研报复现：期货截面遗传算法因子挖掘 | 创业板布林带策略（年化13.2%）

最新推荐文章于 2024-09-17 23:15:58 发布

AI量化投资实验室

最新推荐文章于 2024-09-17 23:15:58 发布

阅读量658

点赞数 27

文章标签： python 机器学习

本文链接：https://blog.csdn.net/weixin_38175458/article/details/141205794

版权

原创文章第621篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

这篇研报，已经在星球同步，代码（明天周五）提交。

原研报是自己改进了gplearn，我使用deap框架来做：

1、整理41支期货的主连合约数据：

2、函数算子实现：

算子分为几类：

一元非滑动类，这类最简单，直接使用np的函数就可以了，代码在expr_unary.py里。

然后一元滑动类的函数很多——主要都是时间序列滑动窗口（rolling）的统计类，比如均值，中位数，偏度，峰度，最大，最小值，排序等等。

import numpy as np
import pandas as pd
from .expr_utils import calc_by_symbol, calc_by_date


@calc_by_symbol
def ts_delay(se: pd.Series, periods=5):  # 滞后N天的序列
    return se.shift(periods=periods)


@calc_by_symbol
def ts_delta(se: pd.Series, periods=20):  # 当前序列与滞后N天之差
    se_result = se - se.shift(periods=periods)
    return se_result


@calc_by_symbol
def ts_mean(se: pd.Series, d):
    return se.rolling(window=d).mean()


@calc_by_symbol
def ts_median(se: pd.Series, d):
    return se.rolling(window=d).median()


@calc_by_symbol
def ts_pct_change(se: pd.Series, N):
    return se / se.shift(N) - 1


@calc_by_symbol
def ts_max(se: pd.Series, periods=5):
    return se.rolling(window=periods).max()


@calc_by_symbol
def ts_min(se: pd.Series, periods=5):
    return se.rolling(window=periods).min()


@calc_by_symbol
def ts_maxmin(X, d):
    return (X - ts_min(X, d)) / (ts_max(X, d) - ts_min(X, d))


@calc_by_symbol
def ts_sum(se: pd.Series, N):
    ret = se.rolling(N).sum()
    return ret


@calc_by_symbol
def ts_std(se, periods=5):
    return se.rolling(window=periods).std()


@calc_by_symbol
def ts_skew(X, d):
    return X.rolling(window=d).skew()


@calc_by_symbol
def ts_kurt(X, d):
    return X.rolling(window=d).kurt()


@calc_by_symbol
def ts_argmin(se: pd.Series, periods=5):
    return se.rolling(periods, min_periods=2).apply(lambda x: x.argmin())


@calc_by_symbol
def ts_argmax(se: pd.Series, periods=5):
    return se.rolling(periods, min_periods=2).apply(lambda x: x.argmax())


@calc_by_symbol
def ts_argmaxmin(X, d):
    return ts_argmax(X, d) - ts_argmin(X, d)


@calc_by_symbol
def ts_rank(se: pd.Series, periods=9):
    ret = se.rolling(window=periods).rank(pct=True)
    return ret

# @calc_by_symbol
# def ts_product(se: pd.Series, d):
#     return se.rolling(window=d).apply(np.product)
#
#

迭代结果：