代码拉取完成,页面将自动刷新
同步操作将从 笨人贱/abu 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
# -*- encoding:utf-8 -*-
from __future__ import print_function
import seaborn as sns
import warnings
import numpy as np
# noinspection PyUnresolvedReferences
import abu_local_env
from abupy import tl
from abupy import abu
import abupy
warnings.filterwarnings('ignore')
sns.set_context(rc={'figure.figsize': (14, 7)})
"""
量化相关性分析
abu量化系统github地址:https://github.com/bbfamily/abu (您的star是我的动力!)
abu量化文档教程ipython notebook:https://github.com/bbfamily/abu/tree/master/abupy_lecture
本节建议对照阅读abu量化文档:第14节 量化相关性分析应用
"""
def sample_b0():
"""
相关分析默认强制使用local数据,所以本地无缓存,请先进行数据更新
如果没有运行过abu量化文档-第十九节 数据源:中使用腾讯数据源进行数据更新,需要运行
如果运行过就不要重复运行了:
"""
from abupy import EMarketTargetType, EMarketSourceType, EDataCacheType
# 关闭沙盒数据环境
abupy.env.disable_example_env_ipython()
abupy.env.g_market_source = EMarketSourceType.E_MARKET_SOURCE_tx
abupy.env.g_data_cache_type = EDataCacheType.E_DATA_CACHE_CSV
# 首选这里预下载市场中所有股票的6年数据(做5年回测,需要预先下载6年数据)
abu.run_kl_update(start='2011-08-08', end='2017-08-08', market=EMarketTargetType.E_MARKET_TARGET_US)
def sample_b1():
"""
B1 皮尔逊相关系数
:return:
"""
arr1 = np.random.rand(10000)
arr2 = np.random.rand(10000)
corr = np.cov(arr1, arr2) / np.std(arr1) * np.std(arr2)
print('corr:\n', corr)
print('corr[0, 1]:', corr[0, 1])
print('np.corrcoef(arr1, arr2)[0, 1]:', np.corrcoef(arr1, arr2)[0, 1])
# noinspection PyTypeChecker
def sample_b2():
"""
B2 斯皮尔曼秩相关系数
:return:
"""
arr1 = np.random.rand(10000)
arr2 = arr1 + np.random.normal(0, .2, 10000)
print('np.corrcoef(arr1, arr2)[0, 1]:', np.corrcoef(arr1, arr2)[0, 1])
import scipy.stats as stats
demo_list = [1, 2, 10, 100, 2, 1000]
print('原始序列: ', demo_list)
print('序列的秩: ', list(stats.rankdata(demo_list)))
# 实现斯皮尔曼秩相关系数
def spearmanr(a, b=None, axis=0):
a, outaxis = _chk_asarray(a, axis)
ar = np.apply_along_axis(stats.rankdata, outaxis, a)
br = None
if b is not None:
b, axisout = _chk_asarray(b, axis)
br = np.apply_along_axis(stats.rankdata, axisout, b)
return np.corrcoef(ar, br, rowvar=outaxis)
def _chk_asarray(a, axis):
if axis is None:
a = np.ravel(a)
outaxis = 0
else:
a = np.asarray(a)
outaxis = axis
if a.ndim == 0:
a = np.atleast_1d(a)
return a, outaxis
print('spearmanr(arr1, arr2)[0, 1]:', spearmanr(arr1, arr2)[0, 1])
"""
scipy.stats中直接封装斯皮尔曼秩相关系数函数stats.spearmanr()函数
注意下面的方法速度没有上述自己实现计算spearmanr相关系数的方法快,因为附加计算了pvalue
"""
print('stats.spearmanr(arr1, arr2):', stats.spearmanr(arr1, arr2))
"""
B3 相关性使用示例
"""
"""
【示例1】使用abu量化系统中的ABuSimilar.find_similar_with_xxx()函数找到与目标股票相关程度最高的股票可视化
"""
def sample_b3_1():
"""
【示例1】使用abu量化系统中的ABuSimilar.find_similar_with_xxx()函数找到与目标股票相关程度最高的股票可视化
:return:
"""
# find_similar_with_cnt可视化与tsla相关top10,以及tsla相关性dict:cmp_cnt=252(252天),加权相关,E_CORE_TYPE_PEARS(皮尔逊)
from abupy import find_similar_with_cnt, ECoreCorrType
_ = find_similar_with_cnt('usTSLA', cmp_cnt=252, show_cnt=10, rolling=True, show=True,
corr_type=ECoreCorrType.E_CORE_TYPE_PEARS)
# find_similar_with_se可视化与tsla相关top10,以及tsla相关性dict:从'2012-01-01'直到'2017-01-01'5年数据,非加权相关,皮尔逊
from abupy import find_similar_with_se
