.. py:currentmodule:: hikyuu.trade_sys .. highlight:: python 多因子合成|MF ============== 多因子本质是在时间截面上对候选标的进行评分，所以实际需要配合 Selector (策略选择算法) 使用。 因子计算时的标准化与中性化，参见: :doc:`normalize` 公共参数: * **fill_null** *(bool|True)*: 数据缺失时是否填充 nan 值, 否则以最近值填充 * **ic_n** *(int|5)*: 用于计算合成后因子 IC 时的 ic_n 日收益率 * **spearman** *(bool|True)*: 使用 spearman 获取相关系数，否则为 pearson * **mode** *(int|2)*: 获取截面数据时排序模式: 0-降序, 1-升序, 2-不排序 * **save_all_factors** *(bool|False)*: 是否保存所有因子值,影响 get_actor/get_all_factors 方法 内建对因子合成算法 -------------------------------- .. py:function:: MF_Weight(input, stks, weights, query, ref_stk[, ic_n=5, spearman=True, mode=0, save_all_factors=False]) 按指定权重合成因子 = ind1 * weight1 + ind2 * weight2 + ... + indn * weightn，支持多种输入类型 :param input: 因子输入，可以是FactorSet对象或Indicator序列 :param sequense(stock) stks: 计算证券列表 :param sequense(float) weights: 权重列表(需和因子数量等长) :param Query query: 日期范围 :param Stock ref_stk: 参考证券用于日期对齐 (未指定时，默认为 sh000001) :param int ic_n: 默认 IC 对应的 N 日收益率 :param bool spearman: 默认使用 spearman 计算相关系数，否则为 pearson :param int mode: 获取截面数据时排序模式: 0-降序, 1-升序, 2-不排序 :param bool save_all_factors: 是否保存所有因子值,影响 get_actor/get_all_factors 方法 :rtype: MultiFactorBase .. code-block:: python # 使用Indicator列表 indicators = [MA(CLOSE(), 5), MA(CLOSE(), 10)] weights = [0.6, 0.4] mf1 = MF_Weight(indicators, stocks, weights, query) # 使用FactorSet factor_set = FactorSet(indicators) mf2 = MF_Weight(factor_set, stocks, weights, query) .. py:function:: MF_EqualWeight(input, stks, query, ref_stk[, ic_n=5]) 等权重合成因子，支持多种输入类型 :param input: 因子输入，可以是FactorSet对象或Indicator序列 :param sequense(stock) stks: 计算证券列表 :param Query query: 日期范围 :param Stock ref_stk: 参考证券用于日期对齐 (未指定时，默认为 sh000001) :param int ic_n: 默认 IC 对应的 N 日收益率 :param bool spearman: 默认使用 spearman 计算相关系数，否则为 pearson :param int mode: 获取截面数据时排序模式: 0-降序, 1-升序, 2-不排序 :param bool save_all_factors: 是否保存所有因子值,影响 get_actor/get_all_factors 方法 :rtype: MultiFactorBase .. code-block:: python # 使用Indicator列表 indicators = [MA(CLOSE(), 5), MA(CLOSE(), 10)] mf1 = MF_EqualWeight(indicators, stocks, query) # 使用FactorSet factor_set = FactorSet(indicators) mf2 = MF_EqualWeight(factor_set, stocks, query) .. py:function:: MF_ICWeight(input, stks, query, ref_stk[, ic_n=5, ic_rolling_n=120]) 滚动IC权重合成因子，支持多种输入类型 :param input: 因子输入，可以是FactorSet对象或Indicator序列 :param sequense(stock) stks: 计算证券列表 :param Query query: 日期范围 :param Stock ref_stk: 用于日期对齐的参考证券 (未指定时，默认为 sh000001) :param int ic_n: 默认 IC 对应的 N 日收益率 :param int ic_rolling_n: IC 滚动周期 :param bool spearman: 默认使用 spearman 计算相关系数，否则为 pearson :param int mode: 获取截面数据时排序模式: 0-降序, 1-升序, 2-不排序 :param bool save_all_factors: 是否保存所有因子值,影响 get_actor/get_all_factors 方法 :rtype: MultiFactorBase .. code-block:: python # 使用Indicator列表 indicators = [MA(CLOSE(), 5), MA(CLOSE(), 10)] mf1 = MF_ICWeight(indicators, stocks, query) # 使用FactorSet factor_set = FactorSet(indicators) mf2 = MF_ICWeight(factor_set, stocks, query) .. py:function:: MF_ICIRWeight(input, stks, query, ref_stk[, ic_n=5, ic_rolling_n=120]) 滚动ICIR权重合成因子，支持多种输入类型 :param input: 因子输入，可以是FactorSet对象或Indicator序列 :param sequense(stock) stks: 计算证券列表 :param Query query: 日期范围 :param Stock ref_stk: 用于日期对齐的参考证券 (未指定时，默认为 sh000001) :param int ic_n: 默认 IC 对应的 N 日收益率 :param int ic_rolling_n: IC 滚动周期 :param bool spearman: 默认使用 spearman 