signal,
period] = ic[period][signal].mean() / ic[period][signal].std()
factor_list = ['Factor1', 'Factor7', 'Factor9']
period = 20
from jaqs_fxdayu.research.signaldigger import process
factor_dict = dict()
index_member = id_member
for name in factor_list:
signal = dv.get_ts(name) # 调整符号
print(name)
signal = process.winsorize(factor_df=signal,
alpha=0.05,
index_member=index_member) # 去极值
# print(signal.shape)
signal = process.standardize(signal,
index_member) # z-score标准化 保留排序信息和分布信息
# print(signal.shape)
# signal = process.neutralize(signal,group=dv.get_ts("sw1"),float_mv = dv.get_ts("float_mv")) #行业中性化
print(signal.shape)
factor_dict[name] = signal
for name in factor_list:
dv.append_df(factor_dict[name], name + '_J')
# rollback_period代表滚动窗口所用到的天数,即用前多少期的数据来计算现阶段的因子权重。 通常建议设置时间在半年以上,可以获得相对稳定的预期结果
# In[94]:
from jaqs_fxdayu.research.signaldigger import process
negative = ['alpha206','alpha197','alpha195','alpha211','alpha194','alpha64_','alpha56_','alpha42_','pb','pe']
factor_dict = dict()
for name in factor_lis:
print(name)
if name in negative:
signal = -1*dv.get_ts(name) # 调整符号
else:
signal = dv.get_ts(name)
signal = process.winsorize(factor_df=signal,alpha=0.05)#去极值
# 行业市值中性化
signal = process.neutralize(signal,
group=dv.get_ts("sw1"),# 行业分类标准
)
signal = process.standardize(signal) #z-score标准化 保留排序信息和分布信息
factor_dict[name] = signal
import pickle
with open('Neutralized_Postive_Data.pkl','wb') as f:
pickle.dump(factor_dict,f)
import pickle
ir_table.plot(kind="barh", figsize=(15, 5))
#3_因子预处理
#根据之前的分析,可知momentum、ps、pe、pb这4个因子在几个持有期下与股票收益的关系(ic)都是负的,故需进一步分析这4个人因子
#先统一调整成正相关关系,并且需要完成以下几个步骤
#去极值
#标准化 -- z-score/rank; z-score标准化,也称为标准化分数,这种方法根据原始数据的均值和标准差进行标准化(会保留因子原有的基本分布信息),
#经过处理后的数据符合标准正态分布,即均值为0,标准差为1(根据下面的转化函数很容易证明),转化函数为：(X-均值)/标准差.而rank标准化会保留因子的排序信息,但会删除因子的分布信息.
#行业市值中性化(这一步是为了防止所选股票的因子在行业或市值上有过多的暴露,(例如:所选股票全是某一行业或全是小市值的股票))
from jaqs_fxdayu.research.signaldigger import process
factor_dict = dict() #处理后的因子factor_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 这里表示统一调整成正相关关系
process.winsorize(factor_df=signal, alpha=0.05, index_member=index_member
) #factor_df=signal是输入的因子值,alpha=0.05表示去掉因子值左右两端5%的数值,
#index_member=index_member表示需要传入的是否是指数成分的一个dataframe,传入后仅会处理指数成分股,对非指数成分股则不会进行处理
signal = process.standardize(signal, index_member) #z-score标准化 保留排序信息和分布信息
# signal = process.rank_standardize(signal,index_member) #rank标准化 因子在截面排序并归一化到0-1(只保留排序信息)
# # 行业市值中性化(这步可以做也可以不做,其作用是在横截面上把行业风格与市值风格给剔除掉)
# signal = process.neutralize(signal,
# group=dv.get_ts("sw1"),# 行业分类标准
# float_mv = dv.get_ts("float_mv"), #流通市值 可为None 则不进行市值中性化
# index_member=index_member,# 是否只处理时只考虑指数成份股
# )
factor_dict[name] = signal #输出结果,结果为字典
#4_施密特正交化
''' 对筛选后的因子进行组合,一般有以下常规处理：
1:因子间存在较强同质性时,可以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,这样可以剔除同质化部分.
但是这也有一个弊端:由于正交化会破坏因子的经济学逻辑,并剔除一些原有的信息(包括原因子之间的联系,这可能导致不好的影响),造成与原因子差别太大,固也可以不使用或谨慎使用.
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)