def test_analyze_signal():
# --------------------------------------------------------------------------------
# Step.1 load dataview
dv = DataView()
dv.load_dataview(dataview_folder)
mask = mask_index_member(dv)
can_enter, can_exit = limit_up_down(dv)
# --------------------------------------------------------------------------------
# Step.3 get signal, benchmark and price data
dv.add_formula('divert',
'- Correlation(vwap_adj, volume, 10)',
is_quarterly=False,
add_data=True)
signal = dv.get_ts('divert')
price = dv.get_ts('close_adj')
price_bench = dv.data_benchmark
# Step.4 analyze!
my_period = 5
obj = SignalDigger(output_folder='../output/test_signal',
output_format='pdf')
obj.process_signal_before_analysis(
signal=signal,
price=price,
high=dv.get_ts("high_adj"), # 可为空
low=dv.get_ts("low_adj"), # 可为空
group=dv.get_ts("sw1"),
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=my_period, # 持有期
benchmark_price=price_bench, # 基准价格 可不传入，持有期收益（return）计算为绝对收益
commission=0.0008,
)
signal_data = obj.signal_data
result = analysis(signal_data, is_event=False, period=my_period)
ic = pfm.calc_signal_ic(signal_data, by_group=True)
mean_ic_by_group = pfm.mean_information_coefficient(ic, by_group=True)
plotting.plot_ic_by_group(mean_ic_by_group)
res = obj.create_full_report()
def draw_analysis(
signal="Union",
benchmark_price=None): #同样类似于第二章SignalDigger处理因子的方式,不过这里是定义函数
obj.process_signal_before_analysis(
signal=dv.get_ts(signal),
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=1, # 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=30, # 持有期
benchmark_price=benchmark_price, # 基准价格 可不传入,则持有期收益（return）计算为绝对收益
commission=0.0008,
)
print(analysis(obj.signal_data, is_event=True,
period=30)) # is_event=False表示不是事件类因子,period=15研究周期
obj.create_full_report()
plt.show()
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=30, # 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,
)
obj.create_full_report()
plt.show()
signal_data = obj.signal_data #得到因子值
result = analysis(signal_data, is_event=False, period=30) #得到分析表格
print(analysis(obj.signal_data, is_event=False, period=30)) #与上面完全一样
'''进一步测试下等权合成因子的绝对收益效果 可以尝试运行下
obj.process_signal_before_analysis(signal=comb_factors["equal_weight"],
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=30,# 持有期
#benchmark_price=dv.data_benchmark, #这行注释掉即可
commission = 0.0008,
)
obj.create_full_report()
obj.process_signal_before_analysis(signal=comb_factors["ic_weight"],
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=20,# 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,
)
obj.create_full_report()
plt.show()
print(analysis(obj.signal_data,is_event=False,period=20))
excel_data = obj.signal_data[obj.signal_data['quantile']==5]["quantile"].unstack().replace(np.nan, 0).replace(5, 1)
print (excel_data.head())
excel_data.to_excel('./ic_weight_quantile_5.xlsx')
obj = SignalDigger()
obj.process_signal_before_analysis(signal=comb_factors["ir_weight"],
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
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=5, # 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,
)
signal_data = obj.signal_data
import matplotlib.pyplot as plt
print(obj.create_full_report())
plt.show()
from jaqs_fxdayu.research.signaldigger.analysis import analysis
result = analysis(signal_data, is_event=False, period=5)
print("——ic分析——")
print(result["ic"])
print("——选股收益分析——")
print(result["ret"])
print("——最大潜在盈利/亏损分析——")
print(result["space"])
import matplotlib.pyplot as plt
obj.create_full_report()
plt.show()
obj.process_signal_before_analysis(
signal=dv.get_ts("pe"),
price=dv.get_ts("close_adj"),
high=dv.get_ts("high_adj"), # 可为空
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=15, # 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,
)
signal_data = obj.signal_data
signal_data.head()
# In[7]:
# In[8]:
from jaqs_fxdayu.research.signaldigger.analysis import analysis
result = analysis(signal_data, is_event=False, period=15)
# In[9]:
print("——ic分析——")
print(result["ic"])
print("——选股收益分析——")
print(result["ret"])
print("——最大潜在盈利/亏损分析——")
print(result["space"])
# 4.2
# 读取600104.XSHG的股票日线
#
# 利用正确的方法将日K线聚合成周K线
#
can_enter=can_enter, # 是否能进场
can_exit=can_exit, # 是否能出场
period=15, # 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,这里写了则表示计算收益为相对与指数的收益.也可以以其他指数为标准
#改为benchmark_price=None, #则计算的是绝对收益
commission=0.0008, #手续费,在alphalens中就不能设置手续费
)
#得到因子值：
signal_data = obj.signal_data #signal表示因子值,return表示持有期的收益率(买入并持有15天后的相对收益),upside_ret/ downside_ret代表在对应持有期下的最大上涨空间以及最大下跌空间(这里都是计算的绝对收益率)
signal_data.head()
#step2: 因子分析
from jaqs_fxdayu.research.signaldigger.analysis import analysis
result = analysis(signal_data, is_event=False,
period=15) # is_event=False表示不是事件类因子,period=15研究周期
#这里会得到一个字典(含三个索引)
#return_ic/upside_ret_ic/downside_ret_ic： 表示持有期收益的ic/持有期(股票暴涨)最大向上空间的ic/持有期(股票暴跌)最大向下空间的ic
#long_ret/short_ret/long_short_ret/top_quantile_ret/bottom_quantile_ret/tmb_ret/all_sample_ret 表示：
#多头组合收益(做多因子值为正的股票)/空头组合收益(做空因子值为负的股票)/多空组合收益(做多因子值为正的股票,做空因子值为负的股票)/
#/做多因子值(按quantile分类)最大的组合收益/做多因子值最小(按quantile分类,后同)的组合收益/因子值最大组（构建多头）+因子值最小组（构建空头）收益/全样本(例如这里研究的沪深300的股票)-基准组合收益
#long_space/short_space/long_short_space/top_quantile_space/bottom_quantile_space/tmb_space/all_sample_space 表示：
#(与上面一行一一对应)多头组合空间/空头组合空间/多空组合空间/因子值最大组合空间/因子值最小组合空间/因子值最大组（构建多头）+因子值最小组（构建空头）空间/全样本（无论信号大小和方向）-基准组合空间
#而关于索引项（ic或收益的具体指标）:
#"IC Mean", "IC Std.", "t-stat(IC)", "p-value(IC)", "IC Skew", "IC Kurtosis", "Ann. IR" 表示：
#IC均值,IC标准差,IC的t统计量,对IC做0均值假设检验的p-value,IC偏度,IC峰度,iC的年化信息比率-mean(IC)/std(IC) (一般|IC的均值|>0.02,|iC的年化信息比率|>0.6就可认为因子效果会比较好)
#'t-stat',"p-value","skewness","kurtosis","Ann. Ret","Ann. Vol","Ann. IR","occurance" 表示：
