# )
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.
2:因子组合加权,常规的方法有：等权重、以某个时间窗口的滚动平均ic为权重(理由是ic越大因子效果越好,因而分配更多的权重)、
以某个时间窗口的滚动ic_ir为权重(与前面同理,同时考虑了预测效益即稳定性)、最大化(使上一期因子效果最大化)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
注:因为计算IC需要用到下一期股票收益,因此在动态加权方法里,实际上使用的是前一期及更早的IC值(向前推移了holding_period)计算当期的权重.也就是说当前的ic是绝对不能使用的,使用了未来函数。
'''
#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 multi_factor.orthogonalize施密特正交化
new_factors = multi_factor.orthogonalize(
factors_dict=factor_dict, #正交化不会增加减少NAN,但会改变数值
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
new_factors
#5_这里还是用正交化前的因子,分别进行等权、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.共5种方式测试组合因子表现
#step1:合成新的因子comb_factors： multi_factor.combine_factors()
#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
#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
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)
