CTQuant

用户登录/注册：登录/注册

CTQuant开发平台是一款高性能本地化AI策略及传统策略快速开发平台，

提供丰富的数据及处理模块，开放的AI训练模型，开发者可以快速搭建诸如XGBoost、CNN等机器学习和深度学习的模型进行训练。 强大的因子计算公式能够快速计算相关因子，强大的数据处理模块能快速处理因子值，使其适应各个AI模型。

基础数据 依托于CTQuant_DATA基础数据，生成适用AI策略的基础数据，并提供每日的基础数据更新。

预计算因子 基于基础数据，配置一批预计算因子，提供给开发者快速构建因子表达式的基础因子数据。

因子表达式 强大的因子表达式模块，更具因子计算表达式，能够快速抽取复杂因子。

数据处理 根据一般机器学习、深度学习所需使用的数据，快速处理因子数据，包括缺失值处理、去极值、标准化。

训练模型 提供丰富的模型接口，开发者可以使用系统自带的构建好的经典模型，亦可以使用本地的模型模块进行AI训练调优。

仿真模拟环境 依托与Backtrader的回测模拟框架进行二次开发，适用于AI训练模型以后的数据预测及在线模拟，强大的数据分析功能提供给开发者进行更好的模型参数调优。

联系客服领取更多福利。

样例说明

概述

本平台使用了机器学习、深度学习的框架，当然也支持传统策略。用户可以根据自己的需求，使用本地的机器学习模型、深度学习模型来进行训练预测。本平台集成了一些基础的样例，仅供参考学习。

1.样例1（传统策略）

​x
# 1.过滤出上市天数大于60天的股票
# 2.a股过滤，只选择上证、深证、创业板，过滤st、*st、停牌的股票。
# 3.过滤条件：5日平均价穿过10日平均价
# 4.筛选5日收益排名前5的票作为持仓
# 5.股票持仓2天，即第一天开盘买，第二天收盘卖（日频）

# 引用开发包M,G
from CTQuantPlatform import M
from CTQuantPlatform.G import G
#定义参数
par = {
    # 定义所使用的因子，这里使用5日、10日的收盘价均线的相关因子
    'features': [
        # 5日收益率因子
        'factor1=return_5', 
        # 这里表达式表示 昨日的MA5<MA10,今日的MA5>MA10，满足条件则为1，否则为0，用来做筛选
        'buy_cond_1=where((shift(mean(close_0,5),1)<shift(mean(close_0,10),1))&(mean(close_0,5)>mean(close_0,10)),1,0)', 
        # 筛选条件2，选取上市天数>60天的股票
        'buy_cond_2=where(list_days_0>60,1,0)'
    ],
    # 因子计算需要向前抽取天数
    'shift_days': 30,
    # 过滤条件
    'stock_filter_cond': 'buy_cond_1==1&buy_cond_2==1',
    # 交易日期
    'trade_date_start': '20150101',
    'trade_date_end': '20151231',
}
# 因子模块
features_block = M.input_features(None, par['features'])

#交易日期模块
trade_date_block = M.trade_date(par['trade_date_start'], par['trade_date_end'])

#基础特征因子抽取
g_features_block = M.general_feature_extractor(feature_list_input=features_block.get_data(),
                                                 input_Date=trade_date_block.get_data(),
                                                 shift_days=par['shift_days'])
# 衍生特征抽取
d_features_block = M.derived_feature_extractor(input_data=g_features_block.get_data(),
                                               input_feature_list=features_block.get_data_1(),
                                               input_Date=trade_date_block.get_data(), 
                                               remove_extra_columns=True)

# 数据过滤
filter_block = M.filter(d_features_block.get_data(), par['stock_filter_cond'])

# A股过滤，选择上证、深证、创业板
astock_filter_block = M.a_stock_filter(input_data=filter_block.get_data(), board_cond=[1, 2, 3],
                                  st_cond=[0])

trade_data_result = astock_filter_block

# 交易执行代码
def test_trade_execute():
    #获取当天交易日期
    now = G.trading_day

    #这里是自定义的一个参数，用来定义买几支股票
    stock_count = G.params['stock_count']

    # 这里获取需要操作的当天的股票数据
    prediction_data = G.prediction_data[G.prediction_data['date'] == now]

    # 这里按照factor1=return_5列进行降序排列
    prediction_data = prediction_data.sort_values(by=['factor1'], ascending=False).reset_index(drop=True)

    # 然后获取前stock_count的股票进行操作
    stocks = prediction_data['instrument'].head(stock_count)

    # 可能不一定实际有stock_count支票，所以这里获取下实际的个数，用来计算资金分配
    real_stock_count = len(stocks)

    # 总资产
    total_cash = G.total_assets
    # 可用资金
    available_cash = G.available_cash

    # 这里是自定义的计算可以用来世界买的可用资金，用户可以设定自己的逻辑
    available_cash = available_cash if available_cash < total_cash / 2 else total_cash / 2

    #G.trade_engine.order_value(stock,hold_num)此方法用于买入卖出股票。
    #stock：股票代码，hold_num：股票数量，大于等于0的整数
    #若未持仓，则是买入hold_num手
    #若已持仓，则会将持仓数量变为hold_num。(hold_num>持仓，则补仓，即买入；反正即卖出；为0则是平仓)
    
    # 买入股票
    for stock_name in stocks:
        temp_cash = available_cash / real_stock_count
        G.trade_engine.order_value(stock_name, temp_cash)

