use-gplearn-to-generate-CTA-factor

本项目使用gplearn模型进行因子生成，具体由以下两个文档构成

• timing_factor.py 通过收益与回撤的比值生成时序因子
• stock_selection_factor.py 通过5日IC生成选股因子

本文档将说明各文件作用，如何使用本项目以及成果展示。如果希望进一步了解遗传算法的理论内容，可以参考遗传算法实证思路梳理.pdf

关于如何回测，新增了factor_test.py，可以快速进行多因子回测。对于主流回测框架的梳理，我目前发布在https://wjsbjl.github.io/simple-backtest/，欢迎交流讨论

主要文档说明

• gplearn
  • functions.py 加了自己的函数
  • 其他py文件改了一些细节，使得可以输入ndarray
• toolkit
  • backtest.py 向量化回测框架
  • DataProcess.py 数据处理
  • setupGPlearn.py 设定gplearn
  • IC.py 计算IC
  • my_plot.py 画图的类
  • factor_test.py 向量化执行多因子回测,可以结合demo放到stock_selection_factor.py里
• 遗传算法实证思路梳理.pdf 梳理遗传算法实证思路和本项目基本设定
• timing_factor.py 生成时序因子。这里通过收益/回撤的比值来刻画因子好坏，没考虑手续费，生成的因子结果还不错
• stock_selection_factor.py 生成截面因子。这里通过fadj_close计算收益，可以换成vwap

使用方法

下载本文档 (Unix)

cd /path/to/your/directory
git clone [email protected]:wjsbjl/use-gplearn-to-generate-CTA-factor.git
cd ./use-gplearn-to-generate-CTA-factor

生成时序因子

python timing_factor.py

生成截面因子

python stock_selection_factor.py

模型效果展示

生成的截面因子形式如下（这里可能因为输入的数据已经是处理后的因子）

IC如下(5日IC -5.76%，10日IC -7.69%)

生成的时序因子形式如下

测试集内,回测效果如下