'benchmark_price': dv.data_benchmark, # 为空计算的是绝对收益 不为空计算相对收益
'period': period, # 20天的持有期
'mask': mask,
'can_enter': can_enter,
'can_exit': can_exit,
'forward': True,
'commission': 0.0008,
"covariance_type": "shrink", # 协方差矩阵估算方法 还可以为"simple"
"rollback_period": 250
} # 滚动窗口天数
comb_factors = dict()
for method in ["equal_weight", "ic_weight", "ir_weight", "max_IR", "max_IC"]:
signal = multi_factor.combine_factors(factor_dict,
standardize_type="rank",
winsorization=False,
weighted_method=method,
props=props)
#z-score标准化
comb_factors[method] = process.standardize(signal, index_member)
ic_20 = multi_factor.get_factors_ic_df(
comb_factors,
price=dv.get_ts("close_adj"),
high=dv.get_ts("high_adj"), # 可为空
low=dv.get_ts("low_adj"), # 可为空
n_quantiles=5, # quantile分类数
mask=mask, # 过滤条件
can_enter=can_enter, # 是否能进场
can_exit=can_exit, # 是否能出场
period=period, # 持有期
'ret_type': 'return',#可选参数还有upside_ret/downside_ret 则组合因子将以优化潜在上行、下行空间为目标
'benchmark_price': dv.data_benchmark, # 为空计算的是绝对收益 不为空计算相对收益
'period': 20, # 20天的持有期
'mask': mask,
'can_enter': can_enter,
'can_exit': can_exit,
'forward': True,
'commission': 0.0008,
"covariance_type": "shrink", # 协方差矩阵估算方法 还可以为"simple"
"rollback_period": 250} # 滚动窗口天数
comb_factors = dict()
for method in ["equal_weight","ic_weight","ir_weight","max_IR","max_IC"]:
comb_factors[method] = multi_factor.combine_factors(factor_dict,
standardize_type="z_score", #有"rank"（排序标准化）,"z_score"(z-score标准化)两种
winsorization=False,
weighted_method=method,
props=props)
print(method)
print(comb_factors[method].dropna(how="all").head())
period = 20
ic_20 = multi_factor.get_factors_ic_df(comb_factors,
price=dv.get_ts("close_adj"),
high=dv.get_ts("high_adj"), # 可为空
low=dv.get_ts("low_adj"),# 可为空
n_quantiles=5,# quantile分类数
mask=mask,# 过滤条件
can_enter=can_enter,# 是否能进场
can_exit=can_exit,# 是否能出场
period=period,# 持有期
'forward': True,
'commission': 0.0008,
"covariance_type":
"shrink", # "shrink"表示的是压缩协方差矩阵估算方法 还可以为"simple"协方差矩阵估算方法
"rollback_period": 120
} # 滚动窗口天数
#测试:multi_factor.combine_factors();comb_factors是合成因子(将上述4个因子进行合成),这里的合成方法预设有5种(5种方法好好理解下？)
comb_factors = dict()
for method in ["equal_weight", "ic_weight", "ir_weight", "max_IR",
"max_IC"]: #分别表示进行等权、以某个时间窗口的滚动平均ic为权重、
#以某个时间窗口的滚动ic_ir为权重、最大化上个持有期的ic_ir为目标处理权重、最大化上个持有期的ic为目标处理权重的加权组合方式(上文中提及)
comb_factors[method] = multi_factor.combine_factors(
factor_dict, #因子的字典,其中Key为因子的名称,因子的value为dataframe
standardize_type=
"rank", #输入因子标准化方法,有"rank"(排序标准化),"z_score"(z-score标准化)两种（"rank"/"z_score"）
winsorization=False, #对合成的因子去极值,例如：0.05表示去掉因子值左右两端5%的数值
weighted_method=method, #可选的加权方法(5种)
props=props) #props是上面已经配置好的配置信息
print(method)
print(comb_factors[method].dropna(how="all").head())
