DeepAlphaNet：端对端的因子挖掘与策略构建

目标：建立以因子挖掘为核心的“流水线”策略工厂。

10月目标：gplearn改造，整合，alphanet实现。

系统代码发布V1.7：

代码及数据均可以下载，请同学们更新：

今日todo:

1、完成量化平台发布代码前检查，发布v1.7。

freeze requirements.txt。

select signal去掉做空，weight equally。

2、gpquant/gplearn代码对比。看下如何改造。

3、alphanet端到端的因子挖掘与合成框架代码。

大家更新环境时，使用pip install requirements_freezed.txt，这样就不会有版本问题。

按信号选股，去掉做空逻辑：

class SelectBySignal(Algo):
    def __init__(self, rules_buy=[], buy_at_least_count=1, rules_sell=[], sell_at_least_count=1):
        super(SelectBySignal, self).__init__()
        self.rules_buy = rules_buy
        self.rules_sell = rules_sell

        if buy_at_least_count > len(rules_buy):
            buy_at_least_count = len(rules_buy)
        if buy_at_least_count <= 0:
            buy_at_least_count = 1
        self.buy_at_least_count = buy_at_least_count

        if sell_at_least_count > len(rules_sell):
            sell_at_least_count = len(rules_sell)
        if sell_at_least_count <= 0:
            sell_at_least_count = 1
        self.sell_at_least_count = sell_at_least_count

    def _check_if_matched(self, df_bar, rules, at_least_count):
        se_count = pd.Series(index=df_bar.index, data=0)
        for r in rules:
            se_count += df_bar.eval(r)

        matched_items = se_count[(se_count.values >= at_least_count)].index
        return list(matched_items)

    def __call__(self, target):
        df_bar = target.df_bar
        matched_buy = []
        matched_sell = []
        if self.rules_buy and len(self.rules_buy):
            matched_buy = self._check_if_matched(df_bar, self.rules_buy, self.buy_at_least_count)

        if self.rules_sell and len(self.rules_sell):
            matched_sell = self._check_if_matched(df_bar, self.rules_sell, self.sell_at_least_count)

        holdings = target.get_long_symbols()
        if holdings and len(holdings) > 0:
            matched_buy += holdings

        if matched_sell:
            for sell in matched_sell:
                if sell in matched_buy:
                    matched_buy.remove(sell)

        target.temp['selected'] = matched_buy
        return True

吾日三省吾身

昨天看到一个词叫“去魅”，有意思。

你永远无法评价一个你不曾得到的东西，那是阿Q心态，酸葡萄心理。

人总是在痛苦和无聊之间徘徊。

得不到的痛苦，得到就无聊。

然后寻找更高的目标去痛苦。

儿时，一罐八宝粥或者一听健力宝，就算愿望。

学生时代，几张烧饼，一本故事会或者小小说，就是美好的中午时光。

长大后，你有能力随意安排时，你发现也就那样。

东西还是那些东西，味却不对。

满满当当的超市，却找不到一件想吃的东西。

世界那么大，我们想去看看。

被困在写字楼的方寸之间，其实当你走遍世界，你发现不过如此。

旅行就是去一个别人待腻了的地方拍照。

但你只有去了，方能“去魅”。

人生本来就是一场体验，尽最大可能性去体验，深度体验罢了。

当然不必穷举，走遍数十个城市之后，你发现城市其实大同小异。

没有感受风土人情是一种遗憾，人生尽量少留遗憾。

昨天看到一篇文章，批评冯唐，说他高高在上，自己得到的所有，劝年轻人躺平。

也许，到达顶峰的人，确实发现也就那样。

马云说他不需要钱，也是真的。

但是，只有你真的有钱，你才可以这么说。

从长期来看，投资离钱这么近，离数据这么近，信息决策如此重要的领域，AI一定是要主导的。

技术面者首当其冲。

基本面者好一些，但ChatGPT如日中天，时间问题。

因此，我们做长期主义的事情。

另外，有一个根本的问题，我们聊财富自由，背后的基础逻辑是“被动收入”。职业股民是一个比工作还累，还要承担风险，高度紧张的工作。这与自由也没有关系呀，最多算地点自由，但时间不自由。

只要高度自动化，智能化，还是赚钱的模式，才是真正的自由，因此，拥抱AI量化吧。

底层引擎替换成了pybroker，为机器学习作准备。

今天说说DeepAlphaNet。

AlphaNet的架构如上图：

输入是股票的基础价量数据。

1. 股票池：全 A 股，剔除 ST、PT 股票，剔除每个截面期下一交易日涨跌停和停牌的股
   票。
2. 原始数据：未经过特征工程的个股量价信息，对于每只股票，将其
   量价数据拼接成 9*30 的“数据图片”，30 为历史时间天数。
3. 预测目标：个股 10 天后标准化的收益率；个股 5 天后标准化的收益率。

   未来几周，将逐步复现这这个代码。

   当然这里可以提升的空间还很多，比如提取特征的函数，比如网络的层数等等。

   框架的造型，会考虑keras(tersorflow)dataloader重构与keras入门体验，pytorch，结构化数据我们之前分享过autogluon年化26.8%，夏普1.28，单向做多螺纹钢的期货策略，Autogluon机器自主调参（策略+代码下载）。，当然还是StockRanker(梯度提升排序算法)qlib与深度集成学习实现StockRanker，因子挖掘的gplearngplearn筛选高ic值因子，单因子回测（代码下载）等等。

吾日三省吾身

昨天周例会，会议纪要详见星球里的总结。

提炼几点：

1、量化私募里很多团队是赚钱的。

2、信号，机器学习，端对端学习正在成为主流。

基于经验，天赋也许存在，在不可复制，不可传承，仍然是一份苦差事，且不容易自进化，而对于AI来说，这是基本功。

如同Alphago到AlgoMaster，从学习棋谱到双手互搏，也许投资经验也非刚需。

其实这是真正意义上的跨界，在算法，人工智能领域，这些技术成熟，且可以说算是入门级别的。

但在信息如何值钱的金融投资领域，是如何稀缺。

这会是星球下一个阶段之重心。