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）

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)