回测系统2用字符串表达式方式批量构建股票因子自定义因子

扩展：有了这个之后，就可以构造Alpha158的因子了， 可以做为深度学习，机器学习的特征值

二.实现

1.核心思想就是用到了eval，将因子字符串表达式 变成可计算的表达式

from datafeed.expr_funcs import *


import pandas as pd


def expr_transform(df, expr):


    """


    将表达式中的列名替换为DataFrame列引用的字符串表示。


    参数:


    df (pd.DataFrame): 包含数据的DataFrame。


    expr (str): 需要转换的表达式字符串。


    返回:


    str: 转换后的表达式字符串，列名被替换为DataFrame列引用的字符串表示。


    close/shift(close,5) -1 => df["close"]/shfit(df["close"] -1


    """


    # 遍历DataFrame的列名


    for col in df.columns:


        # 将列名替换为DataFrame列引用的字符串表示


        expr = expr.replace(col, 'df["{}"]'.format(col))


    return expr


def calc_expr(df: pd.DataFrame, expr: str) -> pd.Series:


    """


    计算表达式并返回结果。


    参数:


    df (pd.DataFrame): 包含数据的DataFrame。


    expr (str): 需要计算的表达式字符串。


    返回:


    pd.Series: 计算结果的Series对象。


    """


    # 如果表达式是DataFrame的列名，直接返回该列


    if expr in df.columns:


        return df[expr]


    # 将表达式转换为DataFrame列引用的字符串表示


    expr = expr_transform(df, expr)


    # 使用eval函数计算表达式


    # 注意：使用eval可能会带来安全风险，因为它会执行任何传递给它的代码


    # 在实际应用中，你应该确保expr只包含你信任的表达式，或者使用更安全的方法来解析和执行表达式


    se = eval(expr)


    return se


if __name__ == '__main__':


    df = pd.DataFrame({'close': [1, 2, 3, 4, 5]})


    expr = 'close/shift(close,1)-1'


    result = calc_expr(df, expr)


    print(result)