注册 登录
  • 欢迎访问开心洋葱网站,在线教程,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站,欢迎加入开心洋葱 QQ群
  • 为方便开心洋葱网用户,开心洋葱官网已经开启复制功能!
  • 欢迎访问开心洋葱网站,手机也能访问哦~欢迎加入开心洋葱多维思维学习平台 QQ群
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏开心洋葱吧~~~~~~~~~~~~~!
  • 由于近期流量激增,小站的ECS没能经的起亲们的访问,本站依然没有盈利,如果各位看如果觉着文字不错,还请看官给小站打个赏~~~~~~~~~~~~~!

量化交易 实战之回归法选股 part 2

文章索引目录
[隐藏]

.实战之回归法选股 part 2

  • 概述
  • 代码
  • 效果

1.1.概述

继上一片的理论, 我们这次来进行一下回测, 看一下结果如何.

1.1.代码

# 可以自己import我们平台支持的第三方python模块,比如pandas、numpy等。
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):

    # 初始化股票因子权重
    context.weights = np.array([0.04549957, 0.01249463, -0.02397849, 0.06077185, -0.00195205, -0.00892116, -0.04641399, -0.05644752, -0.08393869]) 

    # 定义股票池数量
    context.stocknum = 20

    # 定时每月运行函数
    scheduler.run_monthly(regression_select, tradingday=1)



def regression_select(context, bar_dict):
    """回归预测选股逻辑"""

    # 获取沪深300
    context.hs300 = index_components("000300.XSHG")

    # 1. 查询因子
    q = query(
        fundamentals.eod_derivative_indicator.pe_ratio,
        fundamentals.eod_derivative_indicator.pb_ratio,
        fundamentals.eod_derivative_indicator.market_cap,
        fundamentals.financial_indicator.ev,
        fundamentals.financial_indicator.return_on_asset_net_profit,
        fundamentals.financial_indicator.du_return_on_equity,
        fundamentals.financial_indicator.earnings_per_share,
        fundamentals.income_statement.revenue,
        fundamentals.income_statement.total_expense
        ).filter(
            fundamentals.stockcode.in_(context.hs300)
        )

    fund = get_fundamentals(q)

    context.factors_data = fund.T

    # 2. 数据预处理
    process_data(context)

    # 3. 根据每月预测下月的收益率
    select_stocklist(context)

    # 4. 调仓
    reblance(context)

def process_data(context):
    """删除空值, 去极值, 标准化, 因子的市值中性化"""
    # 删除空值
    context.factors_data = context.factors_data.dropna()

    # 市值因子不进行去极值, 标准化处理
    market_cap_factor = context.factors_data["market_cap"]

    # 去极值化, U型你换对每个因子进行处理
    for name in context.factors_data.columns:
        context.factors_data[name] = mad(context.factors_data[name])
        context.factors_data[name] = stand(context.factors_data[name])

        # 对因子(除了市值因子) 中性化处理
        if name == "market_cap":
            continue
        
        # 建立回归方程, 市值中性化
        lr = LinearRegression()

        x = market_cap_factor.values
        y = context.factors_data[name]

        # x: 要求二维, y: 要求一维
        lr.fit(x.reshape(-1, 1), y)

        y_predict = lr.predict(x.reshape(-1, 1))

        # 得出误差进行替换原有因子值
        context.factors_data[name] = y - y_predict

def select_stocklist(context):
    """回归计算预测得出收益率结果, 筛选收益率高的股票"""

    # 特征值是: context.factors_Date (300, 9) 系数: 因子权重

    # 进行矩阵运算 (300, 9) * (9, 1) = (300, 1)
    stock_return = np.dot(context.factors_data.values, context.weights)
    logger.info(stock_return)
    
    # 赋值给因子数据, 注意都是默认对应的股票代码和收益率
    context.factors_data["stock_return"] = stock_return

    # 进行收益率排序
    ordered = context.factors_data.sort_values(by="stock_return", ascending=False)

    # 加入股票池
    context.stock_list = ordered.index[:context.stocknum]

def reblance(context):
    # ----------------卖出----------------
	# 遍历股票池
    for stock in context.portfolio.positions.keys():
        # 判断是否还在股票池
        if stock not in context.stock_list:
            # 如果不在, 卖出
            order_target_percent(stock, 0)

    # ----------------买入-----------------
	# 买入的百分比
    weight = 1.0 / len(context.stock_list)
    # 遍历股票池
    for stock in context.stock_list:
        # 等比例买入
        order_target_percent(stock, weight)
    

# before_trading此函数会在每天策略交易开始前被调用,当天只会被调用一次
def before_trading(context):
    pass


# 你选择的证券的数据更新将会触发此段逻辑,例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    # 开始编写你的主要的算法逻辑
    pass

# after_trading函数会在每天交易结束后被调用,当天只会被调用一次
def after_trading(context):
    pass


def mad(factor):
    """3倍中位数去极值"""
    
    # 求出因子值的中位数
    median = np.median(factor)
    
    # 求出因子值与中位数的差值, 进行绝对值
    mad = np.median(abs(factor - median))
    
    # 定义几倍的中位数上下限
    high = median + (3 * 1.4826 * mad)
    low = median - (3 * 1.4826 * mad)
    
    # 替换上下限
    factor = np.where(factor > high, high, factor)
    factor = np.where(factor < low, low, factor)
    return factor

def stand(factor):
    """数据标准化"""
    mean = factor.mean()
    std = factor.std()
    
    return (factor - mean) / std

1.1.效果

注: 在实际的应用中大概率不会跑赢大盘 46%, 因为分析的区间较短.


开心洋葱 , 版权所有丨如未注明 , 均为原创丨未经授权请勿修改 , 转载请注明量化交易 实战之回归法选股 part 2
喜欢 (0)
[开心洋葱]
分享 (0)

您必须 登录 才能发表评论!

……
加载中……