创业板指布林带突破策略：年化12.8%，回撤20%+| Alphalens+streamlit单因子分析框架（代码+数据）

Quantlab3.3（这个版本兼容2.x主体，更简洁，性能更高，代码更易读，总之，建议大家尽快更新）：

先上图——策略回测：

单因子分析（Alphalens-reloaded+streamlit整合）：

1、底层重写：全自研回测。

2、支持streamlit gui：支持可视化回测、单因子分析。

3、带三大策略模板（大类资产配置，轮动和择时），附四个示例策略。

4、改造alphalens，并与streamlit进行整合，可方便进行单因子分析。

大家一定按照附件的目录结构，python3.9的环境。

安装 pip install -r requirements.txt。然后单独安装ta-lib：

pip install libs/TA_Lib-0.4.24-cp39-cp39-win_amd64.whl。

运行main.py即可。

今日计划：

1、静待花开策略。

2、stock ranker 1.0代码（lightgbm l2r）实现。

今天同样来做一个轮动策略——静待花开。

发现在一些平台，这个策略的参数需要打赏才能获得了。之前写过，在3.3我们刷新一下：

“静待花开的聚宝盆”策略重构

def Rolling_flower():
    task = TaskRolling()
    task.name = '轮动策略-全球大类资轮动-静待花开'
    task.benchmark = '510300.SH'
    task.start_date = '20150115'
    task.symbols = [
    '511220.SH',  # 城投债
    '512010.SH',  # 医药
    '518880.SH',  # 黄金
    '163415.SZ',  # 兴全商业
    '159928.SZ',  # 消费
    '161903.SZ',  # 万家行业优选
    '513100.SH'  # 纳指
]  # 证券池列表

    task.features = ["因子" ]
    task.feature_names = ["因子名"]

    task.rules_buy = ['买入信号']
    task.rules_sell = ["卖出信号"]

    task.order_by = '排序因子'
    task.topK = 8
    return task

年化13.9%，回撤15%。大家前往星球下载代码体验。

第2件事情，还实现StockRanker，为后续多因子机器学习做好准备。

def train(self, x_train, y_train, q_train, model_save_path):
    '''
    模型的训练和保存
    :param x_train:
    :param y_train:
    :param q_train:
    :param model_save_path:
    :return:
    '''

    train_data = lgb.Dataset(x_train, label=y_train, group=q_train)
    params = {
        'task': 'train',  # 执行的任务类型
        'boosting_type': 'gbrt',  # 基学习器
        'objective': 'lambdarank',  # 排序任务(目标函数)
        'metric': 'ndcg',  # 度量的指标(评估函数)
        'max_position': 10,  # @NDCG 位置优化
        'metric_freq': 1,  # 每隔多少次输出一次度量结果
        'train_metric': True,  # 训练时就输出度量结果
        'ndcg_at': [10],
        'max_bin': 255,
        # 一个整数，表示最大的桶的数量。默认值为 255。lightgbm 会根据它来自动压缩内存。如max_bin=255 时，则lightgbm 将使用uint8 来表示特征的每一个值。
        'num_iterations': 200,  # 迭代次数，即生成的树的棵数
        'learning_rate': 0.01,  # 学习率
        'num_leaves': 31,  # 叶子数
        # 'max_depth':6,
        'tree_learner': 'serial',  # 用于并行学习，‘serial’：单台机器的tree learner
        'min_data_in_leaf': 30,  # 一个叶子节点上包含的最少样本数量
        'verbose': 2  # 显示训练时的信息
    }
    gbm = lgb.train(params, train_data, valid_sets=[train_data])  # 这里valid_sets可同时加入train_data，val_data
    gbm.save_model(model_save_path)

传统排序学习的代码都比较简洁，与分类和回归不同之处在于，排序学习还需要一个qtrain的数据。这个咱们明天细说。

昨天已经完成：

1、择时模板：带创业板动量策略1份。

2、stramlit gui，支持选择策略并回测。

今日计划：

1、择时-通道突破策略。

2、streamlit显示orders, trades，并检查结果。

3、参考alphalens，引入单因子分析框架。

大家不必着急，按星球惯例，咱们是每周至少迭代一次，最晚明天更新代码。Quantlab3.3是值得期待的，全新架构与思路。

今天第一个任务是择时策略里，需要使用到talib的布林带：

def bbands_up(close, timeperiod=20, nbdevup=2, nbdevdn=2):
    upper_band, middle_band, lower_band = talib.BBANDS(close, timeperiod=timeperiod, nbdevup=nbdevup, nbdevdn=nbdevdn)
    return upper_band

def bbands_down(close, timeperiod=20, nbdevup=2, nbdevdn=2):
    upper_band, middle_band, lower_band = talib.BBANDS(close, timeperiod=timeperiod, nbdevup=nbdevup, nbdevdn=nbdevdn)
    return lower_band

使用咱们的策略模板，也非常简单：

def PickTime_bbands():
    task = TaskPickTime()
    task.name = '择时策略-创业板-布林带'
    task.benchmark = '159915.SZ'
    task.symbols = ["159915.SZ"]

    task.features = ["bbands_up(close,20,2)","bbands_down(close,20,2)"]
    task.feature_names = ["bbands_up","bbands_down"]

    task.rules_buy = ['close>bbands_up']
    task.rules_sell = ["close<bbands_down"]
    return task

运行结果如下：

年化12.8%，回撤20%+，比基准还是好不少。

今天第2项工作把交易详情打印出来：

今天的第3项工作——单因子分析框架：

传统量化主要基于规则，规则策略的优化空间就是——超参数优化，这个咱们后面会专项支持。当然机器学习模型驱动也需要超参数优化，这是通用的功能。

而AI量化的基础是——因子。

所以，我们开始建立因子分析框架。

Alphalens是比较成熟，当然现在已经年久失修的框架。

代码在datafeed/alphalens里：

之前咱们也写过alphalens相关的文章：

因子特征工程：alphalens库深度解析

elif choose == "单因子分析":
    from config import DATA_DIR

    instru = DATA_DIR.joinpath('instruments')
    import os

    files = os.listdir(instru.resolve())
    filename = st.selectbox('请选择投资标的集合:', options=files)
    with open(instru.joinpath(filename).resolve(), 'r') as f:
        symbols = f.readlines()

    symbols = [s.replace('\n','') for s in symbols]
    st.write(symbols)
    factor_expr = st.text_input('请输入因子表达式', value='slope(close,20)')
    if st.button('加载数据并计算因子值'):
        from datafeed import CSVDataloader

        loader = CSVDataloader(DATA_DIR.joinpath('etfs'), symbols)
        df = loader.load(fields=[factor_expr], names=['factor_name'])
        factor_df = df[['symbol', 'factor_name']]
        factor_df.set_index([factor_df.index, 'symbol'], inplace=True)
        close_df = df.pivot_table(values='close', index='date', columns='symbol')
        st.write(factor_df)
        st.write(close_df)

        from datafeed.alphalens.utils import get_clean_factor_and_forward_returns
        results = get_clean_factor_and_forward_returns(factor_df, close_df)
        st.write(results)

        from datafeed.alphalens.streamit_tears import create_full_tear_sheet
        create_full_tear_sheet(results)