计算相关系数，否则为 pearson :param int mode: 获取截面数据时排序模式: 0-降序, 1-升序, 2-不排序 :param bool save_all_factors: 是否保存所有因子值,影响 get_actor/get_all_factors 方法 :rtype: MultiFactorBase .. code-block:: python # 使用Indicator列表 indicators = [MA(CLOSE(), 5), MA(CLOSE(), 10)] mf1 = MF_ICIRWeight(indicators, stocks, query) # 使用FactorSet factor_set = FactorSet(indicators) mf2 = MF_ICIRWeight(factor_set, stocks, query) 自定义多因子合成算法基类 -------------------------------------- 自定义多因子合成算法接口： * :py:meth:`MultiFactorBase._calculate` - 【必须】计算合成因子 多因子合成算法基类 --------------------------------------- .. py:class:: MultiFactorBase 多因子合成基类 .. py:attribute:: name 名称 .. py:attribute:: query 查询条件 .. py:method:: __init__(self) 初始化构造函数 :param str name: 名称 .. py:method:: get_param(self, name) 获取指定的参数 :param str name: 参数名称 :return: 参数值 :raises out_of_range: 无此参数 .. py:method:: set_param(self, name, value) 设置参数 :param str name: 参数名称 :param value: 参数值 :type value: int | bool | float | string :raises logic_error: Unsupported type! 不支持的参数类型 .. py:method:: clone(self) 克隆操作 .. py:method:: get_ref_stock(self) 获取参考证券 .. py:method:: set_ref_stock(self, ref_stk) 重新设置参考证券 :param Stock ref_stk: 新指定的参考证券 .. py:method:: get_stock_list(self) 获取创建时指定的证券列表 .. py:method:: set_stock_list(self, stks) 重新指定证券列表 :param list stks: 指定的证券列表 .. py:method:: get_stock_list_num(self) 获取创建时指定的证券列表中证券数量 .. py:method:: get_datetime_list(self) 获取参考日期列表（由参考证券通过查询条件获得） .. py:method:: get_ref_indicators(self) 获取创建时输入的原始因子列表 .. py:method:: set_ref_indicators(self, inds) 重新设置原始因子列表 :param list inds: 新的原始因子列表 .. py:method:: get_factor(self, stock) 获取指定证券合成后的新因子 :param Stock stock: 指定证券 .. py:method:: get_all_factors(self) 获取所有证券合成后的因子列表 :return: [factor1, factor2, ...] 顺序与参考证券顺序相同 .. py:method:: get_ic(self[, ndays=0]) 获取合成因子的IC, 长度与参考日期同 ndays 对于使用 IC/ICIR 加权的新因子，最好保持好 ic_n 一致， 但对于等权计算的新因子，不一定非要使用 ic_n 计算。 所以，ndays 增加了一个特殊值 0, 表示直接使用 ic_n 参数计算 IC :param int ndays: ic 的 ndays 日收益率 :rtype: Indicator .. py:method:: get_icir(self, ir_n[, ic_n=0]) 获取合成因子的 ICIR :param int ir_n: 计算 IR 的 n 窗口 :param int ic_n: 计算 IC 的 n 窗口 (同 get_ic 中的 ndays) .. py:method:: get_score(self, date[, start=0, end=Null]) 获取指定日期截面的所有因子值，已经降序排列，相当于各证券日期截面评分。 :param Datetime date: 指定日期 :param int start: 取当日排名开始 :param int end: 取当日排名结束(不包含本身) :param function func: (ScoreRecord)->bool 或 (Datetime, ScoreRecord)->bool 为原型的可调用对象 :rtype: ScoreRecordList .. py:method:: get_all_scores(self) 获取所有日期的所有评分，长度与参考日期相同 :return: ScoreRecordList .. py:method:: get_all_src_factors(self) 获取所有原始因子列表(如果指定了标准化、行业中性化, 返回为已处理的因子列表) :rtype: list :return: list IndicatorList stks x inds .. py:method:: set_normalize(self, norm) 设置标准化或归一化方法（影响全部因子） :param NormalizeBase norm: 标准化或归一化方法实例 .. py:method:: add_special_normalize(self, name[, norm=None, category="", style_inds=[]]) 对指定名称的指标应用特定的标准化/归一化、行业中性化、风格因子中性化操作。标准化操作、行业中性化、风格因子中性化彼此无关，可同时指定也可分开指定。 :param str name: 特殊归一化方法名称 :param Normalize norm: 特殊归一化方法 :param str category: 行业中性化时，指定板块类别 :param list[Indicator] style_inds: 用于中性化的风格指标列表 .. py:method:: _calculate(self, stks_inds) 计算每日证券合成因子，输入参数由上层函数计算后传入，如： 待计算的证券列表 - stk1, stk2 原始因子列表 - ind1, ind2 则传入的 stks_inds 为：[IndicatorList(stk1)[ind1, ind2], IndicatorList(stk2)[ind1, ind2]] :param list stks_inds: 与证券列表顺序相同已经计算好的所有证券的原始因子列表 :return: 按证券列表顺序存放的所有新的因子