fintools

backtest_timselection

TimeSelectionBacktest

class finfactory.fintools.backtest_timselection.TimeSelectionBacktest(config: Optional[dict] = None)

Bases: object

择时策略回测

cal_sig_gains

finfactory.fintools.cal_sig_gains.cal_sig_gains(data, sig_col, sig_type=1, shift_lag=0, col_price='close', col_price_buy='close', col_price_sel='close', col_price_high='high', col_price_low='low', settle_after_act=False, func_vol_add='base_1', func_vol_sub='base_1', func_vol_stop_loss='hold_1', func_vol_stop_gain='hold_1', func_vol_add_ext='base_1', func_vol_sub_ext='base_1', func_stop_loss=None, func_stop_gain=None, func_add_ext=None, func_sub_ext=None, func_fee_buy=0.0015, func_fee_sel=0.015, hold_buy_max=None, hold_sel_max=None, limit_min_vol=100, base_vol=None, base_money=200000, init_cash=0.0, sos_money=1000, force_final0='settle', del_begin0=True, gap_repeat=False, nshow=None, logger=None)

统计信号收益情况

Note

目前若在一期K线内同时出现止损和止盈，以止损为准
仅考虑市场价格为正，不考虑市场价格为负值的极端情况

Caution

若报错，检查数据中是否存在无效值等

Parameters:

data (pd.DataFrame) –

行情数据，须包含 sig_col, col_price, col_price_buy, col_price_sel 指定的列。

col_price 为结算价格列；col_price_buy 和 col_price_sel 分别为做多（买入）和做空（卖出）操作的价格列。

Note

当（同一行中）结算价格的出现时间晚于操作价格时 settle_after_act 应设置为True，否则 settle_after_act 设置为False。

sig_col 列为信号列，其值规则应满足：

- 当 sig_type =1时， sig_col 列的值只能包含-1、1和0，其中1为做空（卖出）信号，-1为做多（买入）信号，0为不操作

- 当 sig_type =2时， sig_col 列的值为正|负整数或0，其中正整数表示买入（做多）交易量，负整数表示卖出（做空）交易量，0表示不交易
func_vol_add (str, function) –

自定义开仓/加仓操作时的交易量函数，其输入和输出格式应为：

def func_vol_add(base_vol, holdVol, cash, Price, costPrice):

# Parameters:

# base_vol：底仓量

# holdVol：当前持仓量

# cash: 可用现金

# Price: 交易价格

# costPrice: 持仓成本价（应为正）

# Returns:

# tradeVol：计划交易量

……

return tradeVol

- 当 func_vol_add 指定为’base_x’时，使用预定义函数 get_AddTradeVol_baseX ，其交易计划为：开底仓的x倍

- 当 func_vol_add 指定为’hold_x’时，使用预定义函数 get_AddTradeVol_holdX ，其交易计划为：无持仓时开底仓，有持仓时开持仓的x倍

- 当 func_vol_add 指定为’all’时，使用预定义函数 get_AddTradeVol_all ，其交易计划为：以账户当前可用资金为限额开全仓
func_vol_sub (str, function) –

自定义平仓/减仓操作时的交易量函数，其输入和输出格式应为：

def func_vol_sub_stop(base_vol, holdVol, cash, Price, costPrice):

# Parameters:

# base_vol：底仓量

# holdVol：当前持仓量(正负号表示持仓方向)

# cash: 可用现金(不包含平|减仓释放的资金)

# Price: 交易价格

# costPrice: 持仓成本价(应为正，可用于计算平|减仓释放资金量)

# Returns:

# tradeVol：计划交易量

……

return tradeVol

- 当指定为’base_x’时，使用预定义函数 get_SubStopTradeVol_baseX ，其交易计划为：减底仓的x倍（若超过了持仓量相当于平仓后反向开仓）

- 当指定为’hold_x’时，使用预定义函数 get_SubStopTradeVol_holdX ，其交易计划为：减持仓的x倍（x大于1时相当于平仓后反向开仓）

- 当指定为’hold_base_x’时，使用预定义函数 get_SubStopTradeVol_holdbaseX ，其交易计划为：平仓后反向以base_vol的x倍反向开仓

- 当指定为’hold_all’时，使用预定义函数 get_SubStopTradeVol_holdAll ，其交易计划为：平仓后以账户当前可用资金（包含平仓释放资金）为限额反向开全仓
func_vol_stop_loss (str, function) – 自定义止损操作时的交易量函数，格式同 func_vol_sub 参数
func_vol_stop_gain (str, function) – 自定义止盈操作时的交易量函数，格式同 func_vol_sub 参数
stop_no_same (bool) – 当止盈止损和操作信号同时出现，是否忽略同向操作信号 (做多|空止损|盈后是否禁止继续做多|空)
ignore_no_stop (bool) – 当有持仓且没有触及止盈止损条件时是否忽略信号，为True时忽略，为False时不忽略
hold_buy_max (int, float) – 买入(做多)持仓量最大值限制，若信号导致持仓量超限，将被忽略
hold_sel_max (int, float) – 卖出(做空)持仓量最大值限制，若信号导致持仓量超限，将被忽略
limit_min_vol (int, float) – 最少开仓量限制（比如股票至少买100股）
base_money (float) – 开底仓交易限额
base_vol (int, float) –
开底仓交易限量

Note

同时设置 base_money 和 base_vol 时以 base_money 为准
init_cash (float) – 账户初始资金额
fee (float) – 单向交易综合成本比例（双向收费）
max_loss (float) – 止损比例
max_gain (float) – 止盈比例
max_down (float) – 平仓最大回撤比例
add_loss_pct (float) – 当前价格比上次同向交易价格亏损达到 add_loss_pct 时加仓，加仓方式由 func_vol_add 决定
add_gain_pct (float) – 当前价格比上次同向交易价格盈利达到 add_gain_pct 时加仓，加仓方式由 func_vol_add 决定
stop_sig_order (str) –

- 若为`sig_only`，当止盈止损和操作信号同时出现时，忽略止盈止损信号

- 若为`stop_only`，当止盈止损和操作信号同时出现时，忽略操作信号

- 若为`stop_first`，当止盈止损和操作信号同时出现时，先考虑止盈止损及反向再开新仓

- 若为`sig_first`，当止盈止损和操作信号同时出现时，先考虑操作信号再进行剩余止盈止损及反向

- 若为`both`，则止盈止损及反向量和信号交易量同时考虑
add_sig_order (str) –

- 若为`offset`，当加仓信号与操作信号相反时，两者抵消

- 若为`sig_only`，当加仓信号与操作信号相反时，以操作信号为准

- 若为`add_only`，当加仓信号与操作信号相反时，以加仓信号为准
force_final0 (str, bool) –

最后一个时间强平价格设置：

- 若为False，则不强平，按结算价结算账户信息

- 若为’trade’，则按col_price_sel或col_price_buy强平

- 若为’settle’，则按结算价col_price强平
sos_money (float) – 账户本金亏损完，补资金时保证账户本金最少为 sos_money
del_begin0 (bool) – 是否删除数据中第一个信号之前没有信号的部分数据
gap_repeat (bool, None, int) –

重复同向信号处理设置 (见 dramkit.gentools.replace_repeat_func_iter() 函数中的 gap 参数):

- 为False时不处理

- 为None时重复同向信号只保留第一个

- 为整数gap时，重复同向信号每隔gap保留一个

Returns:

trade_gain_info (dict) – 返回各个收益评价指标
df (pd.DataFrame) – 包含中间过程数据

Todo

开仓量计算增加按资金的百分比开仓，比如开20%仓位
数据中添加一列最高价和最低价哪个先触及，用来判断先出发止损还是先触发止盈
增加杠杆设置（计算盈亏率、所需资金等均考虑杠杆）
交易信号的产生扩展为通过函数生成：sig = f(x)，x为数据中的一行
止盈止损及额外加减仓信号函数除了接收指定参数外，扩展为接收x参数，x为数据中的一行
（梳理确定中间计算过程产生的字段，在自定义函数中可使用这些列，还可以在自定义函数中增加shift参数以使用前面的数据）
固定持仓时间平仓
记录持仓的加仓减仓止盈止损次数
按减仓、加仓、减仓、止盈、止损分类记录操作记录
添加更多的止盈止损交易量确定方式设置，比如：

1) 分段止盈止损

(eg. 亏10%止损一半仓位，亏20%强平)(需要记录交易过程中的止盈止损历史记录)

