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：
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：
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：
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。
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）