#step2：计算新因子的ic_30(即ic分析)
#比较组合前和组合后的因子在30日持有期下的表现(统一到2014年9月后进行比较.这是由于上面用到了一个时间的滚动窗口"rollback_period": 120)
ic_30 = multi_factor.get_factors_ic_df(
comb_factors,
price=dv.get_ts("close_adj"),
high=dv.get_ts("high_adj"), # 可为空
low=dv.get_ts("low_adj"), # 可为空
n_quantiles=5, # quantile分类数
mask=mask, # 过滤条件
def test_multi_factor():
from jaqs_fxdayu.research.signaldigger import multi_factor, process
dv = DataView()
dv.load_dataview(dataview_folder)
dv.add_formula("momentum",
"Return(close_adj, 20)",
is_quarterly=False,
add_data=True)
mask = mask_index_member(dv)
can_enter, can_exit = limit_up_down(dv)
ic = dict()
factors_dict = {
signal: dv.get_ts(signal)
for signal in ["pb", "pe", "ps", "momentum"]
}
for period in [5, 15]:
ic[period] = multi_factor.get_factors_ic_df(
factors_dict,
price=dv.get_ts("close_adj"),
high=dv.get_ts("high_adj"), # 可为空
low=dv.get_ts("low_adj"), # 可为空
n_quantiles=5, # quantile分类数
mask=mask, # 过滤条件
can_enter=can_enter, # 是否能进场
can_exit=can_exit, # 是否能出场
period=period, # 持有期
benchmark_price=dv.
data_benchmark, # 基准价格 可不传入，持有期收益（return）计算为绝对收益
commission=0.0008,
)
factor_dict = dict()
index_member = dv.get_ts("index_member")
for name in ["pb", "pe", "ps", "momentum"]:
signal = -1 * dv.get_ts(name) # 调整符号
process.winsorize(factor_df=signal,
alpha=0.05,
index_member=index_member) # 去极值
signal = process.rank_standardize(
signal, index_member) # 因子在截面排序并归一化到0-1(只保留排序信息)
signal = process.standardize(signal,
index_member) # z-score标准化 保留排序信息和分布信息
# 行业市值中性化
signal = process.neutralize(
signal,
group=dv.get_ts("sw1"),
float_mv=dv.get_ts("float_mv"),
index_member=index_member, # 是否只处理时只考虑指数成份股
)
factor_dict[name] = signal
# 因子间存在较强同质性时，使用施密特正交化方法对因子做正交化处理，用得到的正交化残差作为因子
new_factors = multi_factor.orthogonalize(
factors_dict=factor_dict,
standardize_type="rank",
# 输入因子标准化方法，有"rank"（排序标准化）,"z_score"(z-score标准化)两种（"rank"/"z_score"）
winsorization=False, # 是否对输入因子去极值
index_member=index_member) # 是否只处理指数成分股
# 多因子组合-动态加权参数配置
props = {
'price': dv.get_ts("close_adj"),
'high': dv.get_ts("high_adj"), # 可为空
'low': dv.get_ts("low_adj"), # 可为空
'ret_type':
'return', # 可选参数还有upside_ret/downside_ret 则组合因子将以优化潜在上行、下行空间为目标
'benchmark_price': dv.data_benchmark, # 为空计算的是绝对收益 不为空计算相对收益
'period': 30, # 30天的持有期
'mask': mask,
'can_enter': can_enter,
'can_exit': can_exit,
'forward': True,
'commission': 0.0008,
"covariance_type": "shrink", # 协方差矩阵估算方法 还可以为"simple"
"rollback_period": 120
} # 滚动窗口天数
comb_factors = dict()
for method in [
"equal_weight", "ic_weight", "ir_weight", "max_IR", "max_IC",
"factors_ret_weight"
]:
comb_factors[method] = multi_factor.combine_factors(
factor_dict,
standardize_type="rank",
winsorization=False,
weighted_method=method,
props=props)
