【机器学习】量化策略

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
import numpy  as np
from sklearn.linear_model import LinearRegression


# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    # 初始化股票池
    context.hs300 = index_components("000300.XSHG")
    # (9,)
    # (1,9)
    weight = np.mat(np.array(
        [0.02953221, -0.04920124, -0.10791485, 0.00801783, -0.03613599, 0.1310877, -0.03030564, 0.40286239,
         -0.30166898]))

    context.weight = weight.T

    # 选股 的数量
    context.stock_num = 20

    # 每月进行一次调仓
    # 设置定时器
    # 参数1 每月执行的逻辑--函数
    # 参数2 tradingday 每月执行逻辑的交易日
    scheduler.run_monthly(MyLinearRegression, tradingday=1)


def three_sigma(data):
    """
    基于3sigma原则的离群值处理
    :param data: 需要处理的数据
    :return: 处理之后的数据
    """
    # 上限
    up = data.mean() + 3 * data.std()
    # 下限
    low = data.mean() - 3 * data.std()

    # 超过上限 变为上限，超过下限变为下限
    data = np.where(data > up, up, data)
    data = np.where(data < low, low, data)

    return data


def stand_sca(data):
    """
    标准差标准化
    :param data:原数据
    :return: 标准差之后的数据
    """
    data = (data - data.mean()) / data.std()

    return data


def deal_data(data):
    """
    因子数据处理
    """
    # （1）缺失值处理
    # 直接删除--dropna
    data.dropna(how="any", axis=0, inplace=True)

    market_cap = data.loc[:, "market_cap"]
    for column in data.columns:
        # （2）离群值处理
        data.loc[:, column] = three_sigma(data.loc[:, column])
        # （3）标准化处理
        data.loc[:, column] = stand_sca(data.loc[:, column])
        if column == "market_cap":
            continue
        # （4）市值因子--中性化处理 # market_cap---市值因子
        # 以市值因子为特征值，其他因子为目标值建立线性关系
        x = market_cap.values.reshape((-1, 1))
        y = data.loc[:, column].values
        # 实例化算法对象
        lr = LinearRegression()
        # 构建模型
        lr.fit(x, y)  # 特征值必须是二维数据，目标值必须是一维的
        # 进行预测--预测值----受市值影响部分
        y_predict = lr.predict(x)

        # 不受市值影响的部分  =  其他因子的值 - 受市值影响的部分
        data.loc[:, column] = data.loc[:, column] - y_predict

    return data


def tiaocang(context):
    """
    调整仓位
    """
    # 获取所有的仓位中的股票
    for tmp in context.portfolio.positions.keys():
        # 遍历仓位，如果股票不在stock_list就卖出
        if tmp not in context.stock_list:
            order_target_percent(tmp, 0)
    # 买入
    for tmp in context.stock_list:
        order_target_percent(tmp, 1 / len(context.stock_list))


def MyLinearRegression(context, bar_dict):  # context此时必须传递
    """
    每月执行的逻辑函数
    """
    # 1、获取因子数据
    q = query(
        fundamentals.eod_derivative_indicator.pe_ratio, fundamentals.eod_derivative_indicator.pb_ratio,
        fundamentals.eod_derivative_indicator.market_cap, fundamentals.financial_indicator.ev,
        fundamentals.financial_indicator.return_on_asset_net_profit,
        fundamentals.financial_indicator.du_return_on_equity, fundamentals.financial_indicator.earnings_per_share,
        fundamentals.income_statement.revenue, fundamentals.income_statement.total_expense
    ).filter(
        fundamentals.stockcode.in_(context.hs300)
    )

    fund = get_fundamentals(q)

    context.factor = fund.T

    # print(context.factor)

    # 2、因子数据处理
    context.factor = deal_data(context.factor)

    print("因子处理之后的结果：
", context.factor)

    # 3、因子 * 权重  + B = 预测收益
    # (300,9) * (9,1)  = [300,1]
    context.factor.loc[:, "factor_return"] = np.dot(context.factor, context.weight)

    # 4、将数据以 收益进行降序排序---预测的收益较好的20支股票
    context.stock_list = context.factor.sort_values(by="factor_return", ascending=False).head(context.stock_num).index

    # 5、调仓
    tiaocang(context)


# before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
    pass


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    pass


# after_trading函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
    pass