2) 止盈止损和加减仓交易量函数参数扩展(加入持仓周期，盈亏比率等参数）

3) 止盈止损根据账户总盈亏比例确定（总盈亏比例可根据现有总值、累计投入总值、初始投入总值等方法计算）
重写开仓盈亏信息计算函数（先拆单再统计？）
正常信号量和止盈止损量、加减仓量的设置改为函数形式
择时和画曲线函数放在一个类里面，择时计算完成后保存，画曲线方法单独调用（方便改画曲线参数时不用重新计算择时过程）

get_open_gain_info

finfactory.fintools.cal_sig_gains.get_open_gain_info(df_gain, col_price='close', col_price_buy='close', col_price_sel='close', func_fee_buy=0.0015, func_fee_sel=0.015, force_final0='settle', nshow=None, logger=None): 以开仓为统计口径，计算盈亏指标

df_gain 为 cal_sig_gains() 函数的输出 df

cal_sig_gains_bk

cal_sig_gains

finfactory.fintools.cal_sig_gains_bk.cal_sig_gains(data, sig_col, sig_type=1, shift_lag=0, col_price='close', col_price_buy='close', col_price_sel='close', settle_after_act=False, func_vol_add='base_1', func_vol_sub='base_1', func_vol_stoploss='hold_1', func_vol_stopgain='hold_1', stop_no_same=True, ignore_no_stop=False, hold_buy_max=None, hold_sel_max=None, limit_min_vol=100, base_money=200000, base_vol=None, init_cash=0.0, fee=0.0015, sos_money=1000, max_loss=None, max_gain=None, max_down=None, add_loss_pct=None, add_gain_pct=None, stop_sig_order='both', add_sig_order='offset', force_final0='settle', del_begin0=True, gap_repeat=False, nshow=None, logger=None)

统计信号收益情况（没考虑杠杆，适用A股）

Note

仅考虑市场价格为正，不考虑市场价格为负值的极端情况

Caution

若报错，检查数据中是否存在无效值等

Parameters:

data (pd.DataFrame) –

行情数据，须包含 sig_col, col_price, col_price_buy, col_price_sel 指定的列。

col_price 为结算价格列；col_price_buy 和 col_price_sel 分别为做多（买入）和做空（卖出）操作的价格列。

Note

当结算价格的出现时间晚于操作价格时 settle_after_act 应设置为True，否则 settle_after_act 设置为False。

sig_col 列为信号列，其值规则应满足：

- 当 sig_type =1时， sig_col 列的值只能包含-1、1和0，其中1为做空（卖出）信号，-1为做多（买入）信号，0为不操作

- 当 sig_type =2时， sig_col 列的值为正|负整数或0，其中正整数表示买入（做多）交易量，负整数表示卖出（做空）交易量，0表示不交易
func_vol_add (str, function) –

自定义开仓/加仓操作时的交易量函数，其输入和输出格式应为：

def func_vol_add(base_vol, holdVol, cash, Price):

# Parameters:

# base_vol：底仓量

# holdVol：当前持仓量

# cash: 可用现金

# Price: 交易价格

# Returns:

# tradeVol：计划交易量

……

return tradeVol

- 当 func_vol_add 指定为’base_x’时，使用预定义函数 get_AddTradeVol_baseX ，其交易计划为：开底仓的x倍

- 当 func_vol_add 指定为’hold_x’时，使用预定义函数 get_AddTradeVol_holdX ，其交易计划为：无持仓时开底仓，有持仓时开持仓的x倍

- 当 func_vol_add 指定为’all’时，使用预定义函数 get_AddTradeVol_all ，其交易计划为：以账户当前可用资金为限额开全仓
func_vol_sub (str, function) –

自定义平仓/减仓操作时的交易量函数，其输入和输出格式应为：

def func_vol_sub_stop(base_vol, holdVol, cash, Price, holdCost):

# Parameters:

# base_vol：底仓量

# holdVol：当前持仓量(正负号表示持仓方向)

# cash: 可用现金(不包含平|减仓释放的资金)

# Price: 交易价格

# holdCost: 当前持仓总成本(用于计算平|减仓释放资金量)

# Returns:

# tradeVol：计划交易量

……

return tradeVol

- 当指定为’base_x’时，使用预定义函数 get_SubStopTradeVol_baseX ，其交易计划为：减底仓的x倍（若超过了持仓量相当于平仓后反向开仓）

- 当指定为’hold_x’时，使用预定义函数 get_SubStopTradeVol_holdX ，其交易计划为：减持仓的x倍（x大于1时相当于平仓后反向开仓）

- 当指定为’hold_base_x’时，使用预定义函数 get_SubStopTradeVol_holdbaseX ，其交易计划为：平仓后反向以base_vol的x倍反向开仓

- 当指定为’hold_all’时，使用预定义函数 get_SubStopTradeVol_holdAll ，其交易计划为：平仓后以账户当前可用资金（包含平仓释放资金）为限额反向开全仓
func_vol_stoploss (str, function) – 自定义止损操作时的交易量函数，格式同 func_vol_sub 参数
func_vol_stopgain (str, function) – 自定义止盈操作时的交易量函数，格式同 func_vol_sub 参数
stop_no_same (bool) – 当止盈止损和操作信号同时出现，是否忽略同向操作信号 (做多|空止损|盈后是否禁止继续做多|空)
ignore_no_stop (bool) – 当有持仓且没有触及止盈止损条件时是否忽略信号，为True时忽略，为False时不忽略
hold_buy_max (int, float) – 买入(做多)持仓量最大值限制，若信号导致持仓量超限，将被忽略
hold_sel_max (int, float) – 卖出(做空)持仓量最大值限制，若信号导致持仓量超限，将被忽略
limit_min_vol (int, float) – 最少开仓量限制（比如股票至少买100股）
base_money (float) – 开底仓交易限额
base_vol (int, float) –
开底仓交易限量

Note

同时设置 base_money 和 base_vol 时以 base_money 为准
init_cash (float) – 账户初始资金额
fee (float) – 单向交易综合成本比例（双向收费）
max_loss (float) – 止损比例
max_gain (float) – 止盈比例
max_down (float) – 平仓最大回撤比例
add_loss_pct (float) – 当前价格比上次同向交易价格亏损达到 add_loss_pct 时加仓，加仓方式由 func_vol_add 决定
add_gain_pct (float) – 当前价格比上次同向交易价格盈利达到 add_gain_pct 时加仓，加仓方式由 func_vol_add 决定
stop_sig_order (str) –

- 若为`sig_only`，当止盈止损和操作信号同时出现时，忽略止盈止损信号

- 若为`stop_only`，当止盈止损和操作信号同时出现时，忽略操作信号

- 若为`stop_first`，当止盈止损和操作信号同时出现时，先考虑止盈止损及反向再开新仓

- 若为`sig_first`，当止盈止损和操作信号同时出现时，先考虑操作信号再进行剩余止盈止损及反向

- 若为`both`，则止盈止损及反向量和信号交易量同时考虑
add_sig_order (str) –

- 若为`offset`，当加仓信号与操作信号相反时，两者抵消

- 若为`sig_only`，当加仓信号与操作信号相反时，以操作信号为准

- 若为`add_only`，当加仓信号与操作信号相反时，以加仓信号为准
force_final0 (str, bool) –

最后一个时间强平价格设置：

- 若为False，则不强平，按结算价结算账户信息

- 若为’trade’，则按col_price_sel或col_price_buy强平

- 若为’settle’，则按结算价col_price强平
sos_money (float) – 账户本金亏损完，补资金时保证账户本金最少为 sos_money
del_begin0 (bool) – 是否删除数据中第一个信号之前没有信号的部分数据
gap_repeat (bool, None, int) –

重复同向信号处理设置 (见 dramkit.gentools.replace_repeat_func_iter() 函数中的 gap 参数):

- 为False时不处理

- 为None时重复同向信号只保留第一个

- 为整数gap时，重复同向信号每隔gap保留一个

Returns:

trade_gain_info (dict) – 返回各个收益评价指标
df (pd.DataFrame) – 包含中间过程数据

Todo

增加动态变更止盈止损点平仓方式
增加根据固定盈亏点位止盈止损/减仓（比如股指期货赚30个点位止盈，亏20个点位止损）
最大回撤平仓添加以点位记回撤的方式
计算变量中增加止盈止损价格
止盈止损考虑增加最高最低价判断条件
增加根据固定盈亏点位加仓（比如IF赚20个点或亏20个点加仓）
止盈止损信号增加动态确定函数(止盈止损或最大回撤百分比不固定，根据持仓时间和盈亏等情况确定)
增加平仓条件设置（比如分段回撤平仓(不同盈利水平不同回撤容忍度)，参数设计成函数）
止损参数和加减仓设计成函数（输入为盈亏比例、最大回撤、盈亏金额、盈亏点位、最近一次交易信息等）
增加浮盈/亏加仓价格确定方式（例如根据距离上次的亏损比例确定）
重写开仓盈亏信息计算函数（先拆单再统计）
正常信号加仓和浮盈/亏加仓方式分开处理（目前是合并一致处理）
固定持仓时间平仓
fee买入和卖出分开设置
func_vol_add, func_vol_sub, func_vol_stoploss, func_vol_stopgain买入和卖出分开设置 (考虑股票不能卖空情况，目前可通过设置 hold_sel_max=0控制禁止买空)
添加更多的止盈止损交易量确定方式设置，比如：

