【量化投资】策略四（聚宽）

不念不忘少年蓝@ 2022-05-15 05:49 737阅读 0赞

## 简述 ##

首先，大体模板，是根据网上的一堆教程学来的。  
然后很多函数不懂，都通过API来搞定了，之后，再自己写的，用了自己的版本。

*  这是一个alpha策略，然后用的是，一个大佬给的一个公式写的因子。
 *  然后对冲beta的时候，选择是操作一个比例。这个比例会影响到操作期货的方式。以及投入的钱数目。加上期货的保证金比例数目（看打算用几倍的杠杆）
 *  然后，我感觉这个对冲beta也很一般。看看自己之后能不能搞出个稍微好点的对冲beta的方式吧

不过通过对冲beta确实达到了降低风险的效果。（总亏损还是被降低了很多）  
可能是因为我还是用了单因子。而且效果也不是很好。希望之后努力

![这里写图片描述][70]

# 导入函数库
    import statsmodels.api as sm
    from statsmodels import regression
    import numpy as np
    import pandas as pd
    import time
    from datetime import date
    from jqdata import *
    from jqlib.alpha191 import *
    
    
    # 一键回测说明：
    # 百度聚宽-》注册账号-》我的策略里面创建策略-》复制代码到里面
    # 右边回测 开始时间：2017-1-1 终止时间：今天 资金：10000000
    
    # 初始化函数，设定基准等等
    def initialize(context):
        g.tc = 2  # 调仓频率
    
        # 下面是框架固定部分，不需要修改 
        g.N = 50  # 持仓数目
    
        g.t = 0  # 记录运行的天数
        g.weight_list = [1]  # 因子的权重参数
        log.set_level('order', 'error')
        set_option('use_real_price', True)  # 用真实价格交易
        set_slippage(FixedSlippage(0))  # 将滑点设置为0
        set_commission(PerTrade(buy_cost=0.0000, sell_cost=0.000, min_cost=0))  # 手续费设置为0
        # set_benchmark('000905.XSHG') #中证500为业绩基准
        set_benchmark('000300.XSHG')  # 沪深300为业绩基准
        # 选股范围为全市场选股：上证+深证股票
        # g.stockrange= get_index_stocks('000001.XSHG')+get_index_stocks('399106.XSHE')
        g.stockrange = get_index_stocks('000300.XSHG')
    
        init_cash = context.portfolio.starting_cash/2
    
        # 操作期货
        set_subportfolios([SubPortfolioConfig(cash=init_cash, type='stock'),
                           SubPortfolioConfig(cash=init_cash, type='futures')])
    
        # 多少比例的资金用来对冲beta
        g.rate = 0.5
        # 历史最高收益率
        g.returnsRate = 0
        # 调整临界限比率
        g.changeLimiteRate = 0.2
        # 调整比例
        g.changeRate = 0
    
    
        # 
        g.betaName = 'IF9999.CCFX'
    
    ## 每根日线运行一次
    def handle_data(context, data):
        if g.t == 0:
            # 设置可行股票池：用set_feasible_stocks函数剔除当前或者计算样本期间停牌的股票
            g.all_stocks = pickStock(context, g.stockrange)
            previousStr = str(context.previous_date)
    
            # adjustedBeta
            adjustedBeta(context)
    
            stock_sort = get_all_cleaned_factor_ranked(g.all_stocks, g.weight_list, previousStr)
            # 调仓
            rebalance_position(context, stock_sort)
    
            # order_stock_sell(context,data,stock_sort)
            # order_stock_buy(context,data,stock_sort) 
    
        # g.t+=1 # speed up
        g.t = (g.t + 1) % g.tc
    
    
    def get_all_cleaned_factor_ranked(stocks, weight_list, previousStr):
        value = my_apha1(stocks)
        value = (-value).argsort()[:g.N]
        return list(map(lambda x: stocks[x], value))
    
    ''' 调整对冲beta的量 '''
    
    def adjustedBeta(context):
        current_returns = context.portfolio.returns
    
        if current_returns <= g.returnsRate * ( 1 - g.changeLimiteRate):
            g.changeRate += 1
            g.rate = 0.5 + (0.5 / (1+np.exp(-g.changeRate)))
        elif current_returns >= g.returnsRate * ( 1 + g.changeLimiteRate):
            g.changeRate -= 1
            g.rate = 0.5 + (0.5 / (1+np.exp(-g.changeRate)))
    
        if current_returns > g.returnsRate:
            g.returnsRate = current_returns
    
    ''' END 调整对冲beta的量 '''
    
    
    
