目录
1）方法一：利用 get_factor_by_code 获取因子数据（单个股票）
2）方法二：利用 get_factor_by_day获取因子数据（单天）
3）方法三：利用 get_factor_by_factor 获取因子数据（单个因子）
因子数据获取
Auto-Trader获取数据有两种方式：
1）
策略外获取因子数据
即不采用平台的回测框架，可直接获取数据，主要是将获取的数据做相应的研究。
2）
策略内获取因子数据
即采用平台的回测框架，以设定的频率不断刷新获取相应的因子数据，主要是用于策略回测。
策略外获取因子数据
1）方法一：利用 get_factor_by_code 获取因子数据（单个股票）
获取单个股票，在一段时间内多个因子的数据。
# 导入atrader库：
from atrader import *
# 方法一：获取平安银行20160101到20160701这段时间 PE、PB因子
数据（单个股票）：
factor_data1 = get_factor_by_code(factor_list=['pe'
,
'pb'], target='SZSE.000001', begin_date='2016-01-01',
end_date='2016-07-01')
# 打印输出结果：
print(factor_data1)
2）方法二：利用 get_factor_by_day获取因子数据（单天）
获取单天，多个股票，多个因子的数值。
# 方法二：获取平安银行、万科在20160601这天的PE、PB因子
数据（单天）：
factor_data2 =
get_factor_by_day(factor_list=[‘pe'
,
'pb'],
target_list=['SZSE.000001','SZSE.000002'],
date='2016-06-01')
# 打印输出结果：
print(factor_data2)3）方法三：利用 get_factor_by_factor 获取因子数据（单个因子）
获取一段时间，多标的的单个因子数据。
# 方法三：获取平安银行、万科在20160101到20160701这段时间
的PE因子数据（单个因子）：
factor_data3 = get_factor_by_factor(factor=‘pe'
,
target_list=['SZSE.000001','SZSE.000002'],
begin_date='2016-01-01', end_date='2016-07-01')
# 打印输出结果：
print(factor_data3)案例：单因子数据获取及处理
1）导入库
from atrader import *
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import math
from statsmodels import regression
import statsmodels.api as sm
import scipy.stats as st
import datetime as dt2）定义数据处理函数
# 3sigma法去极值
def extreme_3sigma(dt,n=3):
mean = dt.mean() # 截面数据均值
std = dt.std() # 截面数据标准差
dt_up = mean + n*std # 上限
dt_down = mean - n*std # 下限
return dt.clip(dt_down, dt_up, axis=1) # 超出上下限的值，赋值为上下限# Z值标准化
def standardize_z(dt):
mean = dt.mean() # 截面数据均值
std = dt.std() # 截面数据标准差
return (dt - mean)/std# 申万一级行业
shenwan_industry = {
'SWNLMY1':'sse.801010',
'SWCJ1':'sse.801020',
'SWHG1':'sse.801030',
'SWGT1':'sse.801040',
'SWYSJS1':'sse.801050',
'SWDZ1':'sse.801080',
'SWJYDQ1':'sse.801110',
'SWSPYL1':'sse.801120',
'SWFZFZ1':'sse.801130',
'SWQGZZ1':'sse.801140',
'SWYYSW1':'sse.801150',
'SWGYSY1':'sse.801160',
'SWJTYS1':'sse.801170',
'SWFDC1':'sse.801180',
'SWSYMY1':'sse.801200',
'SWXXFW1':'sse.801210',
'SWZH1':'sse.801230',
'SWJZCL1':'sse.801710',
'SWJZZS1':'sse.801720',
'SWDQSB1':'sse.801730',
'SWGFJG1':'sse.801740',
'SWJSJ1':'sse.801750',
'SWCM1':'sse.801760',
'SWTX1':'sse.801770',
'SWYH1':'sse.801780',
'SWFYJR1':'sse.801790',
'SWQC1':'sse.801880',
'SWJXSB1':'sse.801890'
}def industry_exposure(target_idx):
# 构建DataFrame，存储行业哑变量
df = pd.DataFrame(index = [x.lower() for x in target_idx],columns = shenwan_industry.keys())
for m in df.columns: # 遍历每个行业
# 行标签集合和某个行业成分股集合的交集
temp = list(set(df.index).intersection(set(get_code_list(m).code.tolist())))
df.loc[temp, m] = 1 # 将交集的股票在这个行业中赋值为1
return df.fillna(0) # 将 NaN 赋值为0# 需要传入单个因子值和总市值
def neutralization(factor,mkv,industry = True):
Y = factor.fillna(0)
Y.rename(index = str.lower,inplace = True)
df = pd.DataFrame(index = Y.index, columns = Y.columns) # 构建输出矩阵
for i in range(Y.shape[1]): # 遍历每一个因子数据
if (type(mkv) == pd.DataFrame) | (type(mkv) == pd.Series):
mkv.rename(index = str.lower,inplace = True)
lnmkv = mkv.iloc[:,0].apply(lambda x:math.log(x)) # 市值对数化
lnmkv = lnmkv.fillna(0)
if industry: # 行业、市值
dummy_industry = industry_exposure(Y.index.tolist())
X = pd.concat([dummy_industry,lnmkv],axis = 1,sort = False) # 市值与行业合并
else: # 仅市值
X = lnmkv
elif industry: # 仅行业
dummy_industry = industry_exposure(factor.index.tolist())
X = dummy_industry
# X = sm.add_constant(X) # 添加常数项
result = sm.OLS(Y.iloc[:,i].astype(float),X.astype(float)).fit() # 线性回归
df.iloc[:,i] = result.resid.tolist() # 每个因子数据存储到df中
return df3）获取因子数据
# 获取因子数据
factor = get_factor_by_factor(factor='pb', target_list=list(get_code_list('hs300',date='2018-01-01').code),
begin_date='2018-01-01', end_date='2020-12-31')
mkv = get_factor_by_factor(factor='mkv', target_list=list(get_code_list('hs300',date='2018-01-01').code),
begin_date='2018-01-01', end_date='2020-12-31')
mkv = mkv.set_index('date').T # 设置行标签，然后转置
factor = factor.set_index('date').T
4）因子数据处理
# 去极值和标准化
factor_S = standardize_z(extreme_3sigma(factor,5.2))
factor_S
# 市值、行业中性化
factor_ID_MV = neutralization(factor_S,mkv)
factor_ID_MV