1) 分段止盈止损

(eg. 亏10%止损一半仓位，亏20%强平)(需要记录交易过程中的止盈止损历史记录)

2) 止盈止损和加减仓交易量函数参数扩展(加入持仓周期，盈亏比率等参数）

get_open_gain_info

finfactory.fintools.cal_sig_gains_bk.get_open_gain_info(df_gain, col_price='close', col_price_buy='close', col_price_sel='close', fee=0.0015, force_final0='settle', nshow=None, logger=None): 以开仓为统计口径，计算盈亏指标

df_gain 为 cal_sig_gains() 函数的输出 df

copy_line

finfactory.fintools.copy_line.copy_line(df, k, ori_index)

do_something

finfactory.fintools.copy_line.do_something(df, k)

fintools

get_merge1min_candle

finfactory.fintools.fintools.get_merge1min_candle(df1m, func_merge, n=50, new_freq=15, **kwargs_merge)

用1分钟K线合成更低频K线

func_merge为用1分钟K先合成低频K线的函数，其接收new_freq和kwargs_merge参数

Examples

>>> from finfactory.load_his_data import load_index_joinquant
>>> df1m = load_index_joinquant('000300', '1min')
>>> df1m = df1m[df1m['time'] >= '2022-08-24 11:09:00']
>>> from finfactory.fintools.utils_chn import merge_minute_candle
>>> df = get_merge1min_candle(df1m, merge_minute_candle)

cal_ir

finfactory.fintools.fintools.cal_ir()

cal_ic

finfactory.fintools.fintools.cal_ic(data, col_factor, col_price='close', col_time=None, col_code=None, lag=1, ic_type='rank'): 计算因子IC值

col_factor、col_price、col_time、col_code分别为因子列、价格列、时间列、代码列

lag设置期数，ic_type设置IC类型，可选`normal`和`rank`

kelly_formula

finfactory.fintools.fintools.kelly_formula(p, b): 凯利公式：根据胜率p和盈亏比b计算最优仓位

参考：

https://zhuanlan.zhihu.com/p/38279377

https://xueqiu.com/6551266259/146636046

sim_mc

finfactory.fintools.fintools.sim_mc(his_values, sim_periods, n_cut=240, num_sim=1000, random_seed=None, keep_v0=True, return_mid=False, kwargs_plot_mid=None, kwargs_plot_final=None)

蒙特卡洛法模拟序列数据变化路径

Parameters:

his_values (pd.Series, np.array, list) – 历史序列
sim_periods (int) – 向后模拟期数
n_cut (int) – 将一期时间划分为多少个小时段
num_sim (int) – 模拟次数
random_seed (None, int) – 随机数种子设置
keep_v0 (bool) – 模拟结果中是否保留第一个初始价格
return_mid (bool) – 是否范围模拟过程中的中间路径数据
kwargs_plot_mid (dict) – 中间路径数据绘图参数， plot_series 函数接收
kwargs_plot_final (dict) – 最终模拟数据绘图参数， plot_series 函数接收

Returns:

df_sim (pd.DataFrame) – 模拟结果，shape为(sim_periods, num_sim)，即每列为一条模拟路径
df_sim_ (pd.DataFrame) – 包含中间路径的模拟结果， return_mid 为True时返回

References

https://zhuanlan.zhihu.com/p/342624971

wuxianpu

finfactory.fintools.fintools.wuxianpu(series, lag=875, alphas=[0.05, 0.32], plot=False): 五线谱指标

参考：

https://caibaoshuo.com/guides/15

mas_order

finfactory.fintools.fintools.mas_order(series, lags=[3, 5, 15, 20, 30, 60]): 指定均线排列情况判断，lags为从小到大排列的lag列表

返回结果1为多头排列，-1位空头排列，0其他情况

macd

finfactory.fintools.fintools.macd(series, fast=12, slow=26, m=9)

MACD计算

Parameters:

series (pd.Series, np.array, list) – 待计算序列
fast (int) – 短期窗口长度
slow (int) – 长期窗口长度
m (int) – 平滑移动平均窗口长度

Returns:

df – 包含[‘MACD’, ‘DIF’, ‘DEA’]三列

Return type:

pd.DataFrame

Note

计算结果与同花顺PC统一版基本能对上，但是跟远航版没对上

References

boll

finfactory.fintools.fintools.boll(series, lag=15, width=2, n_dot=3)

布林带计算

Parameters:

series (pd.Series) – 序列数据
lag (int) – 历史期数
width (int, float) – 计算布林带上下轨时用的标准差倍数（宽度）
n_dot (int) – 计算结果保留小数位数

Returns:

df_boll – 布林带，包含原始值(即series)，布林带下轨值(boll_low列)，中间值(boll_mid列)，上轨值(boll_up列)，标准差(std列)

Return type:

pd.DataFrame

bbi

finfactory.fintools.fintools.bbi(series, lags=[3, 6, 12, 24]): BBI计算

cci

finfactory.fintools.fintools.cci(df, col_typeprice=None, n=14, r=0.015)

CCI计算

Parameters:

df (pd.DataFrame) – 历史行情数据，须包含[‘high’, ‘low’, ‘close’]列或col_typeprice列
col_typeprice (None, str) – 用于计算CCI的价格列，若不指定，则根据[‘high’, ‘low’, ‘close’]计算
n (int) – 计算周期
r (float) – 计算系数

Returns:

cci – CCI序列

Return type:

pd.Series

References

同花顺PC端CCI指标公式
https://blog.csdn.net/spursping/article/details/104485136
https://blog.csdn.net/weixin_43055882/article/details/86696954

expma

finfactory.fintools.fintools.expma(series, n=26)

EXPMA计算

References

https://blog.csdn.net/zxyhhjs2017/article/details/93499930
https://blog.csdn.net/ydjcs567/article/details/62249627
tradingview公式

weight_ma_linear_decay

finfactory.fintools.fintools.weight_ma_linear_decay(series, n=15): 加权MA，权重呈线性递减

kama

finfactory.fintools.fintools.kama(series, lag=9, fast=2, slow=30)

Kaufman’s Adaptive Moving Average (KAMA)

References

er

finfactory.fintools.fintools.er(series, lag=10, sign=False)

价格效率

References

KAMA指标
华泰联合-震荡市还是趋势市：市场状态的量化划分方法

ma_trend_strength

finfactory.fintools.fintools.ma_trend_strength(series, lag_fast=5, lag_slow=20)

用均线度量的市场趋势强度

References

华泰联合-震荡市还是趋势市：市场状态的量化划分方法

kdj

finfactory.fintools.fintools.kdj(data, n_his=9, n_k=3, n_d=3, n_k_=1, n_d_=1): KDJ计算，data(pd.DataFrame)中必须包含[‘close’, ‘high’, ‘low’]三列

返回结果中包含=[‘K’, ‘D’, ‘J’, ‘RSV’]四列

注：计算结果跟同花顺能对上

参考：

tradingview公式

https://blog.csdn.net/qq337484627/article/details/110727392

talib_rsi

finfactory.fintools.fintools.talib_rsi(series, n=20): talib计算RSI

atr

finfactory.fintools.fintools.atr(df, lag=14): 平均真实波幅ATR计算，df中必须包含[‘high’, ‘low’, ‘close’]三列