    # 由于设定的第一天买，第二天卖，所以这里会卖出持有的票。具体持仓几天可以自己去定义逻辑。
    # 卖出持仓股票  G.position为当前持仓
    for _p in G.positions:
        if G.positions[_p].hold_num > 0:
            G.trade_engine.order_target(_p, 0)
# 交易模块
trade_result = M.ct_trader(
    name='test_strategy',
    # 初始资金50W，持仓5支票
    params={"cash": 500000, "stock_count": 5},
    trade_date_block=trade_date_block.get_data(),
    trade_prediction_data=trade_data_result.get_data(),
    executeFunc=test_trade_execute)

2.样例2（AI策略,CNN模型）

xxxxxxxxxx
"""
AI模型需要大量的基础数据作为训练，然后生成训练后的模型。可以根据模型训练的指标（loss）查看模型拟合的结果。再用此模型去预测一批数据检验交过。

一般的AI策略包括以下几个模块：
1.股票筛选
2.数据过滤
3.数据处理（缺失值处理、去极值、标准化、中性化等）
4.模型训练（一般训练数据量达到1W+条记录）
5.模型预测
6.策略回测/模拟
"""

# 1.过滤出上市天数大于60天的股票
# 2.a股过滤，只选择上证、深证、创业板，过滤st、*st、停牌的股票。
# 3.过滤条件：5日平均价穿过10日平均价
# 4.使用CNN模型预测的pred_label排名前5的票作为持仓
# 5.股票持仓2天，即第一天开盘买，第二天收盘卖（日频）
#引用开发包M,G
from CTQuantPlatform import M
from CTQuantPlatform.G import G

par={
    'xl_start_date': '20130101',
    'xl_end_date': '20181231',
    # 这里的因子用来过滤、检验等，不参与训练
    'filter_features': [
        'buy_cond_1=where((shift(mean(close_0,5),1)<shift(mean(close_0,10),1))&(mean(close_0,5)>mean(close_0,10)),1,0)',
        # 这里几个因子可以用来验证训练、预测的效果如何
        'y=shift(close_0,-2)/shift(open_0,-1)',
        'return_2_day=(shift(close_0, -2)-shift(open_0, -1))/shift(open_0, -1)',
        'temp_list_days=list_days_0'
    ],
    'shift_days': 130,
    'stock_filter_list_days_cond': 'list_days_0>60',
    'stock_filter_cond': 'buy_cond_1==1',
    'label_expr': 'shift(close_0,-2)/shift(open_0, -1)',
    'features': [
        # 这里用几个因子来训练
        'factor_1=return_5',
        'factor_2=rank_return_10/rank_return_30',
        'factor_3=rank(rank(close_0 / close_1) / rank(close_0 / close_10))',
        'factor_4=ta_sma(close_0,20)/close_0',
        'factor_5=rank(close_0/ts_min(low_1,5))',
        'factor_6=rank_swing_volatility_60_0',
        'factor_7=turn_0/turn_5',
        'alpha_101=((rank(decay_linear(delta((open_0+close_0+high_0+low_0)/4,4),7))+ts_rank(decay_linear(((((low_0*0.9)+(low_0*0.1))-(high_0+low_0+open_0+close_0)/4)/(open_0-((high_0+low_0)/2))),11),7))*-1)',
    ],
    'yc_start_date': '20190101',
    'yc_end_date': '20201231',
    'stock_count':5
}

# 训练因子模块
features_block = M.input_features(None, par['features'])

# 过滤因子和训练因子叠加起来，先全部抽取、计算出来
filter_features_block = M.input_features(features_block.get_data(), par['filter_features'])

# 训练日期模块
xl_date_block = M.input_date(par['xl_start_date'], par['xl_end_date'])

# 基础特征抽取
xl_g_features_block = M.general_feature_extractor(feature_list_input=filter_features_block.get_data(),
                                                 input_Date=xl_date_block.get_data(),
                                                 shift_days=par['shift_days'])
# 第一次过滤，选取上市天数>60天的股票
xl_filter_block = M.filter(xl_g_features_block.get_data(), par['stock_filter_list_days_cond'])

# A股过滤，选取上证、深证、创业板，过滤st等不正常的股票
xl_afilter_block = M.a_stock_filter(input_data=xl_filter_block.get_data(), board_cond=[1, 2, 3],
                                  st_cond=[0])

# 衍生特征抽取，计算各个因子的值
xl_d_features_block = M.derived_feature_extractor(input_data=xl_filter_block.get_data(),
                                                 input_feature_list=filter_features_block.get_data_1(),
                                                 input_Date=xl_date_block.get_data())

# 二次过滤,筛选MA5穿过MA10的票
xl_filter_2_block = M.filter(xl_d_features_block.get_data(), expr=par['stock_filter_cond'])

# 数据处理，缺失值填充、去极值、标准化
xl_data_process_rlt = M.data_process(xl_filter_2_block.get_data(), features_block.get_data())

# 抽取股票标注label，这里用的时shift(close_0,-2)/shift(open_0, -1) 表示第二天的收盘价/第一天的开盘价，即第一天开盘买入、第二天收盘卖出。
y_block = M.advanced_auto_labeler(xl_date_block.get_data(), label_expr=par['label_expr'])

# label值做标准化
y_stander_block = M.standardize(y_block.get_data(), standard_fun='Z_Score', columns=['label'])

# 数据连接，这里吧股票的因子值和label值连接起来
xl_data_join_block = M.data_join(xl_filter_2_block.get_data(), y_stander_block.get_data(), how='inner', is_use_cache=False)