_ = find_similar_with_se('usTSLA', start='2012-01-01', end='2017-01-01', show_cnt=10, rolling=False,
show=True, corr_type=ECoreCorrType.E_CORE_TYPE_PEARS)
# find_similar_with_folds可视化与tsla相关top10,以及tsla相关性dict:n_folds=3(3年数据),
# 非加权相关,E_CORE_TYPE_SPERM斯皮尔曼
from abupy import find_similar_with_folds
_ = find_similar_with_folds('usTSLA', n_folds=3, show_cnt=10, rolling=False, show=True,
corr_type=ECoreCorrType.E_CORE_TYPE_SPERM)
"""
【示例2】使用abu量化系统中的ABuTLSimilar.calc_similar()函数计算两支股票相对整个市场的相关性评级rank
"""
def sample_b3_2():
"""
【示例2】使用abu量化系统中的ABuTLSimilar.calc_similar()函数计算两支股票相对整个市场的相关性评级rank
:return:
"""
# 以整个市场作为观察者,usTSLA与usNOAH的相关性
rank_score, sum_rank = tl.similar.calc_similar('usNOAH', 'usTSLA')
print('rank_score', rank_score)
from abupy import find_similar_with_cnt
net_cg_ret = find_similar_with_cnt('usTSLA', cmp_cnt=252, show=False)
# 以usTSLA作为观察者,它与usNOAH的相关性数值
for ncr in net_cg_ret:
if ncr[0] == 'usNOAH':
print(ncr[1])
break
"""
以整个市场作为观察者,与usTSLA相关性TOP 10可视化
直接将calc_similar返回的sum_rank传入calc_similar_top直接用,不用再计算了
"""
tl.similar.calc_similar_top('usTSLA', sum_rank)
"""
【示例3】相关与协整组成的一个简单量化选股策略, 使用封装好的函数coint_similar()
"""
def sample_b3_3():
"""
【示例3】相关与协整组成的一个简单量化选股策略, 使用封装好的函数coint_similar()
:return:
"""
tl.similar.coint_similar('usTSLA')
"""
【示例4】abu量化系统选股结合相关性,编写相关性选股策略
"""
def sample_b3_4():
"""
【示例4】abu量化系统选股结合相关性,编写相关性选股策略
AbuPickSimilarNTop源代码请自行阅读,只简单示例使用。
:return:
"""
from abupy import AbuPickSimilarNTop
from abupy import AbuPickStockWorker
from abupy import AbuBenchmark, AbuCapital, AbuKLManager
benchmark = AbuBenchmark()
# 选股因子AbuPickSimilarNTop, 寻找与usTSLA相关性不低于0.95的股票
# 这里内部使用以整个市场作为观察者方式计算,即取值范围0-1
stock_pickers = [{'class': AbuPickSimilarNTop,
'similar_stock': 'usTSLA', 'threshold_similar_min': 0.95}]
# 从这几个股票里进行选股,只是为了演示方便,一般的选股都会是数量比较多的情况比如全市场股票
choice_symbols = ['usNOAH', 'usSFUN', 'usBIDU', 'usAAPL', 'usGOOG', 'usTSLA', 'usWUBA', 'usVIPS']
capital = AbuCapital(1000000, benchmark)
kl_pd_manager = AbuKLManager(benchmark, capital)
stock_pick = AbuPickStockWorker(capital, benchmark, kl_pd_manager, choice_symbols=choice_symbols,
stock_pickers=stock_pickers)
stock_pick.fit()
print('stock_pick.choice_symbols:\n', stock_pick.choice_symbols)
"""
通过选股因子first_choice属性执行批量优先选股操作,具体阅读源代码
"""
# 选股因子AbuPickSimilarNTop, 寻找与usTSLA相关性不低于0.95的股票
# 通过设置'first_choice':True,进行优先批量操作,默认从对应市场选股
stock_pickers = [{'class': AbuPickSimilarNTop, 'first_choice': True,
'similar_stock': 'usTSLA', 'threshold_similar_min': 0.95}]
benchmark = AbuBenchmark()
capital = AbuCapital(1000000, benchmark)
kl_pd_manager = AbuKLManager(benchmark, capital)
stock_pick = AbuPickStockWorker(capital, benchmark, kl_pd_manager, choice_symbols=None,
stock_pickers=stock_pickers)
stock_pick.fit()
print('stock_pick.choice_symbols:\n', stock_pick.choice_symbols)
if __name__ == "__main__":
# sample_b0()
sample_b1()
# sample_b2()
# sample_b3_1()
# sample_b3_2()
# sample_b3_3()
# sample_b3_4()
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。