返回ATR, TR

talib_atr

finfactory.fintools.fintools.talib_atr(df, lag=14): talib计算平均真实波幅ATR

df中必须包含[‘high’, ‘low’, ‘close’]三列

注：talib的结果跟同花顺对不上

参考：

https://www.bilibili.com/read/cv7141776/

adx

finfactory.fintools.fintools.adx(df, lag=14): 平均趋向指标ADX计算

df中必须包含[‘high’, ‘low’, ‘close’]三列

参考：

https://zhuanlan.zhihu.com/p/64827704

talib_adx

finfactory.fintools.fintools.talib_adx(df, lag=14): talib计算平均趋向指标ADX

df中必须包含[‘high’, ‘low’, ‘close’]三列

talib_roc

finfactory.fintools.fintools.talib_roc(series, lag=12): talib计算ROC

roc

finfactory.fintools.fintools.roc(series, lag=12): ROC计算

vri

finfactory.fintools.fintools.vri(data, n=3): VRI计算

参考：

https://finquanthub.com/量化策略：基于波动率范围指标的反向交易策略/

bbw

finfactory.fintools.fintools.bbw(series, lag=20, width=2, sign=False): BBW计算

mean_candle

finfactory.fintools.fintools.mean_candle(data): 平均K线计算

data(pd.DataFrame)中必须包含[‘open’, ‘close’, ‘high’, ‘low’]列

参考：

https://cn.tradingview.com/script/YfPnKE22-Heikin-Ashi-MACD/

demark_td

finfactory.fintools.fintools.demark_td(series, n=9, lag=4): 迪马克TD序列：连续n次出现收盘价高/低于前面第lag个收盘价就发信号

默认九转序列

返回label序列，label取1表示高点信号，-1表示低点信号

acpmp

finfactory.fintools.fintools.acpmp(values, periods=range(2, 60), mode='sum', std_type='pct', lag_roll=None, std_order=False)

多周期平均累计百分比(Average Cumulative Percentage of Multi-Period)

Parameters:

values (pd.Series, np.array, list) – 待计算序列数据
periods (list) – 指定多个周期列表
mode (str) –

设置动量累计模式：

- 为`sum`时累计涨跌幅为周期内一期涨跌幅的累计求和

- 为`dirt`时累计涨跌幅为周期内最后一期相较于第一期的涨跌幅
std_type (str) –

设置滚动标准化方式：

- 若为`01`，则用maxmin方法转化到0-1之间

- 若为`pct`，则转化为百分位
lag_roll (None, int) – 设置为整数时，标准化时采用滚动方式而不是累计方式
std_order (bool, None, str) –

设置标准化顺序：

- 若为`first`，则先对每个周期进行标准化后再求平均

- 若为`last`，则先求平均之后再进行标准化

- 若为None或False，则不标准化

Returns:

acpmp – ACPMP计算结果序列

Return type:

pd.Series

get_turn_point

finfactory.fintools.fintools.get_turn_point(series): 拐点标注

返回结果中1位从上往下拐，-1位从下往上拐

get_limit_turn_point

finfactory.fintools.fintools.get_limit_turn_point(series, limit_up, limit_low): 带界限值限制的拐点标注：

series中的值大于等于limit_up时才记录向上的拐点

series中的值小于等于limit_low时才记录向下的拐点

cross

finfactory.fintools.fintools.cross(series, series_base): 生成交叉信号（series上穿或下穿series_base）

返回信号中-1为上穿信号，1为下穿信号

cross_plot

finfactory.fintools.fintools.cross_plot(data, col, col_base, col_price='close', plot=True, plot_down=True, plot_same_level=False, **kwargs_plot): 在 finfactory.fintools.fintools.cross() 基础上增加画图

cross2

finfactory.fintools.fintools.cross2(series_buy, base_buy, series_sel, base_sel, buy_sig=1, sel_sig=- 1): 生成由两个交叉信号最终合成的买卖信号

series_buy和base_buy交叉生成买入信号:

- 当buy_sig=-1时以series_buy上穿base_buy为买入信号

- 当buy_sig=1时以series_buy下穿base_buy为买入信号

series_sel和base_sel交叉生成卖出信号:

- 当buy_sel=-1时以series_sel上穿base_sel为卖出信号

- 当buy_sel=1时以series_sel下穿base_sel为卖出信号

返回值中-1为买，1为卖，没信号

cross2_plot

finfactory.fintools.fintools.cross2_plot(data, col_buy, base_buy, col_sel, base_sel, buy_sig=1, sel_sig=- 1, col_price='close', plot=True, **kwargs_plot): 在 cross2() 函数的信号基础上增加绘图

cross_cum_maxmin_dif

finfactory.fintools.fintools.cross_cum_maxmin_dif(data, col, rlag, thr_rmax2now, thr_rmin2now, col_price='close', buy_sig=1, sel_sig=- 1, plot=True, kwargs_plot={}): 依据指标值与滚动最大最小值的差值绝对大小来生成信号

fundnet

get_fundnet

finfactory.fintools.fundnet.get_fundnet(df_settle, when_in=None, when_out=None, outtype=1, intype=1, restart=False)

用基金净值法根据转入转出和资产总值记录计算净值

Parameters:

df_settle (pd.DataFrame) – 须包含列[‘转入’, ‘转出’, ‘资产总值’]三列
when_in (str, None) –

列用于指定当期转入计算份额时使用的净值对应的时间:

若为’before’，表示转入发生在当天净值结算之前（计算增减份额用前一期净值）

若为’after’，表示转入发生在当天净值结算之后（计算增减份额用结算之后的净值）

若为’when’，在df_settle中通过’when’列指定，’when’列的值只能为’before’或’after’

若为None，当转入大于等于转出时设置为’before’，当转出大于转入时设置为’after’
when_out (str, None) –

列用于指定当期转出计算份额时使用的净值对应的时间，格式同: when_in
outtype (int, str) –

用于设置资金转出类型:

若为1，表示份额赎回

若为2，表示净值分红

若为3，表示成本损耗

若为4，表示忽略

若为5，表示转托

若为’outtype’，则在df_settle中通过’outtype列’设置，该列值只能为1, 2, 3, 4, 5

赎回和分红在计算累计净值时要加入，损耗、转托和忽略不加入
intype (int, str) –

用于设置资金转入用途类型:

若为1，表示增加份额

若为2，表示增加净值
restart (boll, str) –

用于指定策略净值重启:

若为False，表示不考虑重启

若为’restart’，则df_settle中须有’restart’列，该列为1表示重启

Returns:

pd.DataFrame - 包含[‘新增份额’, ‘份额’, ‘净值’, ‘累计净值’]

options

bs_opt

finfactory.fintools.options.bs_opt(price_now, price_exe, days_left, r=0.03, sigma=0.225, i_d=0, days1year=365)

BS期权定价公式

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
r (float) – 无风险利率，年化
sigma (float) – 波动率（目标标的收益波动率，年化）？
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）

Returns:

price_call (float) – 认购做多期权合约价格
price_put (float) – 认沽做空期权合约价格

References

mc_bs_opt

finfactory.fintools.options.mc_bs_opt(price_now, price_exe, days_left, r=0.03, sigma=0.225, days1year=365, mc_cut=60, n_mc=500000, random_seed=62, kwargs_plot=None)

注：没考虑分红！

MC-BS，蒙特卡罗模拟BS公式计算期权价格

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
r (float) – 无风险利率，年化
sigma (float) – 波动率（目标标的收益波动率，年化）
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）
mc_cut (int) – 将剩余到期时间划分为mc_cut个小时段
n_mc (int) – 蒙特卡罗模拟次数
random_seed (int, None) – 随机数种子

Returns:

price_call (float) – 认购做多期权合约价格
price_put (float) – 认沽做空期权合约价格

References

mc_log_bs_opt

finfactory.fintools.options.mc_log_bs_opt(price_now, price_exe, days_left, r=0.03, sigma=0.225, days1year=365, mc_cut=60, n_mc=500000, random_seed=62, kwargs_plot=None)

注：没考虑分红！

MC-BS，蒙特卡罗模拟BS公式计算期权价格，对数格式

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
r (float) – 无风险利率，年化
sigma (float) – 波动率（目标标的收益波动率，年化）
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）
mc_cut (int) – 将剩余到期时间划分为mc_cut个小时段
n_mc (int) – 蒙特卡罗模拟次数
random_seed (int, None) – 随机数种子

Returns:

price_call (float) – 认购做多期权合约价格
price_put (float) – 认沽做空期权合约价格

References

bopm_european

finfactory.fintools.options.bopm_european(price_now, price_exe, days_left, r=0.03, sigma=0.225, days1year=365, mc_cut=60)

注：没考虑分红！

二叉树欧式期权定价模型（BOP/CRR）

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
r (float) – 无风险利率，年化
sigma (float) – 波动率（目标标的收益波动率，年化）
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）
mc_cut (int) – 将剩余到期时间划分为mc_cut个小时段

Returns:

price_call (float) – 认购做多期权合约价格
price_put (float) – 认沽做空期权合约价格

References

https://zhuanlan.zhihu.com/p/62031783
https://wiki.mbalib.com/wiki/二项期权定价模型

bsm_iv_dichotomy

finfactory.fintools.options.bsm_iv_dichotomy(price_now, price_exe, price_opt, days_left, opt_type, r=0.03, i_d=0.0, days1year=365, sigma_max=3.0, sigma_min=0.0, tol=1e-06, n_tol=100, max_iter=10000)