# 去除nan值的数据，AI模型训练不能包含nan的数据
xl_data_dropna_block = M.data_dropna(xl_data_join_block.get_data(), filter_features_block.get_data_2().read())

xl_result_block = xl_data_dropna_block

# 这边开始构建预测的数据，预测数据和训练数据保持一致
# 预测时间模块
yc_date_block = M.trade_date(par['yc_start_date'], par['yc_end_date'])

# 预测数据基础特征
yc_g_features_block = M.general_feature_extractor(feature_list_input=filter_features_block.get_data(),
                                                 input_Date=yc_date_block.get_data(),
                                                 shift_days=par['shift_days'])
# 预测数据过滤，选取上市天数>60天的股票
yc_filter_1_block = M.filter(yc_g_features_block.get_data(), par['stock_filter_list_days_cond'])

yc_afilter_block = M.a_stock_filter(input_data=yc_filter_1_block.get_data(), board_cond=[1, 2, 3],st_cond=[0])

yc_d_features_block = M.derived_feature_extractor(input_data=yc_afilter_block.get_data(),
                                                 input_feature_list=filter_features_block.get_data_1(),
                                                 input_Date=yc_date_block.get_data())

yc_data_process_block = M.data_process(input_data_block=yc_d_features_block.get_data(),
                                     feature_list_block=features_block.get_data(),
                                     init_data=xl_data_process_rlt.get_data_2())

yc_filter_2_block = M.filter(yc_data_process_block.get_data(), expr=par['stock_filter_cond'])

yc_result_block = yc_filter_2_block

# 获取系统提供的默认CNN模型(训练以后的模型)，这里使用的模型为tensorflow.keras.Model,用户可以自行构建深度学习的模型，然后再用训练数据训练
cnn_model_block = M.get_cnn_model_1(input_data=xl_result_block.get_data(),feature_keys=features_block.get_data_2())

# 使用模型预测
yc_cnn_pred_block = M.get_dp_predict(cnn_model_block.get_data(), yc_result_block.get_data(), features_block.get_data_2(),yc_date_block.get_data())

# 交易执行代码
def test_ai_model_trade_execute():
    #获取当天交易日期
    now = G.trading_day 

    #这里是我自定义的一个参数，用来定义买几支股票
    stock_count = G.params['stock_count'] 

    # 这里获取需要操作的当天的股票数据
    prediction_data = G.prediction_data[G.prediction_data['date'] == now] 

    # 这里是要买入预测值最高的股票，所以先按照预测值pred_label列进行降序排列
    prediction_data = prediction_data.sort_values(by=['pred_label'], ascending=False).reset_index(drop=True)
    
    # 然后获取前stock_count的股票进行操作
    stocks = prediction_data['instrument'].head(stock_count)

    #可能不一定实际有stock_count支票，所以这里获取下实际的个数，用来计算资金分配
    real_stock_count = len(stocks)

    #这边开始计算资产用来实际交易
    # G.total_assets为总资产
    total_cash = G.total_assets
    
    # G.available_cash为可用资金
    available_cash = G.available_cash
    
    # 这里是自定义的计算可以用来实际买入的可用资金，用户可以设定自己的逻辑或权重
    available_cash = available_cash if available_cash < total_cash / 2 else total_cash / 2
    
    #G.trade_engine.order_value(stock,hold_num)此方法用于买入卖出股票。
    #stock：股票代码，hold_nu：股票数量，大于等于0的整数
    #若未持仓，则是买入hold_num手
    #若已持仓，则会将持仓数量变为hold_num。（hold_num>持仓，则补仓，即买入；反正即卖出；为0则是平仓）
    
    # 买入股票
    for stock_name in stocks:
        temp_cash = available_cash / real_stock_count
        G.trade_engine.order_value(stock_name, temp_cash)

    # 由于设定的第一天买，第二天卖，所以这里会卖出持有的票。具体持仓几天可以自己去定义逻辑。
    # 卖出持仓股票  G.position为当前持仓
    for _p in G.positions:
        if G.positions[_p].hold_num > 0:
            G.trade_engine.order_target(_p, 0)

trade_result_block = M.ct_trader(
    name='test_cnn_strategy',
    params={"cash": 500000, "stock_count": par['stock_count']},
    trade_date_block=yc_date_block.get_data(),
    trade_prediction_data=yc_cnn_pred_block.get_data_1(),
    executeFunc=test_ai_model_trade_execute)

# 这里时完整交易的结果，包括各类回测指标，可以自行打印查看。
print(trade_result_block)

安装说明

开发准备

下载开发包软件及数据。

下载地址：

• 教育网盘：https://pan.jsnje.cn/l/1J18ZH 提取码: duww
• 百度网盘：https://pan.baidu.com/s/1JmyuQNVgzbXQAmOZkyVzcg?pwd=zqoe 提取码：zqoe

下载后解压缩到磁盘，尽量避免使用C盘，以免遇到权限不足发生错误。

目录说明

1.安装 Python及版本

目前平台的开发系统基于windows，推荐windows 11 专业版。

平台使用python 3.9开发，所有引用的方法及包均在3.9版本下测试通过，可以直接使用开发包中的python安装文件进行安装（\CTQuant_client\dict文件夹下）。安装过程中必须要将python的路径添加到环境变量中。

