量化投資單因子回測神器 — Alphalens

還記得我們在前面采用的回測工具Backtrader嗎？Backtrader是一款非常靈活的回測工具，基于它你能回測任何你想要測試的idea.

但是針對單因子回測，Backtrader 開發(fā)回測代碼以及生成報告上并不算很方便，我們需要自己編寫買賣邏輯，在生成的報告上也沒有IC、IR、回撤等的數(shù)據(jù)分析，而實際上，從單因子回測的技術(shù)實現(xiàn)角度上來說，這些都是可以自動化生成的。

Alphalens就是一個專門實現(xiàn)單因子自動回測的神器，我們只要給它輸入因子值的列，還有每支股票收盤價的數(shù)據(jù)，它就能自動生成數(shù)據(jù)分析及報告，并帶有十幾張可視化的報告數(shù)據(jù)統(tǒng)計圖：

下面就帶大家入門使用一下Alphalens，如果對你有幫助的話，記得點一下贊/在看哦。

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，如果沒有，可以訪問這篇文章：超詳細(xì)Python安裝指南?進(jìn)行安裝。

(可選1)?如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda，它內(nèi)置了Python和pip.

(可選2)?此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點：Python 編程的最好搭檔—VSCode 詳細(xì)指南。

請選擇以下任一種方式輸入命令安裝依賴：
1. Windows 環(huán)境 打開 Cmd (開始-運行-CMD)。
2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install alphalens
pip install tushare
pip install pandas

正如前面所說，我們只需要把因子值和收盤價放入Alphalens中，就能自動生成回測和報告結(jié)果。

所以，我們90%的工作都會在數(shù)據(jù)處理這一部分，回測和分析都是抽象封裝好的，并不需要太多地去擔(dān)心它。

為了測試，我們導(dǎo)入tushare的數(shù)據(jù)進(jìn)行測試：

import?pandas as?pd
import?tushare as?ts
from?alphalens.utils import?get_clean_factor_and_forward_returns
from?alphalens.tears import?create_full_tear_sheet

pro = ts.pro_api()
# 此接口獲取的數(shù)據(jù)為未復(fù)權(quán)數(shù)據(jù)，回測建議使用復(fù)權(quán)數(shù)據(jù)，這里為批量獲取股票數(shù)據(jù)做了簡化
df = pro.daily(ts_code='000001.SZ,600982.SH', start_date='20200101', end_date='20211122')
df.index = pd.to_datetime(df['trade_date'])
df.index.name = None
df.sort_index(inplace=True)

這里獲取了000001.SZ,600982.SH兩只股票在2020-01-01到2021-11-22的日線數(shù)據(jù)，將交易日期設(shè)為了索引并排序。效果如下：

然后需要設(shè)置多索引的因子列 assets，第一個索引為日期，第二個索引為股票代碼：

# 多索引的因子列，第一個索引為日期，第二個索引為股票代碼
assets = df.set_index([df.index, df['ts_code']], drop=True)

效果如下，仔細(xì)觀察的話能發(fā)現(xiàn)其與導(dǎo)入的數(shù)據(jù)只有索引的不同：

然后，設(shè)置收盤價的Dataframe，這個與因子數(shù)據(jù)的格式不同，索引是時間，每一列是每只股票對應(yīng)的收盤價：

# column為股票代碼，index為日期，值為收盤價
close = df.pivot_table(index='trade_date', columns='ts_code', values='close')
close.index = pd.to_datetime(close.index)

到這一步，我們的初始化工作就完成了，下面就放到 Alphalens 進(jìn)行測試。

使用Alphalens進(jìn)行回測，是非常輕松而寫意的，只需要導(dǎo)入包，給它傳遞因子數(shù)據(jù)和收盤價數(shù)據(jù)即可：

from?alphalens.utils import?get_clean_factor_and_forward_returns
from?alphalens.tears import?create_full_tear_sheet

# 我們是使用pct_chg因子數(shù)據(jù)預(yù)測收盤價，因此需要偏移1天，但是這里有2只股票，所以是shift(2)
ret = get_clean_factor_and_forward_returns(assets[['pct_chg']].shift(2), close)
create_full_tear_sheet(ret, long_short=False)

get_clean_factor_and_forward_returns 接受的第一個參數(shù)就是因子的列，我們只需要從前面預(yù)處理好的 assets 中任取一列作為因子進(jìn)行回測即可，第二列是收盤價。

值得注意的是，因子數(shù)據(jù)在回測的時候，注意不要使用到未來數(shù)據(jù)，因為我們是用前一天的數(shù)據(jù)預(yù)測下一天的收盤價，所以要對因子列進(jìn)行移位處理，這點一定要注意。

運行程序，就能生成如下的報告：

還有一點需要提醒大家的是，開源Alphalens的Quantopian公司已經(jīng)倒閉，所以項目暫時沒人維護(hù)了，部分代碼沒有適配最新的依賴可能會有問題，比如下面的這個代碼：

原本是通過 .get_values() 獲得 input_periods, 但是 get_values 在 pandas 0.25.0 中已經(jīng)被棄用，最新的pandas版本這里需要改成 .to_numpy() 才能生效。

除了這個小缺點，Alphalens整體上是非常符合大家單因子測試的需求的。

它的分析報告可能沒有那么齊全，我們也可以考慮在Alphalens的基礎(chǔ)上增加其他的分析內(nèi)容，如果能開源出來則更好了。

考慮到后續(xù)Alphalens沒人維護(hù)，我fork了Alphalens，并增加了自己的改動，希望有余力的同學(xué)也能來一起貢獻(xiàn)代碼：
https://github.com/Ckend/alphalens

我們的文章到此就結(jié)束啦，如果你喜歡今天的Python 實戰(zhàn)教程，請持續(xù)關(guān)注Python實用寶典。

有任何問題，可以在公眾號后臺回復(fù)：加群，回答相應(yīng)紅字驗證信息，進(jìn)入互助群詢問。

原創(chuàng)不易，希望你能在下面點個贊和在看支持我繼續(xù)創(chuàng)作，謝謝！

點擊下方閱讀原文可獲得更好的閱讀體驗

Python實用寶典?(pythondict.com)
不只是一個寶典
歡迎關(guān)注公眾號：Python實用寶典