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%）

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：

写了个notebook在这里：

最终挖掘出来的因子如下图示（大家可以自行增减算子函数）：

代码下载：AI量化实验室——2024量化投资的星辰大海

01 每日策略

今天我们来配置一个经典的策略——创业板布林带策略：

我们实现两个指标：布林带上下轨，使用内置的函数bbands_up(close,20), bbands_down(close,20)即可。

然后交易信号分别为：bbands_up>close, close<bbands_down。

已经发布到服务器：

03 Deap因子挖掘——单因子分析

Alpha5的因子表达式为ts_dema(ts_median(ts_cov(open, volume,21),21),15)，它同样可以归属为量价相关性类因子。

它描述了开盘价与成交量的相关性中枢的移动平均水平。

按研报的计算，是得不到相应的结果的：

没有单调性

IC值是负向的，但IC不显著：

而且，你换个时间区间，得出的结果差异性会很大，比如你从20100101来始算，或者结束时间算到当下最新，结果都会不一样。

——金融量化，并不是一门严格的科学。

历史文章：

看《逆行人生》，你应该了解的财务安全与财务自由逻辑

长期年化收益45.9%：兼顾高成长与低波动的趋势轮动策略（附python代码）

AI量化实验室——2024量化投资的星辰大海