安装完成后可以运行命令行程序：

xxxxxxxxxx
python --verion 

检验python是否安装成功，并查看当前python的版本信息。

2.安装文件

（1）在解压缩的文件中运行【初始化并启动.bat】文件，推荐使用管理员权限运行程序。运行需要下载所需的安装包

（2）用户注册。根据提示在打开的网站中注册用户。注册成功后登录网站，在右侧菜单【量化】-》【会员信息】里查看令牌信息，复制粘贴到之前运行的程序中。等待完成安装。

（3）程序运行完成后可以退出。再运行文件【启动服务.bat】，该服务提供数据更新、回测web查看、策略模拟等服务。建议将服务加入自启动保证数据每天自动更新。

程序加入自启动方法： （1）通过“启动”文件夹添加： 复制文件的快捷方式，如果软件没有快捷方式，可以找到主程序，点击鼠标右键，选择创建快捷方式。 按Windows徽标键 + R，键入“shell:startup”，然后选择“确定”打开“启动”文件夹。 将应用的快捷方式从文件位置复制并粘贴到“启动”文件夹中。 （2）通过“任务计划程序”添加： 找到要设置为自启动的程序的快捷方式。 在“任务计划程序”窗口中，依次展开左侧的“任务计划程序库”>“Microsoft”>“Windows”>“Startup”。 选择“创建基本任务”，输入任务名称和描述，选择触发器类型（如“当计算机启动时”），然后选择“启动程序”，浏览并选择刚刚创建的程序快捷方式，确认设置无误后，点击“完成”。

2.IDE

建议使用pycharm的开发环境。vs code等其他环境同样可以运行。同时支持py、juypter notebook形式的开发。

强烈建议启动开发环境时使用管理员权限运行，避免一些文件读写的权限问题。

3. 策略开发

若项目创建在C盘，建议启动开发环境请右击，选择以管理员方式运行。即使放在其他盘，也建议使用管理员权限运行，避免文件读写的权限问题。

pycham，新建python项目，并且配置环境到开发包中的python环境，路径为：【本地存放路径】\CTQuant_client.venv\Scripts\python.exe。

vs code 新建python项目，需要配置开发包中的python环境即可。

至此环境配置及项目创建成功。

使用手册

因子表达式

基于基础数据和因子库，CTQuant让我们可以无需代码，快速构建因子。

因子表达式引擎

CTQuant表达式计算引擎，通过编写简单的表达式，就可以对数据做任何运算，而无需编写代码。

通过表达式，实现数据处理和计算。例如：

xxxxxxxxxx
factor1 = rank(rank(close_0 / close_1) / rank(close_0 / close_10))

alpha_101 = ((rank(decay_linear(delta((open_0+close_0+high_0+low_0)/4,4),7))+ts_rank(decay_linear(((((low_0*0.9)+(low_0*0.1))-(high_0+low_0+open_0+close_0)/4)/(open_0-((high_0+low_0)/2))),11),7))*-1)

常量

• <NaN: np.NaN>
• <Inf: np.Inf>
• <None: None>

支持的运算符

• 逻辑运算符: & (与), | (或), ~ (非)
• 比较运算符: <, <=, ==, !=, >=, >
• 一元算术运算符: - (负)
• 二元算术运算符: +, -, , /, ** (次方), % (取余), << (位运算：左移), >> (位运算：后移)

简单函数

• where(cond, x, y):#如果cond为True，则为 x, 否则 y #示例：where(a > b, c, d)* #示例：where(a > b, * where(a > c, c, d), e)
• {sin,cos,tan}(x) ，#三角函数正弦，余弦和正切
• {arcsin,arccos,arctan}(x)， #反三角函数
• arctan2(x, y)， #反三角函数，=arctan(x/y)
• {sinh,cosh,tanh}(x)， #双曲正弦，余弦和正切
• {arcsinh,arccosh,arctanh}(x)， #反双曲正弦，余弦和正切
• {log,log10,log1p}(x) #自然对数, 10为底的对数和log(1+x)
• {exp,expm1}(x)， #指数和exp(x)-1
• sqrt(x)， #平方根
• abs(x)， #绝对值
• ceil(x)， #向上取整
• floor(x)， #向下取整
• add(x, y)， #加法运算
• diff(x, y)，#减法运算
• prod(x, y)，#乘法运算
• div(x, y)，#除法运算
• sign(x)， #取 x 的符号，如果 x > 0, 为1; x == 0，为0; 否则为-1
• signedpower(x, a)， #等价于 sign(x) * (abs(x)**a)
• min(numer1, number2, number3, ..): number， #求最小值，2个或者更多个参数
• max(numer1, number2, number3, ..): number， #求最大值，2个或者更多个参数
• isnan(number): bool， #判断是否为NaN, e.g. where(isnan(a), 0, a)
• continuous(x), #连续x发生的次数(发生一次记为1，连续发生第二次记为2，中断则记为0，如此反复)
• count(cond,d) #统计d天内cond为True的次数，等同于sum(where(cond,1,0),d)
• clip(s, lower, upper)， #对s做裁剪，裁剪区间为[lower,upper],如果lower，则设置为lower，如果upper，则设置为upper
• all_quantile(s, q)， #计算s的第q个百分位数, q属于[0, 1]。则 all_quantile(s, 0)得到s的最小值，all_quantile(s, 1)对应s的最大值。注意，这里计算的是全部s数据的百分位(而不是按天或者按股票处理的)
• all_wbins(s, bins)， #按等宽做离散化，映射从0开始。bins可以是正整数，表示bins的数量；list，表示splits，e.g. [-2, 0, 2]，小于-2的数据将被映射为0，大于2的被映射为3，中间的分别为1和2
• all_cbins(s, bins)， #按等频做离散化，映射从0开始。bins可以是正整数，表示bins的数量；list，表示每个bin里的数据比例

