19.7%年化的大小盘轮动——策略如何调优 | Deap因子挖掘系统重构（附python代码）

咱们有了策略向导，写策略就特别快了。

今天来复现的策略是一个经典的——大小盘趋势轮动策略。

沪深300代表的大盘与创业板代表的小盘之间，按动量来轮动。

直接信号轮动的效果：

过滤掉负的动量：

动量小于零的时候，平仓，收益率和最大回撤均得到改善。

再优化进场信号——在动量大于0.02的时候才进场，为负的时候离场：

年化进一步提升至19.7%，这样一个策略就完成了。

我们发布到服务器：

这些代码在本周五都会在星球更新：

本周一个任务主线是——重构Deap因子挖掘系统。

商品期货池：我们从国内期货市场筛选出历史流动性较好的41个品种具体如下表所示。

41个商品期货主连合约，我整理到咱们平台上了：

然后直接做单因子分析，用动量先看看：

单调性很好——但是是动量越大，收益越小。

看下分层收益：

IC上也得到印证——期货截面20日动量与收益率呈现负相关，因此我们只需要设计一个策略，买入动量最小的，卖空动量最大的即可：

回测区间：我们使用2016/1/1-2022/1/1作为样本内训练集，2022/1/2-2023/3/10作为样本外测试集，总回测区间为2016/1/1-2023/3/10。

算子函数集——也就是咱们的因子表达式引擎里提供的，这里才是因子挖掘的核心——因为无论是deap还是gplearn，框架本身你会使用就可以了。

这些函数的实现在这里：

代码都不复杂：

import numpy as np
import pandas as pd
from .expr_utils import calc_by_symbol, calc_by_date


@calc_by_symbol
def ts_delay(se: pd.Series, periods=5):  # 滞后N天的序列
    return se.shift(periods=periods)


@calc_by_symbol
def ts_delta(se: pd.Series, periods=20):  # 当前序列与滞后N天之差
    se_result = se - se.shift(periods=periods)
    return se_result


@calc_by_symbol
def ts_mean(se: pd.Series, d):
    return se.rolling(window=d).mean()


@calc_by_symbol
def ts_median(se: pd.Series, d):
    return se.rolling(window=d).median()


@calc_by_symbol
def ts_min(se: pd.Series, periods=5):
    return se.rolling(window=periods).min()


@calc_by_symbol
def ts_max(se: pd.Series, periods=5):
    return se.rolling(window=periods).max()


@calc_by_symbol
def ts_sum(se: pd.Series, N):
    ret = se.rolling(N).sum()
    return ret


@calc_by_symbol
def ts_argmin(se: pd.Series, periods=5):
    return se.rolling(periods, min_periods=2).apply(lambda x: x.argmin())


@calc_by_symbol
def ts_argmax(se: pd.Series, periods=5):
    return se.rolling(periods, min_periods=2).apply(lambda x: x.argmax())


@calc_by_symbol
def stddev(se, periods=5):
    return se.rolling(window=periods).std()


@calc_by_symbol
def ts_rank(se: pd.Series, periods=9):
    ret = se.rolling(window=periods).rank(pct=True)
    return ret


@calc_by_symbol
def shift(se: pd.Series, N):
    return se.shift(N)


@calc_by_symbol
def roc(se: pd.Series, N):
    return se / shift(se, N) - 1


@calc_by_symbol
def ts_product(se: pd.Series, d):
    return se.rolling(window=d).apply(np.product)


@calc_by_symbol
def zscore(se: pd.Series, N):
    def _zscore(x):

        try:
            x.dropna(inplace=True)
            # print('sub', x)
            value = (x[-1] - x.mean()) / x.std()
            if value:
                return value
        except:
            return -1

    # print(se)
    ret = se.rolling(window=N).apply(lambda x: _zscore(x))
    return ret


def decay_linear(series, window):
    """
    对输入的时间序列进行线性衰减。

    :param series: 输入的时间序列。
    :param window: 衰减的窗口大小。
    :return: 衰减后的序列。
    """
    weights = np.arange(1, window + 1)
    decay = np.convolve(series, weights, 'valid') / np.sum(weights)
    return decay

绝大多数算子，无论是时序，还是截面，都可以通过封装numpy来完成，不过技术分析类的，还是只能通过Talib这样的技术指标库。

pandas_ta实现一个指标——不过pandas_ta似乎有bug，numpy版本不兼容：

import pandas_ta as ta


@calc_by_symbol
def ts_dema(X, d):
    ret = ta.dema(X, d)
    if ret is None:
        return pd.Series(None, index=X.index)

这些都准备好之后，因子挖掘就是使用框架的问题了，只是框架目前没有现成的、适用于因子挖掘的。

因此，我会为大家提供重写后的版本，本周是deap，下周也许会重写gplearn。

吾日三省吾身

“懂那么多道理，却过不好这一生“。

知道到做到，还有千山万水。

财富自由快车道，从需求出发，用户在抱怨什么。

比如大家急需要策略，要因子，想知道如何挖掘因子，这就是刚需。

有些用户想要实盘，自动化交易等等。

一个反馈系统非常关键。

把事情做精，把点打透，才能产生价值。

点子不重要，点子的执行才重要，直接解决问题。