附python代码）
代码发布：quantlabv5.3，可转债所有数据及双低、动量因子策略，单因子分析框架
376
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