按股票分组后的数据处理函数

• shift(x, d)，#移动x值的函数。d的绝对值表示移动距离，正负号表述移动方向。例如，shift(x, -1)表示全部数据向上移动，得到（t+1)天的x值；shift(x,1)表示全部数据向下移动，得到一天前的x值
• delay，#shift的别名
• delta(x, d)，#今天的 x 值减去 d 天以前的 x 值
• correlation(x, y, d)，#在过去长度为 d 天， x 和 y 的相关性
• covariance(x, y, d)，#在过去长度为 d 天， x 和 y 的协方差
• linear_reg(x, d) , 最近 d 期因子值的线性回归预测值
• slope(x, d) , 最近 d 期因子值的回归斜率
• intercept(x, d) , 最近 d 期因子值的回归截距
• sum(x, d)，#过去 d 天 x 的和
• product(x, d)，#过去 d 天 x 的乘积
• std(x,d)，#过去 d 天 x 的标准差
• nanstd(x, d), #过去 d 天 x 的标准差（去除NaN值）
• mean(x, d)，#过去 d 天 x 的均值
• nanmean(x, d), #过去 d 天 x 的均值（去除NaN值）
• var(x, d), #过去 d 天 x 的方差
• skew(x, d), #过去 d 天 x 的偏度
• kurt(x, d), #过去 d 天 x 的峰度
• decay_linear(x, d)，#过去 d 天的加权平均，权重是1,…,d-1,d
• ts_min(x, d)，#时间序列函数， d 天内的最小值
• ts_max(x, d)，#时间序列函数， d 天内的最大值
• ts_argmax(x, d)，#时间序列函数， d 天内的最大值发生在哪一天
• ts_argmin(x, d)，#时间序列函数， d 天内的最小值发生在哪一天
• ts_rank(x, d)，#时间序列函数， 当天的值在d天的内的排名百分比

按日期分组后的数据处理函数

• rank(x)x在当天的百分比排名, e.g. rank(close_0/close_1)
• scale(x, a=1)，重新缩放x，使得 sum(abs(x)) = a (a的默认值为1)

按日期和自定义key分组的处理函数

• group_mean(key, x)，#同时按日期和key做分组，求平均。 eg. 各行业的简单平均pe值: group_mean(industry_sw_level1_0, pe_ttm_0)
• group_sum(key, x)，#同时按日期和key做分组，求和。 eg. 各行业的交易量:group_sum(industry_sw_level1_0, amount_0)
• group_rank(key, x)，#同时按日期和key做分组，求当前值在分组内的排名百分比。 eg. pe值在对应行业的排名: group_rank(industry_sw_level1_0, pe_ttm_0)
• group_rank_int(key, x, sort), #按照自定义key做分组，对x进行整数排序，sort为bool类型，True为降序排列（即倒数第一名为1，最大值为样本个数），False为升序排列(即第一名为1，第二名为2，最小值为样本个数)

TA-LIB部分技术指标

• ta_sma(x, timeperiod)，#timeperiod周期的简单移动平均值
• ta_ema(x, timeperiod)，#timeperiod周期的指数移动平均值
• ta_wma(x, timeperiod)，#timeperiod周期的加权移动平均值
• ta_ewm(x, timeperiod, weights)，#timeperiod周期的指数加权平均值, weights为权重
• ta_sma2(x, timeperiod, weights), #同ta_ewm
• ta_dma(x,timeperiod), #动态移动平均（考夫曼移动均线）
• ta_mom(x, timeperiod)，#timeperiod周期的动量指标
• ta_roc(x, timeperiod)，#timeperiod周期的变动率指标
• ta_rsi(x, timeperiod)，#timeperiod周期的相对强弱指标
• ta_trix(x, timeperiod)，#timeperiod周期的三重指数平滑平均线
• ta_willr(x, timeperiod)，#timeperiod周期的威廉指标
• ta_atr(high, low, close, timeperiod)，#timeperiod周期的均幅指标
• ta_adx(high, low, close, timeperiod)，#timeperiod周期的平均趋向指数
• ta_adxr(high, low, close, timeperiod)，#timeperiod周期的平均趋向指数
• ta_cci(high, low, close, timeperiod)，#timeperiod周期的顺势指标
• ta_beta(x, y, timeperiod)，#timeperiod周期的回归斜率
• ta_bbi(close, 'long', timeperiod_1=3, timeperiod_2=6, timeperiod_3=12, timeperiod_4=24),#多空指数,多头市场
• ta_bbi(close, 'short', timeperiod_1=3, timeperiod_2=6, timeperiod_3=12, timeperiod_4=24),#timeperiod多空指数,空头市场
• ta_ma(close, timeperiod=5),#timeperiod移动平均线
• ta_macd_dif(close, fastperiod=12, slowperiod=26, signalperiod=9),#指数平滑移动平均线
• ta_macd_dea(close, fastperiod=12, slowperiod=26, signalperiod=9),#DIF的Ｎ日(默认９日)指数平滑移动平均线
• ta_macd_hist(close, fastperiod=12, slowperiod=26, signalperiod=9),# 2*(DIF-DEA)
• ta_kdj_k(high, low, close, N, M1),#指标的K值
• ta_kdj_d(high, low, close, N, M1),#指标的D值
• ta_kdj_j(high, low, close, N, M1),#指标的J值
• ta_bbands_u(close, timeperiod),#timeperiod布林线上线
• ta_bbands_m(close, timeperiod),#timeperiod布林线中线
• ta_bbands_l(close, timeperiod),#timeperiod布林线下线
• ta_bias(close, timeperiod),#timeperiod乖离率

