jqfactor_analyzer

安装

升级

具体使用方法

归因分析使用示例

风格模型的基本概念

使用上述已提供的数据进行归因分析 :

以指数作为基准的归因分析

累积收益的处理

导入模块并登陆 jqdatasdk

import jqdatasdk
import jqfactor_analyzer as ja
# 获取 jqdatasdk 授权,输入用户名、密码,申请地址:https://www.joinquant.com/default/index/sdk
# 聚宽官网,使用方法参见:https://www.joinquant.com/help/api/doc?name=JQDatadoc
jqdatasdk.auth("账号", "密码")

处理权重信息

import os
import pandas as pd
weight_path = os.path.join(os.path.dirname(ja.__file__), 'sample_data', 'weight_info.csv')
weight_infos = pd.read_csv(weight_path, index_col=0)
daily_return = weight_infos.pop("return")

weight_infos.head(5)

dataframe tbody tr th {
 vertical-align: top;
}
.dataframe thead th {
 text-align: right;
}

5 rows ×ばつ 818 columns

weight_infos.sum(axis=1).head(5)

2020年01月02日 0.752196
2020年01月03日 0.750206
2020年01月06日 0.752375
2020年01月07日 0.752054
2020年01月08日 0.748039
dtype: float64

进行归因分析

An = ja.AttributionAnalysis(weight_infos, daily_return, style_type='style', industry='sw_l1', use_cn=True, show_data_progress=True)

check/save factor cache : 100%|██████████| 54/54 [00:02<00:00, 25.75it/s]
calc_style_exposure : 100%|██████████| 1087/1087 [00:27<00:00, 39.52it/s]
calc_industry_exposure : 100%|██████████| 1087/1087 [00:19<00:00, 56.53it/s]

An.exposure_portfolio.head(5) #查看暴露

.dataframe tbody tr th {
 vertical-align: top;
}
.dataframe thead th {
 text-align: right;
}

5 rows ×ばつ 43 columns

An.attr_daily_returns.head(5) #查看日度收益拆解

.dataframe tbody tr th {
 vertical-align: top;
}
.dataframe thead th {
 text-align: right;
}

5 rows ×ばつ 46 columns

An.attr_returns.head(5) #查看累积收益

.dataframe tbody tr th {
 vertical-align: top;
}
.dataframe thead th {
 text-align: right;
}

5 rows ×ばつ 46 columns

An.get_attr_returns2bench('000905.XSHG').head(5) #查看相对指数的累积收益

.dataframe tbody tr th {
 vertical-align: top;
}
.dataframe thead th {
 text-align: right;
}

5 rows ×ばつ 46 columns

An.plot_exposure(factors='style',index_symbol=None,figsize=(15,7))

An.plot_returns(factors='style',index_symbol=None,figsize=(15,7))

An.plot_exposure_and_returns(factors='style',index_symbol=None,show_factor_perf=False,figsize=(12,6))

因子数据本地缓存使用示例

设置缓存目录

from jqfactor_analyzer.factor_cache import set_cache_dir,get_cache_dir
# my_path = 'E:\\jqfactor_cache'
# set_cache_dir(my_path) #设置缓存目录为my_path
print(get_cache_dir()) #输出缓存目录

C:\Users\wq\jqfactor_datacache\bundle

缓存/检查缓存和读取已缓存数据

from jqfactor_analyzer.factor_cache import save_factor_values_by_group,get_factor_values_by_cache,get_factor_folder,get_cache_dir
# import jqdatasdk as jq
# jq.auth("账号",'密码') #登陆jqdatasdk来从服务端缓存数据
all_factors = jqdatasdk.get_all_factors()
factor_names = all_factors[all_factors.category=='growth'].factor.tolist() #将聚宽因子库中的成长类因子作为一组因子
group_name = 'growth_factors' #因子组名定义为'growth_factors'
start_date = '2021-01-01'
end_date = '2021-06-01'
# 检查/缓存因子数据
factor_path = save_factor_values_by_group(start_date,end_date,factor_names=factor_names,group_name=group_name,overwrite=False,show_progress=True)
# factor_path = os.path.join(get_cache_dir(), get_factor_folder(factor_names,group_name=group_name) #等同于save_factor_values_by_group返回的路径

check/save factor cache : 100%|██████████| 6/6 [00:01<00:00, 5.87it/s]

# 循环获取缓存的因子数据,并拼接
trade_days = jqdatasdk.get_trade_days(start_date,end_date)
factor_values = {}
for date in trade_days:
 factor_values[date] = get_factor_values_by_cache(date,codes=None,factor_names=factor_names,group_name=group_name, factor_path=factor_path)#这里实际只需要指定group_name,factor_names参数的其中一个,缓存时指定了group_name时,factor_names不生效
factor_values = pd.concat(factor_values)
factor_values.head(5)

