太原网站建设培训,沈阳网站建设小工作室,城阳网站建设公司,江西省网站备案原创文章第603篇#xff0c;专注“AI量化投资、世界运行的规律、个人成长与财富自由。
我们重新更新了可转债的全量数据#xff0c;包含全量已经退市的转债。
——这是与股票市场不一样的地方#xff0c;股票退市相对少#xff0c;而转债本身就有退出周期。
因此专注“AI量化投资、世界运行的规律、个人成长与财富自由。
我们重新更新了可转债的全量数据包含全量已经退市的转债。
——这是与股票市场不一样的地方股票退市相对少而转债本身就有退出周期。
因此如果没有包含进来那么策略就是有偏差的。
双低指标单调性非常好 单因子回测一下 年化27.9%最大回撤-13.6%。
策略核心代码如下
import bt
from bt_algos_extend import SelectTopK
order_by close#double_low#double_low
signal CSVDataloader.get_col_df(df,colorder_by)
#signal.dropna(inplaceTrue)
all []
for K in [30,]:s bt.Strategy(可转债单因子策略.format(K), [bt.algos.RunWeekly(),SelectTopK(signal,K,sort_descendingFalse),bt.algos.WeighEqually(),bt.algos.Rebalance()])all.append(s)
stras [bt.Backtest(s, data) for s in all] 把转债的价格单独拆分出来 分层单调性一般 IC值很好但回测结果一般。 回测结果年化12.6%最大回撤-11.7%。 转股溢价率因子——单调性良好 IC值一般 年化28.6%回撤-33.6%。 三个因子的分析结果看下来有一个简单的结果
分层单调性对于轮动因子非常。
IC值大但分层效果不好大概率因子里包含了非线性因素。
IC值大的因子可以经由机器学习模型来组合。
今天我们开始用机器学习的方式来初筛因子集。
咱们还是使用lightGBM集成学习的方式决策树是可以筛选特征的重要性的。
import pandas as pd
from lightgbm import LGBMRegressor
from sklearn.metrics import mean_squared_error, r2_scoredef calc_metrics(model, X, y):y_pred model.predict(X)mse mean_squared_error(y, y_pred)r2 r2_score(y, y_pred)print(r2, r2, mse, mse)def split_data(df, date):df_train df[df.index date]df_val df[df.index date]return df_train, df_valdef train(df_train, df_val, feature_cols, label_collabel):model LGBMRegressor(boostinggbdt, # gbdt \ dartn_estimators600, # 迭代次数learning_rate0.1, # 步长max_depth10, # 树的最大深度seed42, # 指定随机种子为了复现结果num_leaves250,# min_split_gain0.01,lambda_l12,lambda_l22000)X_train df_train[feature_cols]y_train df_train[label_col]X_test df_val[feature_cols]y_test df_val[label_col]model.fit(X_train, y_train)calc_metrics(model, X_train, y_train)calc_metrics(model, X_test, y_test)模型保存from config import DATA_DIR# model.booster_.save_model(DATA_DIR.joinpath(models).joinpath(lgb_regressor.txt))feat_importances pd.Series(model.feature_importances_, indexX_train.columns).sort_values(ascendingFalse)print(feat_importances.head(20))return modelif __name__ __main__:import pandas as pdfrom config import DATA_DIR_BASICfrom datafeed.dataloader import CSVDataloader# bonds pd.read_csv(DATA_DIR_BASIC.joinpath(cb_list2.csv))# bonds bonds[bonds[delist_date] is None]# bonds bonds[ts_code]df CSVDataloader.get_df(symbolsNone, set_indexTrue, start_date20190101, pathbonds_all)print(df)df CSVDataloader.calc_expr(df, [closecb_over_rate, roc(close,20), ta_cci(high,low,close,20),shift(close,-10)/close-1],[double_low, roc_20, cci_20, label])df.dropna(inplaceTrue)df_train, df_val split_data(df, 2023-12-31)train(df_train, df_val, feature_cols[cb_over_rate,close,bond_value,cb_value,ps_ttm,bond_over_rate,double_low, pb,pe_ttm], label_collabel)机器学习的权重排序 bond_value IC值不明显分层不单调但lightGBM的权重重要性很高。这一点是比较矛盾的。
代码在这里 AI量化实验室——2024量化投资的星辰大海 吾日三省吾身
欲速则不达。——这句老话非常有道理。
有时候我们总希望把一些不喜欢的事情尽快终结掉。
在评估不够充分时就快速推进事情。
结果有可能事情也许办了但引入其他更加不可控的事情。
有时候淡定一点把事情处理得稳妥一点后续的事情会更少。
好事多磨淡定一点。
历史文章
全量可转债平价底价溢价率与正股PB的单因子分析附python代码
代码发布quantlabv5.3可转债所有数据及双低、动量因子策略单因子分析框架
量化私募公司的多因子构建方案附python代码
年化22.8%的单因子分析基于Alphalens做可转债全市场数据的单因子分析附python代码全量数据
AI量化实验室——2024量化投资的星辰大海