基础因子

导语

平台目前已支持一批基础因子数据，用户可以用来构建因子表达式。通过基础特征抽取可以自动识别并抽取基础因子。

绝大部分参数均可自定义，末尾(_*)表示去第几天的值，例如(close_0) 代表当天的收盘价，(close_1)代表过去1天的值，以此类推。

部分因子中间包含X的值可以自取，可以参照一般所用到的数值。例如（ta_adx_X_*），使用（ta_adx_14_1）表示过去一天adx指标参数日期取14天的值。

A股

量价因子

换手率因子

基本信息因子

资金流因子

估值因子

技术分析因子

BETA值因子

波动率因子

龙虎榜因子

注意：只有上龙虎榜的个股才会有此数据，若未上榜则会返回Nan。

筹码因子

申万二级板块因子

同花顺概念板块因子

注意：同花顺概念板块因子时同花顺中的板块因子，非个股因子，若要计算个股的相关因子，需要通过概念板块中包含的股票信息进行连接。

算子（模块）使用手册

通用说明

关于缓存

所有模块没有特殊说明，均支持传入是否使用缓存参数（is_use_cache），默认为False。若为True，则会在本地磁盘创建缓存文件。缓存配置地址在config.ini文件中的cache_path字段。请及时关注本地磁盘空间是否充足。

通用数据模块

一般模块输出均为通用数据模块（Output），根据各个模块返回结果会有data，data_1，data_2，data_3，均为DataSource类型，可以使用read()方法读取。

注意：以下模块说明中返回的模型均为使用read方法后获取以后的类型。

代码示例：

xxxxxxxxxx
result = XX_block_result.read() # 读取默认的data结果
result_data = XX_block_result.get_data().read() # 读取data结果
result_data_1 = XX_block_result.get_data_1().read() # 读取data_1结果
result_data_2 = XX_block_result.get_data_2().read() # 读取data_2结果
result_data_3 = XX_block_result.get_data_3().read() # 读取data_3结果

DataSource读取缓存文件及基础表功能说明

DataSource可以直接用来读取基础数据（base文件夹下的csv文件），也可以读取缓存文件的内容。

xxxxxxxxxx
D.read('index_classify') #读取申万行业数据
D.read('缓存文件名称') #读取缓存数据文件

数据（DataFrame、Series、List）转换为DataSource

自定义数据转换为CTQaunt中使用的模块

xxxxxxxxxx
#data 为自定义数据
my_block=M.generate_data_block(data)

训练日期模块

使用场景

生成训练数据的开始时间、结束时间。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_date = M.input_date('20230101','20231231')
xl_date.get_data().read()

输出结果：

xxxxxxxxxx
{'start_date': 20230101, 'end_date': 20231231}

预测（模拟）日期模块

使用场景

生成回测（模拟）数据的开始时间、结束时间。注意和训练日期模块有所区别。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_date = M.input_date('20240101','20241231')
xl_date.get_data().read()

输出结果：

xxxxxxxxxx
{'start_date': 20240101, 'end_date': 20241231, 'block_type': '_p'}

因子列表模块

使用场景

输入特征（因子）数据。

模块参数

输出端

通用数据类型（Output）

使用示例

代码示例1

xxxxxxxxxx
features = M.input_features(None, ['factor1=return_0/return_5', 'mean(turn_0,5)/turn_0'], is_rank='all')
features.read()

输出结果：

xxxxxxxxxx
['factor1=return_0/return_5',
 'mean(turn_0,5)/turn_0=mean(turn_0,5)/turn_0',
 'n_factor1=rank(return_0/return_5)',
 'n_mean(turn_0,5)/turn_0=rank(mean(turn_0,5)/turn_0)']

代码示例2

xxxxxxxxxx
features = M.input_features(None, ['factor1=return_0/return_5', 'factor2=mean(turn_0,5)/turn_0'], is_rank='all')
features.get_data_2().read()

输出结果

xxxxxxxxxx
['factor1', 'factor2', 'n_factor1', 'n_factor2']

建议使用 （factor_key = 表达式）这种格式。

基础特征抽取模块

使用场景

抽取基础特征因子（只支持股票的日线）。基础特征是因子表达式中的所使用到的预计算因子。

模块参数

输出端

通用数据类型（Output）

使用示例

代码示例1

xxxxxxxxxx
g_feature_block = M.general_feature_extractor(feature_list_input=features.get_data(), input_Date=xl_date.get_data(), shift_days=10)
g_feature_block.read()
# g_feature_block.get_data().read() 也可以这样写

输出结果：

xxxxxxxxxx
        instrument      date  turn_0  return_0  return_5
0        000001.SZ  20221222   0.346  1.004655  0.978836
1        000002.SZ  20221222   0.424  1.001604  0.972987
2        000004.SZ  20221222   0.852  1.000000  0.945080
3        000005.SZ  20221222   0.477  1.000000  0.952887
4        000006.SZ  20221222   9.423  0.998219  1.044778
...            ...       ...     ...       ...       ...
1293842  873679.BJ  20231229  12.642  1.018213  1.066788
1293843  873693.BJ  20231229   7.004  1.000964  0.975575
1293844  873703.BJ  20231229  14.253  0.994829  1.090085
1293845  873726.BJ  20231229  26.729  1.107895  1.454667
1293846  873833.BJ  20231229   8.907  1.016194  1.104916

[1293847 rows x 5 columns]

申万二级行业基础特征抽取模块

使用场景

抽取申万二级板块预计算因子。若要计算申万二级板块的表达式因子，需要用此模块先抽取申万二级板块的基础特征（预计算因子），再用衍生特征抽取模块获取相应的表达式因子值。例如 sw2_factor1=SW_return_0/shift(SW_return_0,5)，此模块会抽取SW_return_0这个因子特征的值。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
sw2_feature_block = M.sw2_feature_extractor(input_Date=xl_date.get_data(), shift_days=130)
sw2_feature_block.read()

