反脆弱的投资体系：gplearn因子挖掘系列，支持3000支股票

本周重点是“gplearn因子挖掘”。

昨天年化167%，夏普比大于7：基于gplearn的股指期货的高频因子挖掘开了头，我们继续

因子挖掘为何重要？

量化最重要的东西是什么？——策略。

能实盘的策略，而策略里，容量最大，且适用于前沿AI技术的——多因子策略。

这个背后最重要的就是因子。

传统方法是通过人工经验构造因子，优缺点都明显，但在AI潮流面前显得落伍。

投资是高度不确定的事情，准确地讲，没有人可以预测未来。

那我们可以做什么呢？设计一种反脆弱的投资体系。

比如，输，输得少；赢，赢得多。——止损，让利润奔跑就是基础逻辑。

比如可转债，市场下行，债性兜底；市场走牛，股性发挥作用。

gplearn可以自定义函数集：

function_set = ['add', 'sub', 'mul', 'div', 'sqrt', 'log',  # 用于构建和进化公式使用的函数集
                'abs', 'neg', 'inv', 'sin', 'cos', 'tan', 'max', 'min',
                #'if', 'gtpn', 'andpn', 'orpn', 'ltpn', 'gtp', 'andp', 'orp', 'ltp', 'gtn', 'andn', 'orn', 'ltn', 'delayy', 'delta', 'signedpower', 'decayl', 'stdd', 'rankk'
                ]

生成适应度最好的因子：

# 生成因子
factor_num = 1  # 因子编号
my_cmodel_gp = my_gplearn(function_set, score_func_basic, random_state=0,
                          feature_names=feature_names)  # 可以通过换random_state来生成不同因子
my_cmodel_gp.fit(train_data.loc[:, :'rank_num'].values, train_data.loc[:, 'y'].values)
print(my_cmodel_gp)

在测试集测试效果：

# 策略结果
factor = my_cmodel_gp.predict(test_data.values)
bt_test = SymbolicTestor(test_data, transact_base='Open', commissions=(comm[0], comm[1]))  # 加载数据，根据Close成交,comm是买-卖
bt_test.run_(factor=factor)
md = bt_test.summary()
md.out_stats.to_clipboard()
print(md.out_stats)
md.plot_(comm=comm, show_bool=True)
bt.fees_factor
out_stats, holding_infos, trading_details = md.get_results()
md.save_results(file_name=comm)

多支股票等三维数据也可以处理：

with open(f'./data/factor_data.pickle', 'rb') as f:
    x_dict = dill.load(f)
x_dict.keys() # 就只要turnover_21和avg_volume_63吧
feature_names = list(x_dict.keys())
x_array = np.array(list(x_dict.values()))
x_array = np.transpose(x_array, axes=(1, 2, 0))

# 生成因子
factor_num = 2 # 因子编号
my_cmodel_gp = my_gplearn(function_set, score_func_basic, feature_names=feature_names, pop_num=50, gen_num=3, random_state=0) # 可以通过换random_state来生成不同因子
my_cmodel_gp.fit(x_array, np.array(y_ret))
print(my_cmodel_gp)