沪深300成份股的量化多因子：年化20.3%

吾日三省吾身。

以自己喜欢的方式过这一生。

昨天我突然想到这句：“以悦人之心，做悦己的事情”。

你做的事情，要对别人有价值，对更多人有价值，对市场有价值，那么市场会给你回报。这叫“取悦他人”的目标，”悦己“，做你自己认同且喜欢，且擅长的事情。

我们在做一件什么事呢？——低门槛快速实验AI量化策略。

我们知道，因子也好，策略也罢，没有永远有效的圣杯。需要不停地观察市场，不断学习，迭代，这时候，需要一个好用的，低成本的策略研发平台。所以我们做“积木式”，“可视化”的策略开发过程。

前面的文章我们主要是围绕ETF、指数多因子轮动，大类资产配置展开。

今天开始我们正式进行A股股票市场。

记住我们的步骤：数据，因子，策略或模型，回测，分析，迭代。

所以，第一步先搞定数据：从tushare直接下载hs300成份股，我们从沪深300开始。你会说这个成份股是一直在变的，没错，但我们只是用它作为一个基准池子，没有特别的影响。一直来就搞4000-5000支股票，数据量大，没必要。

有了300支的清单，我们需要下载历史复权数据。

脚本在这里，把300支股票历史上全量的“后复权”数据保存到本地h5中。

文件400多M了，可能通过git很难下载了。

import akshare as ak
import pandas as pd
from engine.config import DATA_DIR, DATA_H5

df_codes = pd.read_csv(DATA_DIR.joinpath('hs300.csv').resolve())
codes = df_codes['con_code']

with pd.HDFStore(DATA_H5.resolve()) as s:
    for i, code in enumerate(codes):
        symbol = code
        code = code[:6]
        print(i, code)

        df = ak.stock_zh_a_hist(symbol=code, period="daily", adjust="hfq")
        df['symbol'] = symbol
        df.rename(columns={'日期': 'date', '开盘': 'open', '收盘': 'close', '最高': 'high', '最低': 'low', '成交量': 'volume',
                           '换手率': 'turnover'}, inplace=True)
        df['date'] = pd.to_datetime(df['date'])
        df.set_index('date', inplace=True)
        df = df[['symbol', 'open', 'high', 'low', 'close', 'volume', 'turnover']]

        print(df)
        s[symbol] = df

拿 指数的多因子试试：

from engine.datafeed.dataloader import Hdf5Dataloader
from engine.env import Env
from engine.algo import *
from engine.config import DATA_H5, DATA_DIR

df_codes = pd.read_csv(DATA_DIR.joinpath('hs300.csv').resolve())
codes = df_codes['con_code']


loader = Hdf5Dataloader(codes, start_date="20100101")
fields = ['roc(close,20)', 'std(volume,20)', 'bias(close,20)',
          'roc(close,5)', 'std(volume,5)', 'bias(close,5)',
          'rank(roc_20)+rank(bias_20)+rank(roc_5)+rank(bias_5)-rank(std_20)-rank(std_5)']
names = ['roc_20', 'std_20', 'bias_20',
         'roc_5', 'std_5', 'bias_5',
         'rank']
df = loader.load(fields=fields, names=names)
bench_loader = Hdf5Dataloader(['000300.SH'])

e = Env(df=df, benchmarks=bench_loader.load(fields=['slope_pair(high,low,18)', 'zscore(rsrs_18,600)<-0.7'],
                                            names=['rsrs_18', 'zscore']))
e.set_algos([
    RunDays(days=10),
    #RunWeekly(),
    # SelectAll(),
    #SelectBySignal(buy_rules=[], sell_rules=['ind(roc_20)<-0.08']),
    SelectTopK(drop_top_n=1, K=10, order_by='rank', b_ascending=False),
    PickTime(benchmark='000300.SH', signal='zscore'),
    WeightEqually()
])

e.backtest_loop()
e.show_results()
#e.save_results()

优化了一下performance计算：

之前我们使用empyrical库来计算，我们可以自己计算，后续我们需要补充多个指标，大家最好熟悉指标的计算公式，当然二者计算是结果是一样的。

import pandas as pd
from datetime import datetime


class PerformanceUtils(object):

    def rate2equity(self, df_rates):
        df = df_rates.copy(deep=True)
        df.dropna(inplace=True)
        for col in df.columns:
            df[col] = (df[col] + 1).cumprod()
        return df

    def equity2rate(self, df_equity):
        df = df_equity.copy(deep=True)
        df = df.pct_change()
        return df

    def calc_equity(self, df_equity):
        df_rates = self.equity2rate(df_equity)
        return self.calc_rates(df_rates)

    def calc_rates(self, df_rates):
        df_equity = self.rate2equity(df_rates)
        df_rates.dropna(inplace=True)
        df_equity.dropna(inplace=True)
        # 累计收益率，年化收益
        count = len(df_rates)
        accu_return = round(df_equity.iloc[-1] - 1, 3)
        annu_ret = round((accu_return + 1) ** (252 / count) - 1, 3)
        # 标准差
        std = round(df_rates.std() * (252 ** 0.5), 3)
        # 夏普比
        sharpe = round(annu_ret / std, 3)
        # 最大回撤
        mdd = round((df_equity / df_equity.expanding(min_periods=1).max()).min() - 1, 3)

        ret_2_mdd = round(annu_ret / abs(mdd), 3)

        ratios = [accu_return, annu_ret, std, sharpe, mdd, ret_2_mdd]

        # df_ratio存放这里计算结果
        df_ratios = pd.concat(ratios, axis=1)
        # df_ratios.index = list(df_rates.columns)
        df_ratios.columns = ['累计收益', '年化收益', '波动率', '夏普比', '最大回撤', '卡玛比率']

        # 相关系数矩阵
        df_corr = round(df_equity.corr(), 2)

        start_dt = df_rates.index[0]
        end_dt = df_rates.index[-1]
        if isinstance(start_dt, str):
            start_year = int(start_dt[:4])
            end_year = int(end_dt[:4])
            df_equity['trade_date'] = df_equity.index
            df_equity.index = df_equity['trade_date'].apply(lambda x: datetime.strptime(x, '%Y%m%d'))
            del df_equity['trade_date']
        else:
            start_year = start_dt.year
            end_year = end_dt.year

        '''
       
        years = []
        for year in range(start_year, end_year + 1):
            sub_df = df_equity[str(year)]
            if len(sub_df) <= 3:
                continue
            year_se = round(sub_df.iloc[-1] / sub_df.iloc[0] - 1, 3)
            year_se.name = str(year)
            years.append(year_se)
        if len(years):
            df_years = pd.concat(years, axis=1)
        else:
            df_years = None
         '''
        return df_ratios, df_corr# df_years