输出结果

xxxxxxxxxx
             date name_SW2 index_code instrument  SW2_return_0  SW2_open_0  \
0        20220824   股份制银行Ⅱ  801783.SI  000001.SZ      0.996308  242.732226   
1        20220824       教育  801994.SI  600661.SH      0.969506   41.402691   
2        20220824    汽车零部件  801093.SI  600660.SH      0.955309  300.486605   
3        20220824    房地产开发  801181.SI  600658.SH      0.982049  488.795528   
4        20220824    房地产开发  801181.SI  600657.SH      0.982049  488.795528   
...           ...      ...        ...        ...           ...         ...   
1630186  20231229     通信设备  801102.SI  300205.SZ      1.018022  198.603260   
1630187  20231229     化学制药  801151.SI  300204.SZ      1.016732  584.576609   
1630188  20231229    环保设备Ⅱ  801972.SI  300203.SZ      1.010896   43.820539   
1630189  20231229    环保设备Ⅱ  801972.SI  300210.SZ      1.010896   43.820539   
1630190  20231229      半导体  801081.SI  688981.SH      1.009660  165.124767   

         SW2_close_0  SW2_volume_0  SW2_amount_0  SW2_market_cap_0  \
0         242.916103     407602750    5173871077      2.311840e+12   
1          40.085561     301806609    1525765456      8.109388e+10   
2         292.360177    3303058225   40429606256      1.720244e+12   
3         483.681609    3014295951   16079276612      1.538703e+12   
4         483.681609    3014295951   16079276612      1.538703e+12   
...              ...           ...           ...               ...   
1630186   202.305418    1065166204   22118802158      9.932592e+11   
1630187   590.533700    1102871124   16588329539      1.839797e+12   
1630188    44.397779     205412708    2100308469      1.359768e+11   
1630189    44.397779     205412708    2100308469      1.359768e+11   
1630190   166.083947     679391530   30377703171      3.406010e+12   

         SW2_market_cap_float_0  SW2_turn_0  SW2_turn_f_0  \
0                  1.972165e+12    0.184643      0.339435   
1                  5.294705e+10    2.894919      3.999232   
2                  1.363655e+12    3.211809      5.122555   
3                  1.439623e+12    1.272170      2.494327   
4                  1.439623e+12    1.272170      2.494327   
...                         ...         ...           ...   
1630186            7.784722e+11    2.378409      3.346079   
1630187            1.508122e+12    1.148700      1.856674   
1630188            1.134996e+11    1.799200      3.009951   
1630189            1.134996e+11    1.799200      3.009951   
1630190            2.182624e+12    1.347517      1.891146   

         SW2_mf_net_amount_0  SW2_price_limit_status_zt_sum_0  \
0              -2.095451e+08                                0   
1              -3.848570e+08                                0   
2              -6.219641e+09                                1   
3              -2.143858e+09                                1   
4              -2.143858e+09                                1   
...                      ...                              ...   
1630186         7.184173e+08                                1   
1630187         1.065012e+09                                1   
1630188         2.231780e+07                                0   
1630189         2.231780e+07                                0   
1630190         3.288245e+08                                0   

         SW2_price_limit_status_dt_sum_0  SW2_instrument_count_0  
0                                      0                       9  
1                                      0                      19  
2                                      6                     193  
3                                      0                     107  
4                                      0                     107  
...                                  ...                     ...  
1630186                                0                      86  
1630187                                0                     150  
1630188                                0                      28  
1630189                                0                      28  
1630190                                0                     148  

[1630191 rows x 17 columns]

衍生特征抽取模块

使用场景

抽取衍生特征因子（非预计算因子抽取），即计算因子表达式的值。注意：若要抽取申万二级板块的衍生特征，需要使用申万二级板块的基础特征抽取模块获取基础特征后方可使用。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
d_feature_block = M.derived_feature_extractor(input_data=g_feature_block.get_data(),input_feature_list=features.get_data_1(),input_Date=xl_date.get_data())
d_feature_block.read()

输出结果

xxxxxxxxxx
             date instrument  turn_0  return_0  return_5   factor1   factor2   n_factor1  n_factor2  
0        20230103  000001.SZ   1.131  1.046353  1.060862  0.986323  0.467580   0.396589   0.033512
1        20230103  000002.SZ   0.655  1.001648  0.970714  1.031868  0.836387   0.881816   0.510212
2        20230103  000004.SZ   1.834  1.026843  1.064229  0.964870  0.468193   0.217331   0.033908
3        20230103  000005.SZ   0.552  1.005395  1.016302  0.989268  0.815519   0.430696   0.481261 
4        20230103  000006.SZ   7.900  0.971429  1.035536  0.938094  1.724156   0.111045   0.981955
...           ...        ...     ...       ...       ...       ...       ...        ...        ... 
1258497  20231229  873679.BJ  12.642  1.018213  1.066788  0.954467  0.883734   0.124577   0.400150 
1258498  20231229  873693.BJ   7.004  1.000964  0.975575  1.026024  1.200385   0.782976   0.840879 
1258499  20231229  873703.BJ  14.253  0.994829  1.090085  0.912616  1.061823   0.049981   0.689649 
1258500  20231229  873726.BJ  26.729  1.107895  1.454667  0.761615  0.822004   0.002443   0.296825 
1258501  20231229  873833.BJ   8.907  1.016194  1.104916  0.919703  0.809045   0.057309   0.278039

[1258502 rows x 9 columns]

