量化选股过程.7z

‘‘‘-------------------------------------------------------------------------------
策略思路：
         （1）回测标的：沪深300与中证800
         （2）回测时间段：2016年1月1日至2017年12月31日
         （3）数据清洗：
                1、为了使测试结果更符合投资逻辑，我们设定了三条样本筛选规则：
                 （1） 剔除涨停跌停股票；
                （2） 剔除上市不满一年的股票；
                （3） 剔除选股日由于停牌等原因而无法买入的股票。
                2、数据清洗
                我们本次采用研究中最常用的’中位数去极值法‘去除极值
                超出区间的定义为异常值。对于异常值，取n=3，把数值改为边界值。
                3、因子标准化
                我们采用研究中常用的正态标准化处理因子数据。
         （4）回测思路
                 （1）每个月把当月的因子平均值求出，然后对各个股票排序，把股票分成10档。一个月后
                 重新分档，各个股票等权看待。根据每天的数据，计算其夏普比率，最后总和所有数据计算
                 年化夏普比率。
#                 （2）每个月末以最好的一档为资产组合，跟踪市场表现，跟踪各档表现。
#                 （3）以沪深300指数为资产组合的基准指数
         （5）选股设置：
                该回测策略需要长期持有
        （6）目标逻辑：
                基础资金为100W，计算各个因子的各个股票档与资产组合的收益率、IC、IR、分档组合单调性，
                最后对该因子做t检验并且计算其年化夏普比率。
-------------------------------------------------------------------------------
‘‘‘
  
from atrader.calcfactor import *
import numpy as np
import pandas as pd
import time
import datetime as dt
import xarray as xr
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from scipy import stats
import random
from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import learning_curve

if __name__==‘__main__‘:
    time_i = 0
    print（“执行开始“.center（20“-“））
    start = time.perf_counter（）
    time_start=time.time（）
    Begin_date = ‘2016-01-02‘
    #degin_date为训练数据的开始时间
    Begin_date = ‘2016-01-02‘
    del_date = ‘2015-01-01‘
    End_date = ‘2017-01-01‘
    #获取训练数据
    stock_code_list = list_get（Begin_dateEnd_date）
    #获取kdata
    stock_score_data = data_get（stock_code_listBegin_dateEnd_date）
    choose_factor = [‘BIAS20‘‘CDLPIERCING‘‘FY12P‘‘EPIBS‘‘MTM10‘]#20天乖离率 分析师盈利分析 投资回报率预测 动量指标
    #数据清洗
    #剔除涨停涨跌与上市不满一年的股票
    stock_info = get_stock_info（stock_code_list）
    stock_info_data = stock_info[‘de_listed_date‘]
    #进行删除
    stock_score_data = del_data（stock_infostock_info_datadel_datestock_score_data）
    test_mouth = 1
    begin_date = dt.datetime.strptime（Begin_date ‘%Y-%m-%d‘）
    profit_week = 1
    all_test_time = 10
    all_x = np.array（[]）
    all_y = np.array（[]）
    scale = all_test_time
    for test_time in range（all_test_time）:
        #进度条
        a = ‘*‘*（time_i）*3
        b = ‘.‘ * （（scale -time_i））*3
        c = （time_i/scale）
        d = time.perf_counter（） - start + 0.5
        time_i+=1
       # print （“{:^3.0f}%[{}->{}]“.format（cab））
        print （“\r{:^3.0f}%[{}->{}]{:.2f}s“.format（cabd）end=“ “）
        
        #x need
        stock_fit_need_num =stock_score_data.iloc[np.where（ （begin_date+dt.timedelta（days=profit_week*7*test_time）） < stock_score_data.time）[0]]
        stock_fit_need_num =stock_fit_need_num.iloc[np.where（ stock_fit_need_num.time<（begin_da