自定义函数构建因子

我们先来回顾一下，当我们构建因子时，目前有几种方式。

这里以过去5日成交总额因子举例说明：

根据因子库默认因子构建

$(avg\\_amount\\_5)*5$
运算符构建因子
$amount\\_0+amount\\_1+amount\\_2+amount\\_3+amount\\_4$
表达式引擎构建因子
表达式引擎构建因子比较灵活，下列三种方式效果相同。
$sum(amount\\_0,5)$
$amount\\_0+shift(amount\\_0,1)+shift(amount\\_0,2)+shift(amount\\_0,3)+shift(amount\\_0,4)$
$amount\\_0+delay(amount\\_0,1)+delay(amount\\_0,2)+delay(amount\\_0,3)+delay(amount\\_0,4)$

但是在策略开发过程中，有些因子比较难以构建，比如个股相对于上证50、或者中证800的超额收益率，这样的因子用刚刚提到的方式很难实现，因此今天又必要介绍如何通过自定义函数构建因子。本文以个股相对于中证800的超额收益率为例。

流程

拖入证券代码列表模块

这里我们时间跨度为1年左右，为了减少运行时间，只输入了10只股票。
拖入 输入特征列表模块，并输入特征
拖入 基础特征抽取模块，并连线。

基础特征抽取结果如下：
在这里插入图片描述

拖入 输入特征列表模块，并输入个股相对中证800的超额收益率的特征名称
拖入衍生特征抽取模块，计算出个股相对中证800的超额收益率的特征名称

这里是全文最主要的地方，理解清楚就能非常自由灵活地构建因子。
这里详细讲解下：

bigquant_run = {
    'relative_ret':  relative_ret
}

代码解释：
在这里自定义表达式函数，为字典格式，例:{‘user_rank’:user_rank}，字典的key是方法名称，字符串类型，字典的value是方法的引用，更多文档参考：衍生特征抽取

def relative_ret(df, close_0):
    return df.groupby('instrument', group_keys=False).apply(calcu_relative_ret)

代码解释：
计算特征需要先按股票代码进行groupby然后单独计算每只股票的特征数据。

def calcu_relative_ret(df):
    # 先获取中证800指数数据
    start_date = min(m7.data.read_df().date).strftime('%Y-%m-%d')
    end_date = max(m7.data.read_df().date).strftime('%Y-%m-%d')
    hs800_df = D.history_data(
    '000906.SHA',
    start_date=(pd.to_datetime(start_date) - datetime.timedelta(days=10)).strftime('%Y-%m-%d'),  # 多取几天的数据
    end_date=end_date)[['date', 'close']].rename(columns={'close': 'hs800_close'})
    
    # 与个股数据合并
    df = df[['date', 'close_0']].reset_index().merge(hs800_df, on='date', how='left').set_index('index')
    
    # 返回超额收益率
    return df['close_0'].pct_change() - df['hs800_close'].pct_change()

代码解释：
先根据开始日期和结束日期，通过平台的数据接口获取中证800的指数数据，然后将按股票代码groupby后的数据（个股数据）与中证800数据合并，最后在一个数据框中计算出超额收益率。

查看个股超额收益率特征：
p7|690x189

拖入衍生特征抽取模块，继续抽取其他特征
p8|690x382
查看最终的特征数据，该特征数据可直接和标注数据合并，训练模型。

欢迎大家克隆进行研究：

实现平台：BigQuant—人工智能量化投资平台
源码地址：《自定义函数构建因子》

在这里插入图片描述

本文由BigQuant人工智能量化投资平台原创推出，版权归BigQuant所有，转载请注明出处。

自定义函数构建因子

流程

猜你喜欢