def cal_obj(signal, name, period, quantile):
# price_bench = dv.data_benchmark
obj = SignalDigger(output_folder="FACTORS/%s" % name, output_format='pdf')
obj.process_signal_before_analysis(signal,
price=price,
n_quantiles=quantile,
period=period,
mask=mask,
group=sw1,
can_enter=enter,
can_exit=exit,
commission=0.0008)
return obj
def cal_obj(signal, name, period=5, quantile=5):
obj = SignalDigger()
obj.process_signal_before_analysis(
signal,
price=price,
n_quantiles=quantile,
period=period,
can_enter=can_enter,
can_exit=can_exit,
mask=mask,
)
obj.create_full_report()
return obj
def cal_obj(signal, name, period, quantile):
price_bench = dv.data_benchmark
obj = SignalDigger(output_folder="hs300/%s" % name, output_format='pdf')
obj.process_signal_before_analysis(signal,
price=price,
n_quantiles=quantile,
period=period,
mask=mask,
group=sw1,
can_enter=can_enter,
can_exit=can_exit,
commission=0.0003)
obj.create_full_report()
return obj
ic_20_mean = dict()
ic_20_std = dict()
ir_20 = dict()
for name in ic_20.columns:
ic_20_mean[name] = ic_20[name].loc[start:].mean()
ic_20_std[name] = ic_20[name].loc[start:].std()
ir_20[name] = ic_20_mean[name] / ic_20_std[name]
import datetime
trade_date = pd.Series(ic_20.index)
trade_date = trade_date.apply(
lambda x: datetime.datetime.strptime(str(x), '%Y%m%d'))
ic_20.index = trade_date
obj = SignalDigger(output_folder='./output', output_format='pdf')
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=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,
)
obj.create_full_report()
plt.show()
kind="line",
figsize=(15, 5),
)
#在原有的基础上调整了输出的时间：
ic_30.loc[datetime.date(2017, 1, 3):, ][["equal_weight", "ic_weight",
"pe"]].plot(
kind="line",
figsize=(15, 5),
)
#step4:查看等权合成因子的详情报告 process_signal_before_analysis()：与第二章SignalDigger因子分析完全一样,至此可以之前单一因子对比,看合成因子效果如何:
import matplotlib.pyplot as plt
from jaqs_fxdayu.research.signaldigger.analysis import analysis
from jaqs_fxdayu.research import SignalDigger
obj = SignalDigger() #这里与第二章不同,对比下
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, # 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()
# import h5py
import warnings
from jaqs_fxdayu.research import SignalDigger
from jaqs_fxdayu.data import DataView
from api import *
warnings.filterwarnings('ignore')
# step 1：实例化SignalDigger 通过output_folder和output_format指定因子绩效表现的输出路径和输出格式，通过signal_name指定绩效文件名称
sd = SignalDigger(output_folder=".", output_format='pdf', signal_name="signal")
folders = [
'./data_2016_1_000300', './data_2016_2_000300', './data_2017_1_000300',
'./data_2017_2_000300', './data_2018_1_000300', './data_2018_2_000300',
'./data_2019_1_000300'
]
def get_(folder):
# step 2 因子数据预处理
# 加载dataview数据集
dv = DataView()
dataview_folder = folder
dv.load_dataview(dataview_folder)
# 定义信号过滤条件-非指数成分
# df_index_member = dv.get_ts('index_member')
signal = dv.get_ts("pb")
price = dv.get_ts("close_adj")
group = dv.get_ts("sw1")
in_sample_range=[20140101,20160101], #选择优化的时间范围内范围 默认为None,表示在全样本上优化
#这样做的目的是留下一部分样本进行检验,看优化的效果如何
ascending=False) #是否按优化目标升序排列(从小到大),ascending=False表示按降序排列,也就是说得到的结果中第一行就是最优解
print(ret_best[0]["signal_name"]) #返回最优解的结果 'LEN': 12
print(ret_best[0]["ret"])
print(ret_best[0]["ic"])
print(ret_best[0]["space"])
#step3:进行可视化的操作
from jaqs_fxdayu.research import SignalDigger
from jaqs_fxdayu.research.signaldigger.analysis import analysis
import matplotlib.pyplot as plt
obj = SignalDigger()
def draw_analysis(signal_data,period):
obj.signal_data = signal_data
obj.period = period
obj.create_full_report()
plt.show()
#全样本可视化操作:
draw_analysis(optimizer.all_signals[ret_best[0]["signal_name"]], period=30)
#当然,这里也可以仿制第二章中的方法,不定义函数,直接运行：
''''
obj.signal_data=optimizer.all_signals[ret_best[0]["signal_name"]]
obj.period = 30
obj.create_full_report()
is_quarterly=False,
add_data=True)
can_enter = np.logical_and(dv.get_ts('up_limit') < 1, ~mask_sus) # 未涨停未停牌
can_exit = np.logical_and(dv.get_ts('down_limit') < 1, ~mask_sus) # 未跌停未停牌
return can_enter, can_exit
mask = mask_index_member() #是否需要过滤该支股票：这里false表示不用过滤该股票,true表示需要过滤掉该股票
can_enter, can_exit = limit_up_down(
) #是否能够买入/卖出：can_enter中true表示可以买入,false表示不能买入;can_exit中true表示可以卖出,false表示不能卖出
#2_SignalDigger处理因子 obj.process_signal_before_analysis():
#step1:
from jaqs_fxdayu.research import SignalDigger
obj = SignalDigger(
output_folder='G:\data2', #输出路径
output_format='pdf') #output_format='pdf'表示输出格式为pdf
# 处理因子 计算目标股票池每只股票的持有期收益，和对应因子值的quantile分类
obj.process_signal_before_analysis(
signal=dv.get_ts(
"pb"), #传入的因子,这里是dataframe格式,不同于alphalens需要传入的multiIndex格式
price=dv.get_ts("close_adj"), #这里的price,high,low是需要计算的价格
high=dv.get_ts("high_adj"), # 可为空(可以不写这一行)
low=dv.get_ts("low_adj"), # 可为空(可以不写这一行)
group=dv.get_ts("sw1"), # 可为空(可以不写这一行) ,这里选择申万的分类方式
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=15, # 持有期
mask = mask_index_member()
can_enter, can_exit = limit_up_down()
#step2: #用append_df的方法将slope_df添加至本地(dataview数据集里)
print(dv.fields) #查看dv中取得的数据
dv.append_df(field_name="Union", df=Union, is_quarterly=False
) #用append_df方法将"Union"添加至本地(dataview数据集里),其新名称为df=(Union)
dv.append_df(field_name="Intersection", df=Intersection, is_quarterly=False)
dv.save_dataview('G:/data/hs300_2') #保存,若不运行,则下次重新运行不会有Union和Intersection
#step3:新因子分析:
from jaqs_fxdayu.research import SignalDigger
import matplotlib.pyplot as plt
from jaqs_fxdayu.research.signaldigger.analysis import analysis
obj = SignalDigger(output_folder='G:/data', output_format='pdf')
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