二分法求隐含波动率

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
price_opt (float) – 期权现价
days_left (int) – 剩余天数
opt_type (str) – 期权类型
r (float) – 无风险利率，年化
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）
sigma_max (float) – 隐含波动率上限
sigma_min (float) – 隐含波动率下限
tol (float) – 迭代误差控制
n_tol (int) – 当计算的理论期权价格连续n_tol次迭代改变量均不超过tol时结束
max_iter (int) – 迭代最大次数控制

Returns:

sigma_iv – 返回隐含波动率求解结果

Return type:

float

References

bsm_iv_dichotomy0

finfactory.fintools.options.bsm_iv_dichotomy0(price_now, price_exe, price_opt, days_left, opt_type, r=0.03, i_d=0.0, days1year=365, sigma_max=3.0, sigma_min=0.0, tol=1e-06, max_iter=10000)

二分法求隐含波动率

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
price_opt (float) – 期权现价
days_left (int) – 剩余天数
opt_type (str) – 期权类型
r (float) – 无风险利率，年化
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）
sigma_max (float) – 隐含波动率上限
sigma_min (float) – 隐含波动率下限
tol (float) – 迭代误差控制
max_iter (int) – 迭代最大次数控制

Returns:

sigma_iv – 返回隐含波动率求解结果

Return type:

float

References

bsm_iv_newton

finfactory.fintools.options.bsm_iv_newton(price_now, price_exe, price_opt, days_left, opt_type, r=0.03, i_d=0.0, sigma_iv_init=None, days1year=365, lr=0.1, max_iter=1000)

牛顿法计算隐含波动率

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
price_opt (float) – 期权现价
days_left (int) – 剩余天数
opt_type (str) – 期权类型
r (float) – 无风险利率，年化
i_d (float) – 隐含分红率？
sigma_iv_init (float) – 设置隐含波动率初始值
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）
lr (float) – 学习率
max_iter (int) – 迭代最大次数控制

Returns:

sigma_iv – 返回隐含波动率求解结果

Return type:

float

References

https://www.jianshu.com/p/e73f538859df

bs_vega

finfactory.fintools.options.bs_vega(price_now, price_exe, days_left, r=0.03, sigma=0.25, i_d=0, days1year=365)

BS公式，Vega计算

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
r (float) – 无风险利率，年化
sigma (float) – 波动率
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）

Returns:

vega – 返回vega求解结果

Return type:

float

References

bs_delta

finfactory.fintools.options.bs_delta(price_now, price_exe, days_left, opt_type, r=0.03, sigma=0.25, i_d=0.0, days1year=365)

注：分红处理需要再检查确认！

BS公式，Delta计算

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
opt_type (str) – 期权类型
r (float) – 无风险利率，年化
sigma (float) – 波动率
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）

Returns:

delta – 返回delta求解结果

Return type:

float

References

bs_gamma

finfactory.fintools.options.bs_gamma(price_now, price_exe, days_left, r=0.03, sigma=0.25, i_d=0.0, days1year=365)

注：分红处理需要再检查确认！

BS公式，Gamma计算

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
r (float) – 无风险利率，年化
sigma (float) – 波动率
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）

Returns:

gamma – 返回gamma求解结果

Return type:

float

References

bs_theta

finfactory.fintools.options.bs_theta(price_now, price_exe, days_left, opt_type, r=0.03, sigma=0.25, i_d=0.0, days1year=365)

注：分红处理需要再检查确认！

BS公式，Theta计算

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
opt_type (str) – 期权类型
r (float) – 无风险利率，年化
sigma (float) – 波动率
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）

Returns:

theta – 返回theta求解结果

Return type:

float

References

bs_rho

finfactory.fintools.options.bs_rho(price_now, price_exe, days_left, opt_type, r=0.03, sigma=0.25, i_d=0.0, days1year=365)

注：分红处理需要再检查确认！

BS公式，Rho计算

Parameters:

price_now (float) – 标的现价
price_exe (float) – 标的执行价
days_left (int) – 剩余天数
opt_type (str) – 期权类型
r (float) – 无风险利率，年化
sigma (float) – 波动率
i_d (float) – 隐含分红率？
days1year (int) – 一年天数，默认为365，即自然天数（也可以只考虑交易天数）

Returns:

rho – 返回rho求解结果

Return type:

float

References

https://zhuanlan.zhihu.com/p/137938792

utils_chn

get_recent_finreport_date

finfactory.fintools.utils_chn.get_recent_finreport_date(date=None, dirt='pre', annual_only=False, semi_annual_only=False, semi_only=False): 获取距离date最近的财报日期

get_finreport_dates

finfactory.fintools.utils_chn.get_finreport_dates(start_date, end_date=None, start_dirt='post', end_dirt='pre', annual_only=False, semi_annual_only=False, semi_only=False): 获取start_date和end_date之间的财报日期

get_next_nth_trade_date

finfactory.fintools.utils_chn.get_next_nth_trade_date(date=None, n=1, market='SSE'): 给定日期date，返回其后第n个交易日日期，n可为负数（返回结果在date之前）

若n为0，直接返回date

get_recent_trade_date

finfactory.fintools.utils_chn.get_recent_trade_date(date=None, dirt='post', market='SSE'): 若date为交易日，则直接返回date，否则返回下一个(dirt=’post’)或上一个(dirt=’pre’)交易日

注：若chncal库统计的周内工作日与交易日有差异或没更新，可能导致结果不准确

get_trade_dates

finfactory.fintools.utils_chn.get_trade_dates(start_date, end_date=None, market='SSE', joiner=2): 利用chncal库获取指定起止日期内的交易日期（周内的工作日）

get_num_trade_dates

finfactory.fintools.utils_chn.get_num_trade_dates(start_date, end_date=None, market='SSE'): 给定起止时间，获取可交易天数

is_period_edge_tradeday

finfactory.fintools.utils_chn.is_period_edge_tradeday(period, edge, date=None, market='SSE'): 判断是否为指定周期的最后一个交易日或第一个交易日

period: ‘week’周, ‘month’月, ‘quarter’季度, ‘year’年度

edge: ‘start’首个交易日, ‘end’最后一个交易日

is_weekend_tradeday

finfactory.fintools.utils_chn.is_weekend_tradeday(date=None, market='SSE'): 判断是否为一周的最后一个交易日

is_weekstart_tradeday

finfactory.fintools.utils_chn.is_weekstart_tradeday(date=None, market='SSE'): 判断是否为一周的第一个交易日

is_monthend_tradeday

finfactory.fintools.utils_chn.is_monthend_tradeday(date=None, market='SSE'): 判断是否为一个月的最后一个交易日

is_monthstart_tradeday

finfactory.fintools.utils_chn.is_monthstart_tradeday(date=None, market='SSE'): 判断是否为一个月的第一个交易日

is_quarterend_tradeday

finfactory.fintools.utils_chn.is_quarterend_tradeday(date=None, market='SSE'): 判断是否为季度的最后一个交易日

is_quarterstart_tradeday

finfactory.fintools.utils_chn.is_quarterstart_tradeday(date=None, market='SSE'): 判断是否为季度的第一个交易日

is_yearend_tradeday

finfactory.fintools.utils_chn.is_yearend_tradeday(date=None, market='SSE'): 判断是否为年度的最后一个交易日

is_yearstart_tradeday

finfactory.fintools.utils_chn.is_yearstart_tradeday(date=None, market='SSE'): 判断是否为年度的第一个交易日

is_periods_edge_tradeday

finfactory.fintools.utils_chn.is_periods_edge_tradeday(periods, edge, date=None, market='SSE'): 判断是否为指定周期的最后一个交易日或第一个交易日

periods: ‘week’周, ‘month’月, ‘quarter’季度, ‘year’年度的列表

edge: ‘start’首个交易日, ‘end’最后一个交易日

get_all_trade_dates

finfactory.fintools.utils_chn.get_all_trade_dates(markets='SSE', **kwargs)

add_trade_dates_end

finfactory.fintools.utils_chn.add_trade_dates_end(df)

add_trade_dates_start

finfactory.fintools.utils_chn.add_trade_dates_start(df)

add_trade_dates_pre

finfactory.fintools.utils_chn.add_trade_dates_pre(df, freq, edge): df = get_all_trade_dates()

freq in [‘week’, ‘month’, ‘quarter’, ‘year’]

edge in [‘start’, ‘end’]

add_trade_dates_next

finfactory.fintools.utils_chn.add_trade_dates_next(df, freq, edge): df = get_all_trade_dates()

freq in [‘week’, ‘month’, ‘quarter’, ‘year’]

edge in [‘start’, ‘end’]

get_dates_cond

finfactory.fintools.utils_chn.get_dates_cond(cond, date_min, date_max=None, market='SSE')

df_freq_low2high

finfactory.fintools.utils_chn.df_freq_low2high(df, tcol, idcols, vcols=None, tmin=None, tmax=None, tall='trade', **kwargs)