单因子分析使用示例

示例:5日平均换手率因子分析

# 载入函数库
import pandas as pd
import jqfactor_analyzer as ja
# 获取5日平均换手率因子2018年01月01日到2018年12月31日之间的数据(示例用从库中直接调取)
# 聚宽因子库数据获取方法在下方
from jqfactor_analyzer.sample import VOL5
factor_data = VOL5
# 对因子进行分析
far = ja.analyze_factor(
 factor_data, # factor_data 为因子值的 pandas.DataFrame
 quantiles=10,
 periods=(1, 10),
 industry='jq_l1',
 weight_method='avg',
 max_loss=0.1
)
# 获取整理后的因子的IC值
far.ic

check/save price cache : 100%|██████████| 13/13 [00:00<00:00, 25.60it/s]
load price info : 100%|██████████| 253/253 [00:06<00:00, 38.09it/s]
load industry info : 100%|██████████| 243/243 [00:00<00:00, 331.46it/s]

.dataframe tbody tr th {
 vertical-align: top;
}
.dataframe thead th {
 text-align: right;
}

243 rows ×ばつ 2 columns

# 生成统计图表
far.create_full_tear_sheet(
 demeaned=False, group_adjust=False, by_group=False,
 turnover_periods=None, avgretplot=(5, 15), std_bar=False
)

分位数统计

<Figure size 640x480 with 0 Axes>

<Figure size 640x480 with 0 Axes>

<Figure size 640x480 with 0 Axes>

<Figure size 640x480 with 0 Axes>

获取聚宽因子库数据的方法

# 获取因子数据:以5日平均换手率为例,该数据可以直接用于因子分析
# 具体使用方法可以参照jqdatasdk的API文档
import jqdatasdk
jqdatasdk.auth('username', 'password')
# 获取聚宽因子库中的VOL5数据
factor_data=jqdatasdk.get_factor_values(
 securities=jqdatasdk.get_index_stocks('000300.XSHG'),
 factors=['VOL5'],
 start_date='2018-01-01',
 end_date='2018-12-31')['VOL5']

将自有因子值转换成 DataFrame 格式的数据

import pandas as pd
sample_data = pd.DataFrame(
 [[0.84, 0.43, 2.33, 0.86, 0.96],
 [1.06, 0.51, 2.60, 0.90, 1.09],
 [1.12, 0.54, 2.68, 0.94, 1.12],
 [1.07, 0.64, 2.65, 1.33, 1.15],
 [1.21, 0.73, 2.97, 1.65, 1.19]],
 index=['2018-01-02', '2018-01-03', '2018-01-04', '2018-01-05', '2018-01-08'],
 columns=['000001.XSHE', '000002.XSHE', '000063.XSHE', '000069.XSHE', '000100.XSHE']
)
print(sample_data)
factor_data = sample_data.copy()
# 将 index 转换为 DatetimeIndex
factor_data.index = pd.to_datetime(factor_data.index)
# 将 DataFrame 按照日期顺序排列
factor_data = factor_data.sort_index()
# 检查 columns 是否满足聚宽股票代码格式
if not sample_data.columns.astype(str).str.match('\d{6}\.XSH[EG]').all():
 print("有不满足聚宽股票代码格式的股票")
 print(sample_data.columns[~sample_data.columns.astype(str).str.match('\d{6}\.XSH[EG]')])
print(factor_data)

sample_data = \
{'2018-01-02': pd.Seris([0.84, 0.43, 2.33, 0.86, 0.96],
 index=['000001.XSHE', '000002.XSHE', '000063.XSHE', '000069.XSHE', '000100.XSHE']),
 '2018-01-03': pd.Seris([1.06, 0.51, 2.60, 0.90, 1.09],
 index=['000001.XSHE', '000002.XSHE', '000063.XSHE', '000069.XSHE', '000100.XSHE']),
 '2018-01-04': pd.Seris([1.12, 0.54, 2.68, 0.94, 1.12],
 index=['000001.XSHE', '000002.XSHE', '000063.XSHE', '000069.XSHE', '000100.XSHE']),
 '2018-01-05': pd.Seris([1.07, 0.64, 2.65, 1.33, 1.15],
 index=['000001.XSHE', '000002.XSHE', '000063.XSHE', '000069.XSHE', '000100.XSHE']),
 '2018-01-08': pd.Seris([1.21, 0.73, 2.97, 1.65, 1.19],
 index=['000001.XSHE', '000002.XSHE', '000063.XSHE', '000069.XSHE', '000100.XSHE'])}
import pandas as pd
# 直接调用 pd.DataFrame 将 dict 转换为 DataFrame
factor_data = pd.DataFrame(data).T
print(factor_data)
# 之后请按照 DataFrae 的方法转换成满足格式要求数据格式