19.7%年化的大小盘轮动——策略如何调优 | Deap因子挖掘系统重构(附python代码)

原创文章第619篇,专注"AI量化投资、世界运行的规律、个人成长与财富自由"。

咱们有了策略向导,写策略就特别快了。

今天来复现的策略是一个经典的------大小盘趋势轮动策略

沪深300代表的大盘与创业板代表的小盘之间,按动量来轮动。

直接信号轮动的效果:

过滤掉负的动量:

动量小于零的时候,平仓,收益率和最大回撤均得到改善。

再优化进场信号------在动量大于0.02的时候才进场,为负的时候离场:

年化进一步提升至19.7%,这样一个策略就完成了。

我们发布到服务器:

这些代表在本周五都会在星球更新:

AI量化实验室------2024量化投资的星辰大海

本周一个任务主线是 ------重构Deap因子挖掘系统。

商品期货池:我们从国内期货市场筛选出历史流动性较好的41个品种具体如下表所示。

41个商品期货主连合约,我整理到咱们平台上了:

然后直接做单因子分析,用动量先看看:

单调性很好------但是是动量越大,收益越小

看下分层收益:

IC上也得到印证------期货截面20日动量与收益率呈现负相关,因此我们只需要设计一个策略,买入动量最小的,卖空动量最大的即可:

回测区间:我们使用2016/1/1-2022/1/1作为样本内训练集,2022/1/2-2023/3/10作为样本外测试集,总回测区间为2016/1/1-2023/3/10。

算子函数集------也就是咱们的因子表达式引擎里提供的,这里才是因子挖掘的核心------因为无论是deap还是gplearn,框架本身你会使用就可以了。

这些函数的实现在这里:

代码都不复杂:

复制代码
import numpy as np
import pandas as pd
from .expr_utils import calc_by_symbol, calc_by_date


@calc_by_symbol
def ts_delay(se: pd.Series, periods=5):  # 滞后N天的序列
    return se.shift(periods=periods)


@calc_by_symbol
def ts_delta(se: pd.Series, periods=20):  # 当前序列与滞后N天之差
    se_result = se - se.shift(periods=periods)
    return se_result


@calc_by_symbol
def ts_mean(se: pd.Series, d):
    return se.rolling(window=d).mean()


@calc_by_symbol
def ts_median(se: pd.Series, d):
    return se.rolling(window=d).median()


@calc_by_symbol
def ts_min(se: pd.Series, periods=5):
    return se.rolling(window=periods).min()


@calc_by_symbol
def ts_max(se: pd.Series, periods=5):
    return se.rolling(window=periods).max()


@calc_by_symbol
def ts_sum(se: pd.Series, N):
    ret = se.rolling(N).sum()
    return ret


@calc_by_symbol
def ts_argmin(se: pd.Series, periods=5):
    return se.rolling(periods, min_periods=2).apply(lambda x: x.argmin())


@calc_by_symbol
def ts_argmax(se: pd.Series, periods=5):
    return se.rolling(periods, min_periods=2).apply(lambda x: x.argmax())


@calc_by_symbol
def stddev(se, periods=5):
    return se.rolling(window=periods).std()


@calc_by_symbol
def ts_rank(se: pd.Series, periods=9):
    ret = se.rolling(window=periods).rank(pct=True)
    return ret


@calc_by_symbol
def shift(se: pd.Series, N):
    return se.shift(N)


@calc_by_symbol
def roc(se: pd.Series, N):
    return se / shift(se, N) - 1


@calc_by_symbol
def ts_product(se: pd.Series, d):
    return se.rolling(window=d).apply(np.product)


@calc_by_symbol
def zscore(se: pd.Series, N):
    def _zscore(x):

        try:
            x.dropna(inplace=True)
            # print('sub', x)
            value = (x[-1] - x.mean()) / x.std()
            if value:
                return value
        except:
            return -1

    # print(se)
    ret = se.rolling(window=N).apply(lambda x: _zscore(x))
    return ret


def decay_linear(series, window):
    """
    对输入的时间序列进行线性衰减。

    :param series: 输入的时间序列。
    :param window: 衰减的窗口大小。
    :return: 衰减后的序列。
    """
    weights = np.arange(1, window + 1)
    decay = np.convolve(series, weights, 'valid') / np.sum(weights)
    return decay

绝大多数算子,无论是时序,还是截面,都可以通过封装numpy来完成,不过技术分析类的,还是只能通过Talib这样的技术指标库。

pandas_ta实现一个指标------不过pandas_ta似乎有bug,numpy版本不兼容:

复制代码
import pandas_ta as ta


@calc_by_symbol
def ts_dema(X, d):
    ret = ta.dema(X, d)
    if ret is None:
        return pd.Series(None, index=X.index)

这些都准备好之后,因子挖掘就是使用框架的问题了,只是框架目前没有现成的、适用于因子挖掘的。

因此,我会为大家提供重写后的版本,本周是deap,下周也许会重写gplearn。

AI量化实验室------2024量化投资的星辰大海

吾日三省吾身

"懂那么多道理,却过不好这一生"。

知道到做到,还有千山万水。

财富自由快车道,从需求出发,用户在抱怨什么。

比如大家急需要策略,要因子,想知道如何挖掘因子,这就是刚需。

有些用户想要实盘,自动化交易等等。

一个反馈系统非常关键。

把事情做精,把点打透,才能产生价值。

点子不重要,点子的执行才重要,直接解决问题。

历史文章:

红利低波与创成长,加上动量过滤,年化12.6%(python代码)

年化26.4%,quantlab5.5发布------多任务机器学习组合优化,可视化策略生成向导(代码+数据)

AI量化实验室------2024量化投资的星辰大海

相关推荐
数据智能老司机1 小时前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机1 小时前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机1 小时前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i1 小时前
drf初步梳理
python·django
每日AI新事件1 小时前
python的异步函数
python
这里有鱼汤2 小时前
miniQMT下载历史行情数据太慢怎么办?一招提速10倍!
前端·python
databook11 小时前
Manim实现脉冲闪烁特效
后端·python·动效
程序设计实验室12 小时前
2025年了,在 Django 之外,Python Web 框架还能怎么选?
python
倔强青铜三13 小时前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试
用户25191624271117 小时前
Python之语言特点
python