数据低频填充为高频

Examples

>>> df = pd.DataFrame(
...         {'end_date': ['20220101', '20220605', '20220910', '20221010',
...                       '20220205', '20220708', '20221005', '20221010'],
...          'code': ['000001.SH']*4+['000002.SZ']*4,
...          'cate': ['a', 'b', 'a', 'b', 'c', 'd', 'c', 'd'],
...          'value1': [1, 2, np.nan, 3, 3, np.nan, 4, 5],
...          'value2': [None, 3, np.nan, 4, 6, 5, np.nan, 7]})
>>> vcols = None # 'value1'
>>> tcol = 'end_date'
>>> idcols1 = 'code'
>>> df1 = df_freq_low2high(df, tcol, idcols1, vcols=vcols)
>>> idcols2 = ['code', 'cate']
>>> df2 = df_freq_low2high(df, tcol, idcols2, vcols=vcols)

get_full_components

finfactory.fintools.utils_chn.get_full_components(df: DataFrame, parent_col: str, child_col: str, tincol: str, toutcol: str, tfulls: str, tstart: Optional[DateTimeType] = None, tend: Optional[DateTimeType] = None, toutnan: Optional[DateTimeType] = None, tcol_res: str = 'time', keep_inout: bool = False)

根据纳入、退出日期获取在给定时间内的所有成分

Example

>>> df = pd.DataFrame(
...      {'index': ['a', 'a', 'b', 'b', 'a', 'c', 'c'],
...       'stock': ['a1', 'a2', 'b1', 'b2', 'a3', 'c1', 'c2'],
...       'indate': ['20210101', '20210515', '20210405', '20210206',
...                  '20220307', '20220910', '20230409'],
...       'outdate': ['20220305', np.nan, np.nan, '20230409',
...                   np.nan, np.nan, '20230518']})
>>> parent_col, child_col, tincol, toutcol = 'index', 'stock', 'indate', 'outdate'
>>> tfulls = 'trade_month_end'
>>> df['indate'] = pd.to_datetime(df['indate'])
>>> df['outdate'] = pd.to_datetime(df['outdate'])
>>> df1 = get_full_components(
...       df, parent_col, child_col, tincol, toutcol, tfulls)

merge_minute_candle

finfactory.fintools.utils_chn.merge_minute_candle(data, new_freq=30, cols_sum=None, tstart=False, time_trans=False)

用一分钟K线合成更低频分钟K线
new_freq指定合成的频率，必须能被240整除
data中必须包含[‘time’, ‘open’, ‘close’, ‘high’, ‘low’]
cols_sum为求和字段，如可指定成交量’volume’或成交额’value’等
tstart设置time列是否为K先开始时间，默认视为结束时间
若data中的time列格式不为’%Y-%m-%d %H:%M:%S’格式，应将time_trans设置为True
注：只适用于A股交易时间：上午09:30——11:30下午13:00——15:00

Examples

>>> from finfactory.load_his_data import load_index_joinquant
>>> df1m = load_index_joinquant('000300', '1min')
>>> df1m = df1m[df1m['time'] >= '2022-08-24 11:09:00']
>>> c1 = merge_minute_candle(df1m, cols_sum=['volume'],
                             tstart=False)
>>> c2 = merge_minute_candle(df1m, cols_sum=['volume'],
                             tstart=True)
>>> import datetime
>>> tdelta = datetime.timedelta(seconds=-60)
>>> df1m['time'] = dttools.pd_str2datetime(df1m['time']) + tdelta
>>> c3 = merge_minute_candle(df1m, cols_sum=['volume'],
                             tstart=True, time_trans=True)

get_finreport_date_by_delta

finfactory.fintools.utils_chn.get_finreport_date_by_delta(end_date, n, out_format='str'): 给定一个报告期，获取往后推n期的报告期，若n为负，则往前推

注：函数实际上计算的是end_date所在月往后推3*n季度之后所处月的最后一天，所以如果入参end_date不是财报日期所在月，则返回结果也不是财报日期

get_last_effect_finreport_dates

finfactory.fintools.utils_chn.get_last_effect_finreport_dates(date, force_q1q3=False, wait_finished=False, semi_annual_only=False, annual_only=False, adjust_report=False)

Todo

完成adjust_report设置部分
检查确认和完善***备注处

获取距离date最近的财报日期，即date可以取到的最新财报数据对应的财报日期
force_q1q3: 一季报和三季报是否为强制披露，默认不强制披露
wait_finished: 是否必须等财报发布结束才可取数据
semi_annual_only: 仅考虑年报和中报
annual_only: 仅考虑年报
adjust_report: 是否考虑报告调整
注：
2020年特殊处理（2019年报和2020一季报不晚于20200630披露）
http://www.csrc.gov.cn/pub/zjhpublic/zjh/202004/t20200407_373381.htm

get_code_ext

finfactory.fintools.utils_chn.get_code_ext(code, return_sure=False): Todo

检查更新代码规则

返回带交易所后缀的股票代码格式，如输入`300033`，返回`300033.SZ`

code目前可支持[A股、B股、50ETF期权、300ETF期权]，根据需要更新

如不能确定后缀，则直接返回code原始值

http://www.sse.com.cn/lawandrules/guide/jyznlc/jyzn/c/c_20191206_4960455.shtml

get_trade_fee_Astock

finfactory.fintools.utils_chn.get_trade_fee_Astock(code, buy_or_sel, vol, price, fee_least=5, fee_pct=0.00025)

普通A股股票普通交易费用计算

Todo

检查更新交易费率变化(若同一个交易所不同板块费率不同，新增按板块计算)
新增北交所

trade_fee_Astock

finfactory.fintools.utils_chn.trade_fee_Astock(mkt, buy_or_sel, vol, price, fee_least=5, fee_pct=0.00025)

Todo

检查更新交易费率变化(若同一个交易所不同板块费率不同，新增按板块计算)
新增北交所

普通A股股票普通交易费用计算

Parameters:

mkt (str) – ‘SH’(‘sh’, ‘SSE’)或’SZ’(‘sz’, ‘SZSE’)，分别代表上海和深圳市场
buy_or_sel (str) – ‘B’(‘b’, ‘buy’)或’S’(‘s’, ‘sell’, ‘sel’)，分别标注买入或卖出
vol (int) – 量（股）
price (float) – 价格（元）
fee_least (float) – 券商手续费最低值
fee_pct (float) – 券商手续费比例

Returns:

fee_all – 交易成本综合（包含交易所税费和券商手续费）

Return type:

float

收费标准源于沪深交易所官网，若有更新须更改：
http://www.sse.com.cn/services/tradingservice/charge/ssecharge/（2020年4月）
http://www.szse.cn/marketServices/deal/payFees/index.html（2020年2月）

check_fill_trade_dates

finfactory.fintools.utils_chn.check_fill_trade_dates(df, date_col='date', fill_func={}): 检查并填充交易日

utils_gains

signal_merge

finfactory.fintools.utils_gains.signal_merge(data, sig1_col, sig2_col, merge_type=1)

两个信号合并成一个信号

Parameters:

data (pandas.DataFrame) – 待处理数据，必须包含 sig1_col 和 sig2_col 指定的列
sig1_col (str) – 指定信号列，值为-1表示买（做多），1表示卖（做空）
sig2_col (str) – 指定信号列，值为-1表示买（做多），1表示卖（做空）
merge_type (int) –
设置信号合并方式:
- 1: 两个信号出现任何一个都算有效信号
- 2: 根据两个信号的持仓量叠加计算交易信号（返回信号不适用反向开仓）
- 3: 只有两个信号方向相同时才算交易信号（返回信号不适用反向开仓）

Returns:

pd.Series - 合并之后的信号

cal_cost_add

finfactory.fintools.utils_gains.cal_cost_add(hold_vol, hold_cost, add_vol, add_price): 计算加仓之后的平均持仓成本

hold_vol为加仓前持仓量，hold_cost为加仓前平均持仓成本，add_vol为加仓量

get_mean_cost

finfactory.fintools.utils_gains.get_mean_cost(trade_records, dirt_col, price_col, vol_col)

根据交易记录计算每期持仓成本

Parameters:

trade_records (pd.DataFrame) – 交易记录数据，必须包含 dirt_col 、 price_col 和 vol_col 指定的列
dirt_col (str) – 买卖方向列，1为买入（做多），-1为卖出（做空）
price_col (str) – 成交价格列
vol_col (str) – 为成交量列

