以下文字描述皆由 Generative AI 协助生成。如有雷同，感谢 AI 技术。
但文中所有 Demo 均为精心挑选之作，真实可靠。感兴趣的诸位欢迎联系小助手（dolphindb1），一同开启量化修真之路。
凡人境：用函数计算时序因子
data = table(take(`000001, 6) as code, 2024.01.01..2024.01.06 as date, [10.5, 11.2, 13, 11.2, 12.5, 13.6] as high, [9, 10, 11, 10, 11, 12] as low, [10, 11, 12, 11 ,12, 13] as close)def factorLevel1(data, window) {// WR = MAX(HIGH(n)) - CLOSE MAX(HIGH(n)) - MIN(LOW(n)) * 100return (mmax(data['high'], window) - data['close']) \ (mmax(data['high'], window) - mmin(data['low'], window)) * 100}update data set WR = factorLevel1(data, 3)// code date ... WR// 000001 2024.01.01 ... 10// 000001 2024.01.02 ... 11// 000001 2024.01.03 ... 25// 000001 2024.01.04 ... 66// 000001 2024.01.05 ... 33// 000001 2024.01.06 ... 16
锻体境：用 iif 向量化计算因子
def factorLevel2(data, threshould) {return iif(data['WR'] > threshould, 1, 0)}update data set buyFlag = factorLevel2(data, 30)// code date ... WR buyFlag// 000001 2024.01.01 ... 10 0// 000001 2024.01.02 ... 11 0// 000001 2024.01.03 ... 25 0// 000001 2024.01.04 ... 66 1// 000001 2024.01.05 ... 33 1// 000001 2024.01.06 ... 16 0
行至此阶，便能见识 iif 威能。它辗转向量化 SIMD 优化，化繁为简，计算起 buyFlag 此等条件因子来行云流水。待你融会贯通，方知量海可随手驭矣。
通灵境：用部分应用函数计算时序因子
def factorLevel3(data, factorName, addWith) {return data[factorName] + addWith}addWith10 = factorLevel3{ , , 10}update data set addWith10 = addWith10(data, 'WR')// code date ... WR addWith// 000001 2024.01.01 ... 10 20// 000001 2024.01.02 ... 11 21// 000001 2024.01.03 ... 25 35// 000001 2024.01.04 ... 66 76// 000001 2024.01.05 ... 33 43// 000001 2024.01.06 ... 16 26
玄妙境：用不定参函数计算因子
def factorLevel4(args) {res = 0for (arg in args) {res += arg}return res}res = call(factorLevel4, 1..5)// 15
不定参数擅长于将任意多个输入"打包"集中处理，这种能力非常契合金融计算中的各类累加、归并等操作需求。更重要的是，我们从中可以窥见一条通往真正函数式编程的途径 - 利用不定参数编写出各种高阶函数，然后通过组合这些高阶函数，来构建出任意复杂的计算流程。这无疑将使因子编程的表现力和可维护性，都得到了极大的提升。掌握了不定参数的玄妙所在，我们就能在更高的层次上重塑因子构建的范式。
臻化境:用 SQL + 函数计算单只股票因子
res = select *, mstd(close, 3) as std3, mavg(close, 3) as avg3 from data// code date close ... std3 avg3// 000001 2024.01.01 10 ...// 000001 2024.01.02 11 ...// 000001 2024.01.03 12 ... 1 11// 000001 2024.01.04 13 ... 0.57 11.33// 000001 2024.01.05 14 ... 0.57 11.66// 000001 2024.01.06 15 ... 1 12
细思量之，SQL与函数两柄利器并施才有大用场。如是计算 std3、avg3 等时序因子，行阵并举，浑然天成，可谓登堂入室，臻于化境。
SQL+ 函数+ context by算多只股票因子
newData = table(`000001`000001`000001`000002`000002`000002 as code, 2024.01.01..2024.01.06 as date, [10, 11, 12, 9, 8, 7] as close)update newData set ret = close \ prev(close) - 1 context by code// code date close ret// 000001 2024.01.01 10 0// 000001 2024.01.02 11 0.1// 000001 2024.01.03 12 0.0909// 000002 2024.01.04 9 0// 000002 2024.01.05 8 -0.1111// 000002 2024.01.06 7 -0.125
凝神境：用矩阵数据计算面板因子
retPanel = exec ret from newData pivot by date, coderetRank = rowRank(retPanel)// date 000001 000002// 2024.01.01// 2024.01.02 1 0// 2024.01.03 1 0
这一境界的关键，是将面板数据计算引入了多标的的维度。
原本时序数据只局限于单一标的的变化，借助 pivot 转换后的矩阵面板形式，我们就能同时纳入同一时点其他标的的信息，从而在一个新的维度上构建因子，如 rowRank 等。这种多维度的计算思路，使得因子构建不再被单一时序所约束，从而发挥出了更大的潜能。掌握了这一技艺，我们就能游刃有余地在更高维度中遨游，为投资策略赢得肆意的施展空间。
飞仙境:矩阵数据计算复杂因子(时序+面板)