    
    ''' factor1 '''
    
    
    def single_alpha1(stock):
        df = get_price(stock, count=26, fields=['close'])
        returns = (df[1:] - df[:-2]) / df[:-2]  # 25 lines
        value = [0] * 5
        for i in range(5):
            if np.array(returns).tolist()[-1 - i] < 0:
                value[i] = returns.ix[-20 - i:-1 - i].std() ** 2
            else:
                value[i] = df['close'][-1 - i] ** 2
        return 5 - np.array(value).argmax()
    
    
    def my_apha1(stocks):
        value = list(map(single_alpha1, stocks))
        MAX = max(value)
        MIN = min(value)
    
        value = (np.array(value) - MIN) / (MAX - MIN)
        return value
    
    
    ''' END factor1 '''
    
    ''' 初步筛选股票 '''
    
    
    # pick stocks
    def pickStock(context, stocks):
        # universe = set_feasible_stocks(stocks)
        universe = filter_specials(stocks, context)
        # 过滤上市时间小于60天的股票
        for stock in universe:
            days_public = (context.current_dt.date() - get_security_info(stock).start_date).days
            if days_public < 60:
                universe.remove(stock)
        g.lenth = len(universe)
        return universe
    
    
    # 过滤停牌的股票
    def set_feasible_stocks(stock_list):
        current_data = get_current_data()
        stock_list = [stock for stock in stock_list if not current_data[stock].paused]  # 不考虑停盘的股票
        return stock_list
    
    
    # 将多因子的dataframe进行排序，并且将有空值的行去掉
    def rank_stock(all_factor, weight_list):
        C = len(all_factor.columns)
        ranked = all_factor.iloc[:, 0].rank() * weight_list[0]
        if C > 1:
            for j in range(1, C):
                ranked = all_factor.iloc[:, j].rank() * weight_list[j] + ranked
        ranked = pd.DataFrame(ranked)
        ranked.columns = ['rank']
        one_sort = ranked.sort('rank', ascending=g.ascending)
        stock_sort = one_sort.index[:g.N]
        return stock_sort
    
    
    #过滤退市，停牌，ST
    
    def filter_specials(stock_list,context):
        curr_data = get_current_data()
        stock_list = [stock for stock in stock_list if \
                      (not curr_data[stock].paused)  # 未停牌
                      and (not curr_data[stock].is_st)  # 非ST
                      and ('ST' not in curr_data[stock].name)
                      and ('*' not in curr_data[stock].name)
                      and ('退' not in curr_data[stock].name)
                      and (curr_data[stock].low_limit < curr_data[stock].day_open < curr_data[stock].high_limit)                   ]
        return stock_list
    
    
    ''' END 初步筛选股票 '''
    
    ''' 调仓 '''
    
    
    def rebalance_position(context, stocks_list):
        current_holding = context.subportfolios[0].positions.keys()
        stocks_to_sell = list(set(current_holding) - set(stocks_list))
        # 卖出
        bulk_orders(stocks_to_sell, 0)
        total_value = context.subportfolios[0].total_value
        set_option('futures_margin_rate', g.rate)
        bete_order(context, (1 + g.rate) * context.subportfolios[1].total_value)
        # 买入 
        bulk_orders(stocks_list, total_value / len(stocks_list))
    
    
    
    
    # 批量买卖股票
    def bulk_orders(stocks_list, target_value):
        for i in stocks_list                      :
            order_target_value(i, target_value, pindex=0)
    
    
    def bete_order(context, money):
        amount = int( money / get_current_data()[g.betaName].last_price)
        order_target(g.betaName, -amount , side='long', pindex=1)  # 做空
    
    ''' END 调仓 '''
    
    ''' 调仓初版 '''
    
    
    ##获得卖出信号，并执行卖出操作
    # 输入：context, data，已排序股票列表stock_sort-list类型
    # 输出：none
    def order_stock_sell(context, data, stock_sort):
        # 对于不需要持仓的股票，全仓卖出
        for stock in context.portfolio.positions:
            # 除去排名前g.N个股票（选股！）
            if stock not in stock_sort:
                stock_sell = stock
                order_target_value(stock_sell, 0)
    
    
    # 获得买入信号，并执行买入操作
    # 输入：context, data，已排序股票列表stock_sort-list类型
    # 输出：none
    def order_stock_buy(context, data, stock_sort):
        # 对于需要持仓的股票，按分配到的份额买入
        for stock in stock_sort:
            stock_buy = stock
            order_target_value(stock_buy, g.everyStock)
    
    
    ''' END 调仓初版 '''

[70]: /images/20220515/b233a7a9a685461ead005f0dce80c8b6.png