Returns:

pd.DataFrame - 在trade_records上增加了’holdVol’, ‘holdCost’, ‘meanCost’三列

cal_gain_con_futures

finfactory.fintools.utils_gains.cal_gain_con_futures(price_open, price_now, n, player, fee=0.001, lever=100, n_future2target=0.001)

永续合约收益计算，如火币BTC合约

Parameters:

price_open (float) – 开仓价格
price_now (float) – 现价
n (int) – 数量（张）
player (str) – 做空或做多
fee (float) – 手续费比例
lever (int) – 杠杆
n_future2target (float) – 一份合约对应的标的数量

Returns:

gain_lever (float) – 盈亏金额
gain_pct (float) – 盈亏比例

cal_gain_con_futures2

finfactory.fintools.utils_gains.cal_gain_con_futures2(price_open, price_now, n, player, fee=0.001, lever=100)

永续合约收益计算，如币安ETH合约

Parameters:

price_open (float) – 开仓价格
price_now (float) – 现价
n (int) – 数量（标的量）
player (str) – 做空或做多
fee (float) – 手续费比例
lever (int) – 杠杆

Returns:

gain_lever (float) – 盈亏金额
gain_pct (float) – 盈亏比例

cal_expect_return

finfactory.fintools.utils_gains.cal_expect_return(hit_prob, gain_loss_ratio): 根据胜率和盈亏比计算期望收益

cal_gain_pct_log

finfactory.fintools.utils_gains.cal_gain_pct_log(price_cost, price, pct_cost0=1): 计算对数收益率

price_cost为成本

price为现价

pct_cost0为成本price_cost为0时的返回值

cal_gain_pct

finfactory.fintools.utils_gains.cal_gain_pct(price_cost, price, pct_cost0=1): 计算百分比收益率

price_cost为成本

price为现价

pct_cost0为成本price_cost为0时的返回值

Note

默认以权利方成本price_cost为正（eg. 买入价为100，则price_cost=100）、义务方成本price_cost为负进行计算（eg. 卖出价为100，则price_cost=-100）

cal_gain_pcts

finfactory.fintools.utils_gains.cal_gain_pcts(price_series, gain_type='pct', pct_cost0=1, logger=None): 计算资产价值序列price_series(pd.Series)每个时间的收益率

gain_type:

为’pct’，使用普通百分比收益

为’log’，使用对数收益率（当price_series存在小于等于0时不能使用）

为’dif’，收益率为前后差值（适用于累加净值情况）

pct_cost0为当成本为0时收益率的指定值

cal_beta

finfactory.fintools.utils_gains.cal_beta(values_target, values_base, gain_type='pct', pct_cost0=1): 计算贝塔系数

values_target, values_base分别为目标价值序列和基准价值序列

gain_type和pct_cost0同 finfactory.fintools.utils_gains.cal_gain_pcts() 中的参数

参考：

https://www.joinquant.com/help/api/help#api:风险指标

https://blog.csdn.net/thfyshz/article/details/83443783

cal_alpha_beta

finfactory.fintools.utils_gains.cal_alpha_beta(values_target, values_base, r0=0.03, nn=252, gain_type='pct', rtype='exp', pct_cost0=1, logger=None): 计算alpha和beta系数

参数参考 cal_beta() 和 cal_returns_period() 函数

cal_alpha_by_beta_and_r

finfactory.fintools.utils_gains.cal_alpha_by_beta_and_r(r, r_base, beta, r0=0.03): 根据年化收益以及beta计算alpha

r为策略年化收益，r_base为基准年化收益，r0为无风险收益率，beta为策略beta值

cal_return_period_by_gain_pct

finfactory.fintools.utils_gains.cal_return_period_by_gain_pct(gain_pct, n, nn=250, rtype='exp', gain_pct_type='pct')

给定最终收益率gain_pct，计算周期化收益率

Parameters:

gain_pct (float) – 给定的最终收益率
n (int) – 期数
nn (int) –

一个完整周期包含的期数，eg.

若price_series周期为日，求年化收益率时nn一般为252（一年的交易日数）

若price_series周期为日，求月度收益率时nn一般为21（一个月的交易日数）

若price_series周期为分钟，求年化收益率时nn一般为252*240（一年的交易分钟数）
rtype (str) – 周期化时采用指数方式’exp’或平均方式’mean’
gain_pct_type (str) –

设置最终收益率gain_pct得来的计算方式，可选’pct’, ‘log’

默认为百分比收益，若为对数收益，则计算周期化收益率时只能采用平均法，不能用指数法

Hint

百分比收益率：

复利(指数)公式：1 + R = (1 + r) ^ (n / nn) ——> r = (1 + R) ^ (nn / n) - 1

单利(平均)公式：1 + R = 1 + r * (n / nn) ——> r = R * nn / n

对数收益率：

R = r * (n / nn) ——> r = R * nn / n（采用对数收益率计算年化收益只能用平均法）

Returns:: r – 周期化收益率，其周期由nn确定
Return type:: float

References

https://zhuanlan.zhihu.com/p/112211063

cal_ext_return_period_by_gain_pct

finfactory.fintools.utils_gains.cal_ext_return_period_by_gain_pct(gain_pct, gain_pct_base, n, nn=250, rtype='exp', gain_pct_type='pct', ext_type=1): 给定收益率和基准收益率，计算周期化超额收益率

rtype周期化收益率方法，可选’exp’或’mean’或’log’

ext_type设置超额收益率计算方式:

若为1，先算各自周期化收益率，再相减

若为2，先相减，再周期化算超额

若为3，先还原两者实际净值，再以相对于基准净值的收益计算周期化超额

其他参数意义同 cal_return_period_by_gain_pct() 函数

参考：

https://xueqiu.com/1930958059/167803003?page=1

cal_ext_return_period

finfactory.fintools.utils_gains.cal_ext_return_period(values, values_base, gain_type='pct', rtype='exp', nn=250, pct_cost0=1, ext_type=1, logger=None): 根据给定价格或价值序列计values和基准序列values_base，算超额收益

pct_cost0参考 cal_gain_pct() 和 cal_gain_pct_log() 函数

其它参数参考 cal_ext_return_period_by_gain_pct() 函数

cal_returns_period

finfactory.fintools.utils_gains.cal_returns_period(price_series, gain_type='pct', rtype='exp', nn=252, pct_cost0=1, logger=None)

计算周期化收益率

Parameters:

price_series (pd.Series, np.array, list) – 资产价值序列（有负值时不能使用对数收益率）
gain_type (str) –

收益率计算方式设置

为’pct’，使用普通百分比收益

为’log’，使用对数收益率（当price_series存在小于等于0时不能使用）

为’dif’，收益率为前后差值（适用于累加净值情况）
rtype (str) –

收益率周期化时采用指数方式’exp’或平均方式’mean’

（采用对数收益率计算年化收益只能用平均法）
nn (int) –

一个完整周期包含的期数，eg.

若price_series周期为日，求年化收益率时nn一般为252（一年的交易日数）

若price_series周期为日，求月度收益率时nn一般为21（一个月的交易日数）

若price_series周期为分钟，求年化收益率时nn一般为252*240（一年的交易分钟数）
pct_cost0 (float) – 成本为0时收益率的指定值，参见 cal_gain_pct() 和 cal_gain_pct_log() 函数

Returns:

r – 周期化收益率，其周期由nn确定

Return type:

float

cal_returns_period_mean

finfactory.fintools.utils_gains.cal_returns_period_mean(price_series, gain_type='pct', nn=252, pct_cost0=1, logger=None): 计算周期化收益率，采用收益率直接平均的方法

price_series为资产价值序列，pd.Series或list或np.array（有负值时不能使用对数收益率）

gain_type和pct_cost0参数参见 cal_gain_pcts()

nn为一个完整周期包含的期数，eg.

若price_series周期为日，求年化收益率时nn一般为252（一年的交易日数）

若price_series周期为日，求月度收益率时nn一般为21（一个月的交易日数）

若price_series周期为分钟，求年化收益率时nn一般为252*240（一年的交易分钟数）

cal_volatility

finfactory.fintools.utils_gains.cal_volatility(price_series, gain_type='pct', nn=252, pct_cost0=0, logger=None): 价格序列price_series的周期化波动率计算

price_series为资产价值序列，pd.Series或list或np.array（有负值时不能使用对数收益率）

gain_type和pct_cost0参数参见 cal_gain_pcts()

nn为一个完整周期包含的期数，eg.

