量化交易实战22 - 因子与支持向量机（二）动态因子选择策略，根据思路写代码，完整代码直接复制可回测

# ==========================================# 0. 引用库# ==========================================from jqlib.technical_analysis import *import pandas as pdimport numpy as npfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.svm import SVRimport jqdataimport datetime# ==========================================# 1. 框架入口# ==========================================def initialize(context):    set_params()    set_backtest()    set_variables()def set_params():    g.tc       = 10          # 调仓周期    g.stocknum = 5           # 持仓数    g.ret      = -0.05       # 沪深300阈值def set_backtest():    set_benchmark('000300.XSHG')    set_option('use_real_price', True)    log.set_level('order', 'error')def set_variables():    g.days = 0    g.if_trade = False    g.stocks = []    g.feasible_stocks = []# ==========================================# 2. 盘前# ==========================================def before_trading_start(context):    if g.days % g.tc == 0:        g.if_trade = True        g.stocks = get_index_stocks('000300.XSHG')        g.feasible_stocks = set_feasible_stocks(g.stocks, context)    g.days += 1def set_feasible_stocks(initial_stocks, context):    current_data = get_current_data()    return [s for s in initial_stocks if not current_data[s].paused]# ==========================================# 3. 主交易逻辑（每天）# ==========================================def handle_data(context, data):    if not g.if_trade:        return    list_to_buy = stocks_to_buy(context)    list_to_sell = stocks_to_sell(context, list_to_buy)    def sell_operation(context, list_to_sell):        for stock in list_to_sell:             order_target_value_safe(context, stock, 0)    buy_operation(context, list_to_buy)    g.if_trade = False# ==========================================# 4. 机器学习因子构造# ==========================================def get_svr(context, stock_list):    q = query(        valuation.code,        valuation.market_cap,        balance.total_current_assets,        balance.total_current_liability,        (balance.total_liability - balance.total_assets).label('liab_minus_asset'),        (balance.total_liability / balance.equities_parent_company_owners).label('debt_to_eq'),        ((balance.total_assets - balance.total_current_assets) / balance.total_assets).label('fix_asset_ratio'),        (balance.equities_parent_company_owners / balance.total_assets).label('equity_ratio'),        indicator.inc_total_revenue_year_on_year,        valuation.turnover_ratio,        valuation.pe_ratio,        valuation.pb_ratio,        valuation.ps_ratio,        indicator.roa    ).filter(valuation.code.in_(stock_list))    df = get_fundamentals(q, date=None)    df.index = df['code'].values    del df['code']    start  = context.current_dt.date()    today  = start - datetime.timedelta(days=1)    preday = start - datetime.timedelta(days=50)    df['close1'] = get_price(stock_list, end_date=today, count=1, fq='pre', panel=False)['close'].iloc[0]    df['close2'] = get_price(stock_list, end_date=preday, count=1, fq='pre', panel=False)['close'].iloc[0]    df['return'] = df['close1'] / df['close2'] - 1    df['signal'] = np.where(df['return'] < df['return'].mean(), 0, 1)    x = df.drop(['close1', 'close2', 'return', 'signal'], axis=1).fillna(0)    y = df['signal']    tree = DecisionTreeClassifier(random_state=0)    tree.fit(x, y)    top5 = pd.Series(tree.feature_importances_, index=x.columns).nlargest(5).index    X = df[top5].fillna(0)    Y = df['market_cap'].fillna(0)    svr = SVR(kernel='rbf').fit(X, Y)    df['pred_cap'] = svr.predict(X)    factor = (df['pred_cap'] - df['market_cap']).to_frame('undervalue').sort_values(by='undervalue', ascending=False)    return factor# ==========================================# 5. 生成买卖列表# ==========================================def stocks_to_buy(context):    day1 = context.current_dt.date()    day2 = day1 - datetime.timedelta(days=5)    hs300_close = get_price('000300.XSHG', day2, day1, fq='pre', panel=False)['close']    hs300_ret = hs300_close[-1] / hs300_close[0] - 1    if hs300_ret > g.ret:        factor = get_svr(context, g.feasible_stocks)        return list(factor.index[:g.stocknum])    return []def stocks_to_sell(context, list_to_buy):    return [s for s in context.portfolio.positions if s not in list_to_buy]# ==========================================# 6. 下单执行（已修复：限价 + 100股）# ==========================================def buy_operation(context, list_to_buy):    if not list_to_buy:        return    cash_per_stock = context.portfolio.available_cash / len(list_to_buy)    for stock in list_to_buy:        order_target_value_safe(context, stock, cash_per_stock)def sell_operation(list_to_sell):    for stock in list_to_sell:        order_target_value_safe(context, stock, 0)from decimal import Decimal, ROUND_FLOOR, ROUND_CEILINGdef order_target_value_safe(context, stock, value):    current_data = get_current_data()    last_price = current_data[stock].last_price    if last_price <= 0:        return    # 1. 向下截断到分的涨停价    limit_price = float((Decimal(str(last_price)) * Decimal('1.1')).quantize(Decimal('0.01'), rounding=ROUND_FLOOR))    # 2. 卖出场景：跌停价    if value <= 0:        amt = context.portfolio.positions[stock].total_amount        sell_amt = (amt // 100) * 100        if sell_amt > 0:            limit_down_price = float((Decimal(str(last_price)) * Decimal('0.9')).quantize(Decimal('0.01'), rounding=ROUND_CEILING))            order(stock, -sell_amt, style=LimitOrderStyle(limit_down_price))        return    # 3. 买入场景    shares = int(value / limit_price / 100) * 100    if shares < 100:        return    order(stock, shares, style=LimitOrderStyle(limit_price))# ==========================================# 7. 滑点/手续费# ==========================================def set_slip_fee(context):    set_slippage(FixedSlippage(0))    set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0004, min_cost=5))