DeepAlpha通用因子挖掘：支持GPlearn遗传算法和深度强化学习挖掘因子（代码+数据下载）

今天继续，这是平台化的第4篇文章，主要是场内基金的选择。当然需要对场内基金做一些分类，方便大家挑选。

初步实现的效果如下：

界面逻辑基本成型，主体流程走通，当然后续最复杂的是“交易规则配置”，当然这也是“低代码”开发策略之核心。

倒不是技术上的难点，而是体验上如何做到门槛更低，但又要确保功能强大和扩展性。

# symbol, name, list_date, type：指数，ETF，LOF, 期货，转债, tags：多选：热门，宽基，QDII
import json

import pandas as pd
from quant import mongo_utils


def build_etfs():
    df = pd.read_csv('etfs.csv')

    def get_type(name):
        if 'LOF' in name:
            return 'LOF'
        return 'ETF'

    df.rename(columns={'ts_code': 'symbol'}, inplace=True)
    df = df[['symbol', 'name', 'list_date', 'benchmark']]
    df['type'] = df['name'].apply(lambda name: get_type(name))
    print(df)
    df['_id'] = df['symbol']
    mongo_utils.write_df('basic', df, drop_tb_if_exist=True)


if __name__ == '__main__':
    build_etfs()

习惯后端开发，多年没有写过js了，一直觉得这个东西不好调试，每次总想绕开它，之前试过streamlit, nicegui等等，但要变成真正的b/s结构的东西，整合起来怪怪的。

然后再寄希望于vue这样的前端工程化，数据驱动来解决问题。但引入npm， axios之类的反而更重。

还是之前说的那句话，两条路不知走哪一条——走难的那条。

其实jquery, bootstrap， 一些控件交互和操作，并没有那么难。

适应一下就好了。

吾日三省吾身

在大周期，大变局下，普通人为一份工作，能有多卑微？

战战兢兢，如履薄冰？

我们谈财富自由，谈梦想，谈的都在人生上限，想看看人生的潜力到底有多少。

而作为普通人，或者普通中产，在这个大变局下，更多人开始关心下限。

中年失业了怎么办？

越来越长的生命做什么？

我想，最好的办法，就是在还有工作的时候，学会与工作解耦。

去掉平台的加持和身份，你还有什么？

有没有独一无二的价值？

能没有“独立”生产和交付用户价值的能力？

大家知道，原生的GPLearn并不适合挖掘因子，主要存在以下几个问题：

1、gplearn只支持单标的，在CTA策略单标的可以，但单标的下挖掘的因子，很容易过拟合。

2、内置的函数不适合金融量化因子，需要自己扩展。而且原生的扩展，不支持常数项，比如SMA(10)，这个10就是常数。

3、原生的fitness是ic和Rank IC，不支持夏普比或者卡玛比率这种。

4、而且网上能用的代码有限，版本鱼龙混杂，不成体系，或者文档不全。

5、传统的因子挖掘方法大多基于遗传规划（Genetic Programming）方法，这类方法具有收敛速度慢、超参数难以调优等局限；

网上的代码都是“暴改”之后的，且没有文档，demo未必能跑通。

我给大家跑通了一份，但是基于qlib的，与DeepAlpha同构，后续以这份代码为蓝本了。

大家直接pip install -r requirements.txt即可（python 3.8）

基于A股的qlib数据也会打包给大家，置于~/.qlib/qlib_data/cn_data_rolling目录下：

1、支持GPLearn, DSO以及强化学习的版本。

2、数据目前的A股全量数据，qlib格式。

3、支持多支股票同时挖掘。

4、支持多因子联合评测。