V0.9.58 更新一批代码

.github/workflows/pythonpackage.yml

@@ -5,7 +5,7 @@ name: Python package
 
 on:
   push:
-    branches: [ master, V0.9.57 ]
+    branches: [ master, V0.9.58 ]
   pull_request:
     branches: [ master ]
 

README.md

@@ -29,6 +29,11 @@
 
 >为什么要去了解其他理论，就是这些理论操作者的行为模式，将构成以后我们猎杀的对象，他们操作模式的缺陷，就是以后猎杀他们的最好武器，这就如同学独孤九剑，必须学会发现所有派别招数的缺陷，这也是本ID理论学习中一个极为关键的步骤。
 
+>真正的预测，就是不测而测。所有预测的基础，就是分类，把所有可能的情况进行完全分类。有人可能说，分类以后，把不可能的排除，最后一个结果就是精确的。
+>这是脑子锈了的想法，任何的排除，等价于一次预测，每排除一个分类，按概率的乘法原则，就使得最后的所谓精确变得越不精确，最后还是逃不掉概率的套子。
+>对于预测分类的唯一正确原则就是不进行任何排除，而是要严格分清每种情况的边界条件。任何的分类，其实都等价于一个分段函数，就是要把这分段函数的边界条件确定清楚。 
+>边界条件分段后，就要确定一旦发生哪种情况就如何操作，也就是把操作也同样给分段化了。然后，把所有情况交给市场本身，让市场自己去当下选择。
+>所有的操作，其实都是根据不同分段边界的一个结果，只是每个人的分段边界不同而已。因此，问题不是去预测什么，而是确定分段边界。
 
 ## 知识星球
 

czsc/__init__.py

@@ -202,13 +202,15 @@
 from czsc.eda import (
     remove_beta_effects, vwap, twap,
     cross_sectional_strategy,
+    judge_factor_direction,
+    monotonicity,
 )
 
 
-__version__ = "0.9.57"
+__version__ = "0.9.58"
 __author__ = "zengbin93"
 __email__ = "[email protected]"
-__date__ = "20240726"
+__date__ = "20240808"
 
 
 def welcome():

czsc/connectors/qmt_connector.py

@@ -138,7 +138,7 @@ def start_qmt_exe(acc, pwd, qmt_exe, title, max_retry=6, **kwargs):
 
     wait_seconds = kwargs.get("wait_seconds", 6)
     i = 0
-    while not find_exe_window(acc):
+    while not find_exe_window(title):
         if i > max_retry:
             logger.warning(f"QMT连续{i}次尝试依旧无法启动，请人工检查!")
             break

czsc/eda.py

@@ -39,15 +39,17 @@ def remove_beta_effects(df, **kwargs):
         - factor: str, 因子列名
         - betas: list, beta 列名列表
         - linear_model: str, 线性模型，可选 ridge、linear 或 lasso
+        - linear_model_params: dict, 线性模型参数, 默认为空, 需要传入字典，根据模型不同参数不同
 
     :return: DataFrame
     """
 
     linear_model = kwargs.get("linear_model", "ridge")
+    linear_model_params = kwargs.get("linear_model_params", {})
     linear = {
-        "ridge": Ridge(),
-        "linear": LinearRegression(),
-        "lasso": Lasso(),
+        "ridge": Ridge,
+        "linear": LinearRegression,
+        "lasso": Lasso,
     }
     assert linear_model in linear.keys(), "linear_model 参数必须为 ridge、linear 或 lasso"
     Model = linear[linear_model]
@@ -71,7 +73,7 @@ def remove_beta_effects(df, **kwargs):
 
         x = dfg[betas].values
         y = dfg[factor].values
-        model = Model().fit(x, y)
+        model = Model(**linear_model_params).fit(x, y)
         dfg[factor] = y - model.predict(x)
         rows.append(dfg)
 
@@ -113,7 +115,47 @@ def cross_sectional_strategy(df, factor, **kwargs):
 
         dfa = dfg.sort_values(factor, ascending=False).head(long_num)
         dfb = dfg.sort_values(factor, ascending=True).head(short_num)
-        df.loc[dfa.index, "weight"] = 1 / long_num
-        df.loc[dfb.index, "weight"] = -1 / short_num
+        if long_num > 0:
+            df.loc[dfa.index, "weight"] = 1 / long_num
+        if short_num > 0:
+            df.loc[dfb.index, "weight"] = -1 / short_num
 
