1、主要属性 

2、代码

# 可以自己import我们平台支持的第三方python模块，比如pandas、numpy等。
import  pandas  as  pd
import  numpy as  np
from  sklearn.linear_model import  LinearRegression#线性回归算法正规方程求解
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    # 在context中保存全局变量
    #股票池初始化
    #沪深300--在沪市和深市中表现较好的300支股票
    context.hs300 = index_components("000300.XSHG")
    weight=np.array([0.02953221, -0.04920124, -0.10791485, 0.00801783, -0.03613599, 0.1310877, -0.03030564, 0.40286239,
-0.30166898])
    context.weight=np.mat(weight).T
    context.stock_num=20
    scheduler.run_monthly(mylineRegression,tradingday=1)#每月运行一次，每月第一天运行
def  three_sigma(data):
    """
    进行3sigma离群值处理
    :param data: 传入的数据
#   :return: 拉回离群值之后的data
    """

    up=data.mean()+3*data.std()
    low = data.mean() -3 * data.std()
    #超过上限用上限代替
    np.where(data>up,up,data)
    np.where(data <low,low, data)
    return data
def  stand_sca(data):
    """
    #标准差标准化数据
    :param data: c传入的数据
    :return: 标准化之后的数据
    """
    #mean()#均值；std()#标准差
    data=(data-data.mean())/data.std()
    return  data
def  deal_with_data(data):
    """
    数据处理"""
    #1、缺失值处理
    data.dropna(axis=0,how='any',inplace=True)
    #2、去极值
    # data=three_sigma(data)
    # #3、标准化
    # data=stand_sca(data)
    for column  in  data.columns:
        #2、去极值
        data.loc[:,column]=three_sigma(data.loc[:,column])
        market_cap=data.loc[:,'market_cap']
        # #3、标准化
        data.loc[:,column]==stand_sca(data.loc[:,column])
        #市值中性化
        #if  column=市值因子
        #   continue
        if  column=='market_cap':
            continue
        lr=LinearRegression()
        x=market_cap
        y=data.loc[:,column]
        #训练模型
        lr.fit(x.values.reshape(-1,1),y)
        #进行预测
        y_predict=lr.predict(x.values.reshape(-1,1))
        #相减
        data.loc[:,column]=y-y_predict

    return  data
def  tiaocang(context,stock_list):
    """进行股票买卖"""
    #查询仓位
    for  tmp  in context.portfolio.positions.keys():
        if tmp  not  in stock_list:
            #卖出,全部卖出
            order_target_percent(tmp,0)
    #买入
    #平均买
    for  tmp  in  stock_list:
        order_target_percent(tmp,1/len(stock_list))
def  mylineRegression(context,bar_dict):
    """
    每月需要处理的功能
    """
    #1、获取财务数据
    #构建query
    q=query(                                            fundamentals.eod_derivative_indicator.pe_ratio,      fundamentals.eod_derivative_indicator.pb_ratio,      fundamentals.eod_derivative_indicator.market_cap,      fundamentals.financial_indicator.ev,      fundamentals.financial_indicator.return_on_asset_net_profit,fundamentals.financial_indicator.du_return_on_equity,      fundamentals.financial_indicator.earnings_per_share,      fundamentals.income_statement.revenue,        fundamentals.income_statement.total_expense
    ).filter(fundamentals.stockcode.in_(context.hs300)
    )
    fund=get_fundamentals(q)
    #获取到财务数据
    #print(fund.T)
    context.factor_data=fund.T
    #数据处理
    context.factor_data=deal_with_data(context.factor_data)
    #print(context.factor_data.shape)
    #构建因子与下期收益之间的线性回归
    #factor_data  * w =下期收益"""
    context.factor_data.loc[:,'return']=np.dot(context.factor_data,context.weight)
    #要拿到收益较高的股票代码--进行买卖
    stock_list=context.factor_data.loc[:,'return'].sort_values(ascending=False)[:context.stock_num].index
    print(stock_list)
    #进行买卖
    tiaocang(context,stock_list)
# before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
    #可以获取账户资金或者在每天交易之前做一些操作
    pass
    #print(context.hs300)


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    # 开始编写你的主要的算法逻辑
    pass

    # bar_dict[order_book_id] 可以拿到某个证券的bar信息
    # context.portfolio 可以拿到现在的投资组合信息

    # 使用order_shares(id_or_ins, amount)方法进行落单#产生交易信号、进行订单创建

    # TODO: 开始编写你的算法吧！
    #order_shares(context.s1, 1000)
    #print('handle_bar')

# after_trading函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
    #每日结束时做一些操作
    pass
    #print('after_trading')

 3、结果