t = table(take(2024.01.01..2024.12.31, 3660) as date, take(lpad(1..10 $ STRING, 6, "0"), 3660) as code, rand(100, 3660) as vwap, rand(100, 3660) as open, rand(100, 3660) as vol)vwap = exec vwap from t pivot by date, codeopen = exec open from t pivot by date, codevol = exec vol from t pivot by date, code//alpha 98//(rank(decay_linear(correlation(vwap, sum(adv5, 26.4719), 4.58418), 7.18088)) - rank(decay_linear(Ts_Rank(Ts_ArgMin(correlation(rank(open), rank(adv15), 20.8187), 8.62571), 6.95668), 8.07206)))def WQAlpha98(vwap, open, vol){return rowRank(X=mavg(mcorr(vwap, msum(mavg(vol, 5), 26), 5), 1..7), percent=true) - rowRank(X=mavg(mrank(9 - mimin(mcorr(rowRank(X=open, percent=true), rowRank(X=mavg(vol, 15), percent=true), 21), 9), true, 7), 1..8), percent=true)}res = WQAlpha98(vwap, open, vol).round(4)// 000001 000002 000003 000004 000005 000006 000007 000008 000009 000010// 2024.02.10 -0.1 -0.8 0.5 -0.4 -0.2 -0.4 0.2 0.1 0.5 0.7// 2024.02.11 -0.2 -0.8 0.7 -0.3 -0.4 -0.3 0.2 0.2 0.2 0.7// 2024.02.12 -0.1 -0.5 0.5 -0.4 -0.2 0.1 0 0.1 0.1 0.4// 2024.02.13 0 0.4 0.1 -0.3 0.1 0.1 -0.1 0.1 0.1 0.4
在“飞仙境”这个层次，我们完全打开了时序和面板两个数据视角，将矩阵计算的能力推向了极致。以 WQAlpha98 因子为例，它巧妙地将时序函数如 mavg、msum 和面板函数如 mcorr、mrank 融合到了一起，使我们能够在任意高维数据空间中自由遨游，构建出无与伦比的复杂投资策略。
通过大量运用嵌套调用和高阶函数编程，我们获得了一种全新的、极具表现力的因子编程范式。单一的运算限制不复存在，我们可以在时序、面板、函数的无缝集成中尽情施展，将"量化"的终极目标发挥到了极致，赢得了投资领域的最高境界。
接下来，预约直播，解锁第9重境界 —— 未来境！Shark GPLearn 自动因子挖掘
新上线的 Shark GPLearn 高性能因子挖掘平台，已随 DolphinDB V3.00版本一同正式发布。欢迎预约新版本特性讲解直播👇👇深入了解、申请试用该功能。
直播时间：4月10日（本周三）晚上七点半 报名方式：扫描海报下方二维码观看直播
未来境：GPLearn 自动因子挖掘
/*step1:数据获取和特征提取(数据预处理)*/dbName = "dfs://stockDayK"tbName = "stockDayK"// 选股票数据codeList = exec SecurityIDfrom (select count(*) from loadTable(dbName, tbName) group by SecurityID)where left(SecurityID, 1) in ["0", "3", "6"] 共5283只股票// 计算日频收益率testData = select SecurityID, DateTime, percentChange(close) as ret, open, close, high, low, double(volume) as volume, vwapfrom loadTable(dbName, tbName)where SecurityID in codeListcontext by SecurityID// 计算20日后的收益率（预期目标）testData = select *, move(ret, 20) as ret20, prev(ret) as ret1 from testData context by SecurityID// 过滤预期目标为空的数据,并排序testData = select * from testData where ret20 != NULL order by SecurityID, DateTime/*step2:遗传算法进行因子挖掘（模型训练）*/// 输入数据：ret, open, close, high, low, volume, vwaptrainData = select SecurityID, ret, open, close, high, low, volume, vwap from testData// 预测目标：ret20，20日后的收益率targetData = testData["ret20"]// 自定义适应度函数(优化目标)myFitness = <spearman(stand(rev(5, x)), y)> // 其中 x 表示计算结果，y 表示预测目标// rev 函数用于中位数去极值// stand 函数用于标准化// spearman 函数用于计算 rankIC// 创建 gplearn 训练模型// syntax(createGPLearnEngine)engine = createGPLearnEngine(trainData, targetData, groupCol="SecurityID",populationSize=1000, generations=3, tournamentSize=20, initDepth=[1, 4], windowRange=2..243,crossoverProb=0.8, subtreeMutationProb=0.01, hoistMutationProb=0.0,pointMutationProb=0.01)// 设置自定义适应度函数setGpFitnessFunc(engine, myFitness)// 训练获取 10 个因子公式res = engine.gpFit(10, true)
在“未来境”这一全新领域，我们开启了自动因子挖掘的壮阔征程。通过运用先进的 Shark GPLearn 框架，对暴力求解和组合优化等算法思想的巧妙应用，算法以模拟生物进化的方式，不断生成新的公式组合，并基于事先设定的优化目标函数如 rankIC 进行评分，保留优胜劣汰。经过不懈的迭代，最终精锐因子就会浮出水面。
Explore More