     return df
+
+
+def judge_factor_direction(df: pd.DataFrame, factor, target='n1b', by='symbol', **kwargs):
+    """判断因子的方向，正向还是反向
+
+    :param df: pd.DataFrame, 数据源，必须包含 symbol, dt, target, factor 列
+    :param factor: str, 因子名称
+    :param target: str, 目标名称，默认为 n1b，表示下一根K线的涨跌幅
+    :param by: str, 分组字段，默认为 symbol，表示按品种分组（时序）；也可以按 dt 分组，表示按时间分组（截面）
+    :param kwargs: dict, 其他参数
+        - method: str, 相关系数计算方法，默认为 pearson，可选 pearson, kendall, spearman
+    :return: str, positive or negative
+    """
+    assert by in df.columns, f"数据中不存在 {by} 字段"
+    assert factor in df.columns, f"数据中不存在 {factor} 字段"
+    assert target in df.columns, f"数据中不存在 {target} 字段"
+
+    if by == "dt" and df['symbol'].nunique() < 2:
+        raise ValueError("品种数量过少，无法在时间截面上计算因子有效性方向")
+
+    if by == "symbol" and df['dt'].nunique() < 2:
+        raise ValueError("时间序列数据量过少，无法在品种上计算因子有效性方向")
+
+    method = kwargs.get("method", "pearson")
+    dfc = df.groupby(by)[[factor, target]].corr(method=method).unstack().iloc[:, 1].reset_index()
+    return "positive" if dfc[factor].mean().iloc[0] >= 0 else "negative"
+
+
+def monotonicity(sequence):
+    """计算序列的单调性
+
+    原理：计算序列与自然数序列的相关系数，系数越接近1，表示单调递增；系数越接近-1，表示单调递减；接近0表示无序
+
+    :param sequence: list, tuple 序列
+    :return: float, 单调性系数
+    """
+    from scipy.stats import spearmanr
+    return spearmanr(sequence, range(len(sequence)))[0]

czsc/fsa/__init__.py

@@ -3,7 +3,7 @@
 author: zengbin93
 email: [email protected]
 create_dt: 2022/12/16 19:37
-describe: 
+describe:
 """
 
 import requests
@@ -36,7 +36,7 @@ def push_text(text: str, key: str) -> None:
         logger.error(f"推送消息失败: {e}")
 
 
-def push_card(card: str, key: str) -> None:
+def push_card(card: dict, key: str) -> None:
     """使用自定义机器人推送卡片消息到飞书群聊
 
     如何在群组中使用机器人:
@@ -150,7 +150,7 @@ def update_spreadsheet(df: pd.DataFrame, spreadsheet_token: str, sheet_id: str,
 
     获取 sheet_id - https://open.feishu.cn/document/server-docs/docs/sheets-v3/spreadsheet-sheet/query?appId=cli_a3077015cc39500e
 
-    :param df: datafream内容
+    :param df: dataframe内容
     :param spreadsheet_token: 表格对应的token，url获取
     :param sheet_id:  工作表的id
     :param kwargs:
@@ -175,6 +175,6 @@ def update_spreadsheet(df: pd.DataFrame, spreadsheet_token: str, sheet_id: str,
         else:
             logger.error(b)
             return 0
-    except Exception:
-        logger.exception("更新飞书表格失败")
+    except Exception as e:
+        logger.exception(f"更新飞书表格失败: {e}")
         return 0

czsc/fsa/bi_table.py

@@ -725,6 +725,10 @@ def read_table(self, table_id, **kwargs):
         rows = []
         res = self.list_records(table_id, **kwargs)["data"]
         total = res["total"]
+
+        if total == 0:
+            return pd.DataFrame()
+
         rows.extend(res["items"])
         while res["has_more"]:
             res = self.list_records(table_id, page_token=res["page_token"], **kwargs)["data"]

czsc/traders/weight_backtest.py

@@ -565,7 +565,13 @@ def backtest(self, n_jobs=1):
         dfw = self.dfw.copy()
         long_rate = dfw[dfw["weight"] > 0].shape[0] / dfw.shape[0]
         short_rate = dfw[dfw["weight"] < 0].shape[0] / dfw.shape[0]
-        stats.update({"多头占比": long_rate, "空头占比": short_rate})
+        stats.update({"多头占比": round(long_rate, 4), "空头占比": round(short_rate, 4)})
+
+        alpha = self.alpha.copy()
+        stats["与基准相关性"] = round(alpha["策略"].corr(alpha["基准"]), 4)
+        alpha_short = alpha[alpha["基准"] < 0].copy()
+        stats["与基准空头相关性"] = round(alpha_short["策略"].corr(alpha_short["基准"]), 4)
+        stats["品种数量"] = len(symbols)
 
         res["绩效评价"] = stats
         return res