数据过滤模块

使用场景

根据因子值过滤数据。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
filter_block = M.filter(d_feature_block.get_data(), 'factor1>1')
filter_block.read()

A股过滤模块

使用场景

过滤A股股票数据。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
a_stock_filter_block = M.a_stock_filter(filter_block.get_data(), board_cond=[1,2,3], st_cond=[0])
a_stock_filter_block.read()

数据连接模块

使用场景

用于连接两个或者三个数据。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_data_result = M.data_join(input_data1=xl_data.get_data(),input_data2=xl_bk_data.get_data(), how='inner')

数据处理模块

使用场景

集成的数据处理模块，包括：缺失值填充（常规因子使用每天的均值填充，申万二级板块因子采用前后填充），去极值，标准化（Min_Max标准化）。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_data_process_block = M.data_process(input_data_block=xl_derived_data.get_data(),feature_list_block=features.get_data(), bk_index_name='bk_name',is_use_cache=True)

数据标准化模块

使用场景

标准化数据。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_standarize_block = M.standardize(input_data=xl_derived_data.get_data(),standard_fun='Z_Score')

数据去极值模块

使用场景

数据去极值。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_winsorize_block = M.winsorize(input_data=xl_derived_data.get_data(),function_name='2')

数据去空值模块

使用场景

数据去空值。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
xl_dropna_block = M.data_dropna(input_data=xl_derived_data.get_data())

数据标注模块

使用场景

标注股票目标值。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
 y = M.advanced_auto_labeler(xl_date.get_data(), label_expr='shift(close, -2) / shift(open, -1)')

说明

一般情况而言，机器学习会将标注数据离散化处理，而深度学习则不会做离散化。

标注后的数据可以和股票的因子数据列表进行连接。

获取CNN模型样例模块

使用场景

CNN样例模型。目前提供两种样例CNN模型，都是基于一维卷积搭建的深度学习模型。具体模型构建层及参数可以后期发布源码。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
cnn_model_1 = M.get_cnn_model_1(input_data=xl_derived_data.get_data(), feature_keys=feature_block.get_data())

cnn_model_2 = M.get_cnn_model_2(input_data=xl_derived_data.get_data(), feature_keys=feature_block.get_data())

说明

CNN训练每次都会生成随机的权重，这就会导致每次结果会有偏差。所以这里会固定权重文件。

此模型是训练后的模型。模型可以直接用来预测数据。

深度学习预测模块

使用场景

使用深度学习的模型进行预测。

模块参数

输出端

通用数据类型（Output）

使用示例

xxxxxxxxxx
yc_cnn_pred = M.get_dp_predict(cnn_model.get_data(), yc_data_block.get_data(), temp_feature_block.get_data_2(),yc_date_block.get_data(),verbose=2,calc_ic=True)

说明

预测的数据可以用来回测，检验模型的收益情况。

回测模块

使用场景

用来数据回测。目前平台只支持日频交易数据，即买卖点在开盘或者收盘时买入、卖出。

模块参数

输出端

注意，此结果直接返回dict类型，可自行打印查看相关数据。

交易模块参数（G模块）

使用示例

xxxxxxxxxx
"""
简单的样例，可以直接使用，规则是第一天open买入，第二天close卖出。
"""
def trade_execute():
    #获取当天交易日期
    now = G.trading_day 

    #这里是自定义的一个参数，用来定义买几支股票
    stock_count = G.params['stock_count'] 

    # 这里获取需要操作的当天的股票数据
    prediction_data = G.prediction_data[G.prediction_data['date'] == now] 

    # 这里是要买入预测值最高的股票，所以先按照预测值pred_label列进行降序排列
    prediction_data = prediction_data.sort_values(by=['pred_label'], ascending=False).reset_index(drop=True)
    
    # 然后获取前stock_count的股票进行操作
    stocks = prediction_data['instrument'].head(stock_count)

    #可能不一定实际有stock_count支票，所以这里获取下实际的个数，用来计算资金分配
    real_stock_count = len(stocks)

    #这边开始计算资产用来实际交易
    # G.total_assets为总资产
    total_cash = G.total_assets
    
    # G.available_cash为可用资金
    available_cash = G.available_cash
    
    # 这里是计算可以用来实际买入的可用资金（以下是等权重买入），用户可以设定自己的逻辑或权重
    available_cash = available_cash if available_cash < total_cash / 2 else total_cash / 2
    
    #G.trade_engine.order_value(stock,hold_num)此方法用于买入卖出股票。
    #stock：股票代码，hold_num：股票数量，大于等于0的整数
    #若未持仓，则是买入hold_num手
    #若已持仓，则会将持仓数量变为hold_num。（hold_num>持仓，则补仓，即买入；反正即卖出；为0则是平仓）
    
    # 买入股票
    for stock_name in stocks:
        temp_cash = available_cash / real_stock_count
        G.trade_engine.order_value(stock_name, temp_cash)

    # 由于设定的第一天买，第二天卖，所以这里会卖出持有的票。具体持仓几天可以自己去定义逻辑。
    # 卖出持仓股票  G.position为当前持仓
    for _p in G.positions:
        if G.positions[_p].hold_num > 0:
            G.trade_engine.order_target(_p, 0)

#开始回测
trade_result = M.ct_trader(
    name='test_strategy',
    params={
        "cash": 500000,  
        "stock_count": 5, #这里是一个自定义参数
    },
    trade_date_block=yc_date_block.get_data(),
    trade_prediction_data=yc_cnn_pred.get_data_1(),
    executeFunc=trade_execute)

说明

本系统的交易模块不包含具体的交易规则，所以用户需要写自己的交易逻辑