Quantlab4.1发布 | 新增一些策略，补充Metrics

因子挖掘

传统券商研报里，多使用gplearn。

gplearn有一些天然的缺陷： 为了兼容类似sklearn的接口，失去了一些数活性，比如需要传入数据X, y，需要传入预定义的函数，不支持常数项，不支持多支股票挖掘等。

而deap可以完美解决这一切。

https://deap.readthedocs.io/en/master/

下面这段代码，按照咱们给定的函数集——只需要给出“函数名”即可，不需要真正实现这些函数，这样生成了表达式，直接用咱们的因子表达式引擎来计算即可，也deap无关。

import random
from deap_patch import *  # noqa
from deap import base, creator, gp
from deap import tools
from add_ops import add_operators, add_factors, add_constants, RET_TYPE


def init_pset():
    pset = gp.PrimitiveSetTyped("MAIN", [], RET_TYPE)
    pset = add_constants(pset)
    pset = add_operators(pset)
    pset = add_factors(pset)
    return pset


def init_creator():
    # 可支持多目标优化
    # TODO 必须元组，1表示找最大值,-1表示找最小值
    FITNESS_WEIGHTS = (1.0, 1.0)
    creator.create("FitnessMulti", base.Fitness, weights=FITNESS_WEIGHTS)
    creator.create("Individual", gp.PrimitiveTree, fitness=creator.FitnessMulti)
    return creator


def init_toolbox(creator):
    toolbox = base.Toolbox()
    pset = init_pset()
    toolbox.register("expr", gp.genHalfAndHalf, pset=pset, min_=2, max_=5)
    toolbox.register("individual", tools.initIterate, creator.Individual, toolbox.expr)
    toolbox.register("population", tools.initRepeat, list, toolbox.individual)
    return toolbox

random.seed(9527)
creator = init_creator()
toolbox = init_toolbox(creator)
pop = toolbox.population(n=100)
print(pop)

生成初代因子1000个：

我们预定义的函数集如下：

# TODO: 请在此文件中添加算子和因子
# TODO: 由于部分算子计算过慢，这里临时屏蔽了
import random


class RET_TYPE:
    # 是什么不重要
    # 只要addPrimitive中in_types, ret_type 与 PrimitiveSetTyped("MAIN", [], ret_type)中
    # 这三种type对应即可
    pass


# 改个名，因为从polars_ta中默认提取的annotation是Expr
# TODO 如果用使用其它库，这里可能要修改
Expr = RET_TYPE


def _random_int_():
    return random.choice([1, 3, 5, 10, 20, 40, 60])


def add_constants(pset):
    """添加常量"""
    # !!! 名字一定不能与其它名字重，上次与int一样，结果其它地方报错 [<class 'deap.gp.random_int'>]
    pset.addEphemeralConstant('_random_int_', _random_int_, int)
    return pset


def add_operators_base(pset):
    """基础算子"""
    # 无法给一个算子定义多种类型，只好定义多个不同名算子，之后通过helper.py中的convert_inverse_prim修正
    pset.addPrimitive(dummy, [Expr, Expr], Expr, name='fadd')
    pset.addPrimitive(dummy, [Expr, Expr], Expr, name='fsub')
    pset.addPrimitive(dummy, [Expr, Expr], Expr, name='fmul')
    pset.addPrimitive(dummy, [Expr, Expr], Expr, name='fdiv')
    pset.addPrimitive(dummy, [Expr, Expr], Expr, name='fmax')
    pset.addPrimitive(dummy, [Expr, Expr], Expr, name='fmin')

    pset.addPrimitive(dummy, [Expr, int], Expr, name='iadd')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='isub')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='imul')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='idiv')
    # !!! max(x,1)这类表达式是合法的，但生成数量太多价值就低了，所以屏蔽
    # pset.addPrimitive(dummy, [Expr, int], Expr, name='imax')
    # pset.addPrimitive(dummy, [Expr, int], Expr, name='imin')

    pset.addPrimitive(dummy, [Expr], Expr, name='log')
    pset.addPrimitive(dummy, [Expr], Expr, name='sign')
    pset.addPrimitive(dummy, [Expr], Expr, name='abs_')

    return pset


def add_operators(pset):
    """添加算子"""
    pset = add_operators_base(pset)

    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_delay')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_delta')
    # pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_arg_max')
    # pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_arg_min')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_max')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_min')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_sum')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_mean')
    # TODO 等待修复
    # pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_decay_linear')
    # pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_product')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_std_dev')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_rank')
    # pset.addPrimitive(dummy, [Expr, Expr, int], Expr, name='ts_corr')
    # pset.addPrimitive(dummy, [Expr, Expr, int], Expr, name='ts_covariance')

    # TODO 其它的`primitive`，可以从`gp/primitives.py`按需复制过来
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_scale')
    pset.addPrimitive(dummy, [Expr, int], Expr, name='ts_zscore')

