代码重构

优化“特征表达式“

def expr_transform(df, expr):
    # close/shift(close,5) -1
    for col in df.columns:
        expr = expr.replace(col, 'df["{}"]'.format(col))
    return expr


def calc_expr(df: pd.DataFrame, expr: str):
    if expr in list(df.columns):
        return df[expr]

    expr = expr_transform(df, expr)
    se = eval(expr)
    # shift(close,1) -> shift(df['close'],1)
    return se

作为AI量化引擎，一个好的因子引擎非常重要。

在qlib的表达式的基础上，我做了优化，我们的引擎可以引用计算好的字段。这个qlib是做不到的。

比如我先计算了max_5=5天的最高值，然后再向右shift1天。

df['max_5'] = calc_expr(df, 'max(close,5)')
df['max_5_1'] = calc_expr(df, 'shift(max_5,1)')
print(df)

准备好的功能，我们来复现qlib的alpha158，158个因子。

添加函数 greater, less：

def np_pair(func, series_left, series_right):
    return getattr(np, func)(series_left, series_right)


def greater(left, right):
    return np_pair('maximum', left, right)


def less(left, right):
    return np_pair('minimum', left, right)

重构了工程目录，加了使用说明，同时使用git来管理工程：

examples/下有策略的案例：

作为起步，动量20长期看还是yyds。

今天重点是调了总体程序的结构，整理了代码。

因为我们是要长期升级与维护这份代码。

对portfolio进行了重写，之前我是直接调仓。没有考虑价格，直接使用的收益率，也没有考虑收续费。当前的代码借用了部分pybroker的核心逻辑，但没有使用做空的部分。后续如果要考虑期货或者加密货币时会引用，这里也留好的扩展。

核心代码补充了一些用例，具体还要再看下，如何让核心代码尽快稳定下来。

我们之所以要重写，一是要兼容机器学习一堆因子，这个pyBroker使用indicator的模式就不好维护了，另外也无法传入benchmark信息。这些我们都做好的扩展。

一些感悟：

最近最内的新闻，大事小事着实不少。

大家都不容易。

有点危机感是好的，当然不必过于忧虑，车到山前必有路。——都是体验。

量化无论怎么着，不需要依赖太多人的协作，说实话也依赖不了。

也不改太担心别人恶搞，因为没有人能与市场对抗。

重要的事情是你如何提升你的认知，与市场共舞。

机器学习的WFA算法，然后就是如何找到有效的因子，如何寻找最优参数，如何避免过拟合——机器学习最担心的就是过拟合。