lightGBM合成因子|对Alpha158因子集进行筛选，并做单因子分析（代码+数据）

今天的代码工作，是多策略运行，及策略的超参数优化。

最近思考意义比较多。

包括AI量化的意义——从自动化，数字化到智能化。

赚钱是意义吗？赚钱是好事，但可以赚钱的事情很多，为何是量化。这个意义的思考，更多是为他人，为社会。

从为他人的角度，为星球的用户赚到钱，减少大家的工作量，减少大家研究资本市场的时间，这倒是个价值点。

engine添加优化器：可以对超参数进行优化：

def optimize(self,
             maximize: Union[str, Callable[[pd.Series], float]] = 'SQN',
             method: str = 'grid',
             max_tries: Optional[Union[int, float]] = None,
             constraint: Optional[Callable[[dict], bool]] = None,
             return_heatmap: bool = False,
             return_optimization: bool = False,
             random_state: Optional[int] = None,
             **kwargs):
    from numpy.random import default_rng
    have_constraint = bool(constraint)
    class AttrDict(dict):
        def __getattr__(self, item):
            return self[item]

    def _tuple(x):
        return x if isinstance(x, Sequence) and not isinstance(x, str) else (x,)

    def _grid_size():
        size = int(np.prod([len(_tuple(v)) for v in kwargs.values()]))
        if size < 10_000 and have_constraint:
            size = sum(1 for p in product(*(zip(repeat(k), _tuple(v))
                                            for k, v in kwargs.items()))
                       if constraint(AttrDict(p)))
        return size

    rand = default_rng(random_state).random
    grid_frac = (1 if max_tries is None else
                 max_tries if 0 < max_tries <= 1 else
                 max_tries / _grid_size())
    param_combos = [dict(params)  # back to dict so it pickles
                    for params in (AttrDict(params)
                                   for params in product(*(zip(repeat(k), _tuple(v))
                                                           for k, v in kwargs.items())))
                    if constraint(params)  # type: ignore
                    and rand() <= grid_frac]
    if not param_combos:
        raise ValueError('No admissible parameter combinations to test')
    print(param_combos)

生成参数组合：

from engine.engine import Engine
from examples.strategies.tasks_config import TaskRolling

def test_opt():
    e = Engine(TaskRolling())
    e.optimize(n1=range(10, 110, 10),
    n2=range(20, 210, 20),
    n_enter=range(15, 35, 5),
    n_exit=range(10, 25, 5),
    constraint=lambda p: p.n_exit < p.n_enter < p.n1 < p.n2,
    maximize='Equity Final [$]',
    max_tries=200,
    random_state=0,
    return_heatmap=True)

{‘n1’: 50, ‘n2’: 120, ‘n_enter’: 30, ‘n_exit’: 20}, {‘n1’: 50, ‘n2’: 140, ‘n_enter’: 20, ‘n_exit’: 10},

比如星球的同学说，咱们参数里那些 roc(20)>0.08，这个20和0.08怎么来的？——通过网格搜索优化来的。

吾日三省吾身

人生有三大命题：健康（平安）、财富（适度名与利）、幸福（意义，活着为了什么）？

健康是1，没有健康，后面均无意义。

最近重读蔡磊的《相信》和于娟的《此生未完成》。无论你是谁，王侯将相，还是贩夫走卒，在健康平面，众生平等。

没有尊严，卑微的“乞求”活着，无论你有多少财富，抑或学识。

我在商界达到了成功的顶峰。在别人眼里，我的生活是成功的缩影。

然而，除了工作，我没有什么快乐。

最后，财富只是我习惯的生活事实。

此时此刻，躺在病床上，回想起我的一生，我意识到，面对即将来临的死亡，我如此自豪的所有认可和财富，都已黯然失色，变得毫无意义。

在黑暗中，我看着救生机器发出的绿灯，听到机械嗡嗡作响的声音，我能感觉到死神的气息在靠近…。现在我知道了，当我们积累了足够的财富来维持我们的一生时，我们应该去追求其他与财富…无关的事情。

应该是更重要的事情：也许是关系，也许是艺术，也许是年轻时代的梦想
不间断地追求财富只会把一个人变成一个扭曲的存在，就像我一样。。。

Steve Jobs

“中庸”之道是有道理的。

人不能既要又要还要。平衡一点，没有健康，啥也不是。好的生活习惯，好的心态，在于长期养成。越早觉醒，越容易获得。

财富，不能没有。

追求财富需要适度，不必钻牛角尖，知足常乐。——郭宇（28岁财务自由的程序员，我想起那些年错过的1个亿，悲伤的故事），张朝阳的状态就挺好的。

人生需要意义，人生的意义是什么呢？——纳瓦尔说，幸福是一种不需要作为的状态，是消除了缺憾感之后的感受。

斯多葛学派看人生：

过去的，用“宿命论”的观点，一切发生的事情，都是它应该的样子。所以——不要悔。

当下的——你做一下“悲剧假设”。你换位思考一下蔡磊和于娟的境遇，无论谁，都会发现自己拥有很多，佛教说”无畏施”，读别人的故事，感受自己的人生。——对于当下，要珍惜，不要心安理得。你在抱怨同事勾心斗角，你应该想想，很多人想工作却求而不得。当你抱怨自己没有一双好鞋时，想想，有些人没有脚。。。

未来的——“二分控制论”。能掌控的，不能掌控的。只关心能掌控的东西。孩子学习成绩，未来什么中考分流，这是你无法掌控的。你能掌控的，多陪伴和引导，养成好的阅读习惯。

未来事情，不必着急，日子一天天过。明天和意外，并不知道哪个会先来。坏事会过去，好事也会过去，人生在世，体验而已。

斯多葛学派，不是躺平，也不是阿Q精神。而是教我们这个“千年一遇之大变局”，高度不确定下，如何寻求内心真正的安宁。

不确定是解决不完的，解决一个，还会再来一个。内心不受其扰，一切都会过去。

当下，才是真实。

过往不恋，未来不迎，当下不杂。

但行好事，莫问前程。

昨天咱们把因子表达式重构了，现在可以完美支持world quant101, qlib的Alpha158的这样的因子库。因子表达式完美重构 | Qlib Alpha158因子库复现（代码+数据）

今天咱们使用上周的lightGBM树模型，Quantlab3.4代码发布 | lightGBM排序轮动 | 29个行业机器学习合成因子轮动策略（代码+数据+模型下载）对A股29个重要行业，做因子筛选。

top 20的因子如下：

代码在如下位置：把因子重要性打印出来：

import matplotlib.pyplot as plt
lgb.plot_importance(lgb_ranker, importance_type="gain", figsize=(8, 6), max_num_features=20,title="LightGBM Feature Importance (Gain)")
plt.show()

#idx = list(lgb_ranker.feature_importances_)
importances = lgb_ranker.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(len(feature_cols)):
    print("%2d) %-*s %f" % (f + 1, 30, feature_cols[indices[f]], importances[indices[f]]))


print(feature_cols)