    # TODO 时序IC时，不要添加`cs_`类算子

    return pset


def add_factors(pset):
    pset.addTerminal(1, Expr, name='OPEN')
    pset.addTerminal(1, Expr, name='HIGH')
    pset.addTerminal(1, Expr, name='LOW')
    pset.addTerminal(1, Expr, name='CLOSE')
    pset.addTerminal(1, Expr, name='VOLUME')
    # pset.addTerminal(1, Expr, name='AMOUNT')

    return pset


def dummy(*args):
    # 由于生成后的表达计算已经被map和evaluate接管，所以这里并没有用到，可随便定义
    print('dummy')
    return 1

deap仅负责对这些因子进行，复制，交叉，变异等操作，然后按照设定的fitness进行筛选即可，比如IC值。

这个变异过程，部分可以交给GPT来做，而不是deap来随机进化。这个后续咱们都会覆盖到。

吾日三省吾身

周末不带电脑回家，把自己空出来。

不写代码也不写文章，但思考不会停，这也很重要。

想清楚一件事情，AI量化投资如何做？之前想做无数种，尝试了很多种。

量化私募是为数不多的，可以做“一人企业”，个人英雄主义有效，可以做一辈子的事业。

没有圣杯，但可以持续进化。

可积累有复利。

不需要大规模协作。

直接面对市场，没有客户（自营的话），没有交付。

可攻可守。不需要大规模前期投入，

不需要厂房设备。（

策略上云）
规模受限于策略容量，其次就是资金规模。

（私募从业（投研岗优先）的同学可加我，近期启动专项研讨）

昨天写在星球里的

这些点，我相信大家都认同，而且很多人也是有此期望，才开始了解量化，希望学习的。

之前我一度犹豫过，甚至还“劝退”身边的朋友，离开这个领域。

当时的核心逻辑是： 投资没有圣杯，没有一劳永逸的解决方案，做投资是可以赚钱，但与你打一份工没有太大的差别。若如此，就不符合“被动收入”的初心。

想来，被动收入这个概念有“误导”性。

这个世界有纯粹的被动收入嘛，有。比如大类资产配置的理财收入，比如房租等等。

其余更常见的，如很多自媒体聊的，写个专栏，出本书等等。

就拿出书来说，李笑来的例子是在教书的时候，写了两本书，一本是单词书，另一本是写作书。——长销且畅销的话，一份时间多次销售。很美好对不对。

但你仔细一想，不太对。

且不说，现在内容这很多，要写一本畅销书多不容易，长销就更难了。普通的畅销书，就算年销1万本——算很厉害了。每本版税3块的话，3万块钱/年。——这个真的能让你自由嘛。

李笑来真正自由是加密货币，然后形成自己的个人IP。

这个世界上有人擅长讲道理，也很深刻。但未必是他获得成功的路径。

或者说，没有人的成功是可以复制的。

成功的人，讲了一些普适的道理。——这些道理是对的，但这些只是成功的非必要且非充份条件。

不聊被动收入，聊长期复利。

你要做的事情，应该是有长期复利的。简单说，就是有积累。

比如阅读，锻炼身体，投资能力。

从这个角度出发，量化就是很值得学习和值得长期去帮的事情。主观交易可能积累得少，但量化是有可能的。

另外，是如何做的逻辑。

没有圣杯，那量化应该做什么？概念优势。

其实一个人的成功也是如此，没有什么路径一定带你走向成功，但成长就是在积累概率优势。你多做正概率的事情，哪天运气来了，你就成功了。如此而已。

学习和研究就是积累这个优质，然后等机会。

所以，我们应该构建一套交易体系。

确保资金安全的前提下，能发挥概率优势，市场与我们契合时，会赚得多，市场没有按照预期发展时，少亏或不亏（有限的，可承受的）。

有这样的交易体系，投资就是科学，不是赌博。

所以，后续星球的核心是建立： 对标前沿量化私募来构建交易体系。

AI量化

今天发布版本Quantlab 4.1：

1、回测结果metrics显示

2、优化了Streamlit 的 session_state逻辑。

3、补充了一些策略：

3、修正已知bug

下周的工作做一下预告：

下周会正式重启因子挖掘，目前看可能deap比gplearn会更加合适一些。

gplearn不支持多因子截面数据，如果要使用，需要对框架进行大模型侵入式的改造。

然后就是多因子合成，比如lightGBM等等。

大致是这么个逻辑。

传统策略框架基本就是这样，大家可以自行开发自己的策略。

后续我们主要以AI量化策略为主了，因子挖掘，因子合成，机器模型这些。

吾日三省吾身

如何学习也是老生常谈。

昨天写了关于如何阅读，从书本里获得真正的知识。

总结起来，就是“寻找触动点”，“与自有认知体系产生关联”，“应用于实践“。可以写出来，或者讲给别人听等。

读书真是性价比最高，且随时随地都可以做的成长的事情。

有了认知体系，还有别一类叫”技能“的东西。

比如游泳，骑自行车，英语听力或口语。

国人多数英文阅读没啥问题，写作没啥需求。但就是学了这么多年，开不了口。

最近想把英语口语突破一下。

传统我们忽略了方法论，认为听力嘛，那就一直听。口语嘛，没有环境，怎么办，不能怪自己喽。

其实把一项技能分解开来，多数都是可以模拟训练的。

学吉他不是一首歌换一首歌，每天不停练。篮球运动员要提高成绩，也不是不停地上场比赛。

打基础的时候，都是分解动作。如同军训，左脚，右脚分解动作，都练到肌肉记忆后，再来整合。

口语也一样。

听说不分享，口语的应用场景肯定是与人交流。那么听就是基础。

你能听得懂，然后做出回应，有来有回，这就是交流。

听力训练：盲听，精听，复听，都是可以自己完成的。——在读书的时候，一直盲听，听不懂就跳过，看似每天晚上都在听，但进步很慢。直到在北大上学的时候，有过小一年的精听训练，听力有了很大进展，当然也没有特别刻意练习，但明显感觉到进步。

在这个基础上，我的口语训练计划就有了，不必报一个口语班（确实也没有时间），也不必找一个外教，陪练啥的。至少目前还不需要。

短视频平台就有大量这样的免费材料，先盲听，讲单词，句式。而且这些视频来自像《老友记》这样的情景剧，不枯燥且实用。——定一个计划，半年左右，上下班的时间把英文听力，口语提个可应用的水平。

”每新增一个技能，成功的概率就提升一倍“——史考特.亚当斯。