若price_series周期为日，求年化收益率时nn一般为252（一年的交易日数）

若price_series周期为日，求月度收益率时nn一般为21（一个月的交易日数）

若price_series周期为分钟，求年化收益率时nn一般为252*240（一年的交易分钟数）

返回收益波动率，其周期由nn确定

参考：

https://wiki.mbalib.com/wiki/%E5%8E%86%E5%8F%B2%E6%B3%A2%E5%8A%A8%E7%8E%87

cal_sharpe

finfactory.fintools.utils_gains.cal_sharpe(values, r=0.03, nn=252, gain_type='pct', ann_rtype='exp', pct_cost0=1, logger=None): 计算夏普比率，先算期望收益和波动率，再算夏普

r为无风险收益率

其余参数间 cal_returns_period() 和 cal_volatility()

cal_sortino

finfactory.fintools.utils_gains.cal_sortino(): 计算索提诺比率

cal_sharpe2

finfactory.fintools.utils_gains.cal_sharpe2(values, r=0.03, nn=252, gain_type='pct', pct_cost0=1, logger=None)

计算夏普比率

Parameters:

values (pd.Series) – 资产价值序列
r (float) – 无风险收益率
nn (int) –

无风险收益率r的周期所包含的values的周期数，eg.

若values周期为日，r为年化无风险收益率时，N一般为252（一年的交易日数）

若values周期为日，r月度无风险收益率时，N一般为21（一个月的交易日数）

若values周期为分钟，r为年化无风险收益率时，N一般为252*240（一年的交易分钟数）
gain_type (str) –

收益率计算方式设置

为’pct’，使用普通百分比收益

为’log’，使用对数收益率（当price_series存在小于等于0时不能使用）

为’dif’，收益率为前后差值（适用于累加净值情况）

References

https://www.joinquant.com/help/api/help?name=api#风险指标
https://www.zhihu.com/question/348938505/answer/1848898074
https://blog.csdn.net/thfyshz/article/details/83443783
https://www.jianshu.com/p/363aa2dd3441 （夏普计算方法貌似有误）

get_maxdown

finfactory.fintools.utils_gains.get_maxdown(values, return_idx=True, abs_val=False)

最大回撤计算

Parameters:

values (list, np.array, pd.Series) – 资产价值序列
return_idx (bool) – 是否返回最大回撤区间起止位置，若为False，则起止位置返回None
abs_val (bool) – 若为True，则计算最大回撤时采用亏损绝对值而不是亏损比率

Returns:

maxdown (float) – 最大回撤幅度（正值）
start_end_idxs (tuple) – 最大回撤起止位置(start_idx, end_idx)，若return_idx为False，则为(None, None)

References

get_maxdown_all

finfactory.fintools.utils_gains.get_maxdown_all(values, abs_val=False): 计算区间每个时期的最大回撤

get_maxdown_dy

finfactory.fintools.utils_gains.get_maxdown_dy(values, abs_val=False): 计算动态最大回撤（每个时间点之前的最高值到当前的回撤）

get_maxup

finfactory.fintools.utils_gains.get_maxup(values, return_idx=True, abs_val=False): 最大盈利计算（与最大回撤 finfactory.fintools.utils_gains.get_maxdown() 相对应，即做空情况下的最大回撤）

get_maxdown_pd

finfactory.fintools.utils_gains.get_maxdown_pd(series, abs_val=False)

使用pd计算最大回撤计算

Parameters:

series (pd.Series, np.array, list) – 资产价值序列
abs_val (bool) – 若为True，则计算最大回撤时采用亏损绝对值而不是亏损比率

Returns:

maxdown (float) – 最大回撤幅度（正值）
start_end_idxs (tuple) – 最大回撤起止索引：(start_idx, end_idx)
start_end_iloc (tuple) – 最大回撤起止位置（int）：(start_iloc, end_iloc)

cal_n_period_1year

finfactory.fintools.utils_gains.cal_n_period_1year(df, col_date='date', n1year=252): 根据交易记录及日期列估计一年的交易期数

get_netval_prod

finfactory.fintools.utils_gains.get_netval_prod(pct_series): 累乘法净值计算，pct_series(pd.Series)为收益率序列（注：单位应为%）

get_netval_sum

finfactory.fintools.utils_gains.get_netval_sum(pct_series): 累加法净值计算，pct_series(pd.Series)为收益率序列（注：单位应为%）

cal_pct_by_cost_gain

finfactory.fintools.utils_gains.cal_pct_by_cost_gain(cost, gain, vcost0=1)

计算在成本为cost，盈利为gain时的盈亏百分比

vcost0为当成本cost为0且盈利gain为正时的返回值，gain为负时取负号

get_gains_act

finfactory.fintools.utils_gains.get_gains_act(df_settle, act_gain_pct_method=2): 根据资金转入转出和资产总值记录计算实际总盈亏%

df_settle须包含列[‘转入’, ‘转出’, ‘资产总值’]

返回df中包含[‘累计转入’, ‘累计转出’, ‘累计净流入’, ‘累计总值’, ‘累计盈亏’, ‘实际总盈亏%’]这几列

get_fundnet0

finfactory.fintools.utils_gains.get_fundnet0(df_settle, when='before', restart=False)

用基金净值法根据转入转出和资产总值记录计算净值

Parameters:

df_settle (pd.DataFrame) – 须包含列[‘转入’, ‘转出’, ‘资产总值’]三列
when (str) –

列用于指定当期转入转出计算份额时使用的净值对应的时间:

若为’before’，表示转入转出发生在当天净值结算之前（计算增减份额用前一期净值）

若为’after’，表示转入转出发生在当天净值结算之后（计算增减份额用结算之后的净值）

若为None，当转入大于转出时设置为’before’，当转出大于转入时设置为’after’

若为’when’，在df_settle中通过’when’列指定，’when’列的值只能为’before’或’after’

Returns:

pd.DataFrame - 包含[‘新增份额’, ‘份额’, ‘净值’]三列

get_gains

finfactory.fintools.utils_gains.get_gains(df_settle, gain_types=['act', 'fundnet'], when=None, restart=False, act_gain_pct_method=2, when_in=None, when_out=None, outtype=1, intype=1, fundnet_func=0): 不同类型的盈亏情况统计

gain_types为累计收益计算方法，可选：

[‘act’实际总盈亏, ‘prod’累乘法, ‘sum’累加法, ‘fundnet’基金份额净值法]

注意：

累乘法和累加法df_settle须包含’盈亏%’列

实际总盈亏和基金净值法df_settle须包含[‘转入’, ‘转出’, ‘资产总值’]列

plot_gain_act

finfactory.fintools.utils_gains.plot_gain_act(df_gain, time_col='日期', n=None, **kwargs_plot): 绘制实际盈亏曲线图

df_gain须包含列[time_col, ‘实际总盈亏%’]

n设置需要绘制的期数

**kwargs_plot为plot_series可接受参数

plot_gain_prod

finfactory.fintools.utils_gains.plot_gain_prod(df_gain, time_col='日期', n=None, show_gain=True, **kwargs_plot): 绘制盈亏净值曲线图

df_gain须包含列[time_col, ‘盈亏%’]

n设置需要绘制的期数

**kwargs为plot_series可接受参数

cal_sig_gains

finfactory.fintools.utils_gains.cal_sig_gains(data, sig_col, sig_type=1, shift_lag=0, col_price='close', col_price_buy='close', col_price_sel='close', settle_after_act=False, func_vol_add='base_1', func_vol_sub='base_1', func_vol_stoploss='hold_1', func_vol_stopgain='hold_1', stop_no_same=True, ignore_no_stop=False, hold_buy_max=None, hold_sel_max=None, limit_min_vol=100, base_money=200000, base_vol=None, init_cash=0.0, fee=0.0015, sos_money=1000, max_loss=None, max_gain=None, max_down=None, add_loss_pct=None, add_gain_pct=None, stop_sig_order='both', add_sig_order='offset', force_final0='settle', del_begin0=True, gap_repeat=False, nshow=None, logger=None)

统计信号收益情况（没考虑杠杆，适用A股）

Note

仅考虑市场价格为正，不考虑市场价格为负值的极端情况

Caution

若报错，检查数据中是否存在无效值等

Parameters:

data (pd.DataFrame) –

行情数据，须包含 sig_col, col_price, col_price_buy, col_price_sel 指定的列。

col_price 为结算价格列；col_price_buy 和 col_price_sel 分别为做多（买入）和做空（卖出）操作的价格列。

Note

当结算价格的出现时间晚于操作价格时 settle_after_act 应设置为True，否则 settle_after_act 设置为False。

sig_col 列为信号列，其值规则应满足：

- 当 sig_type =1时， sig_col 列的值只能包含-1、1和0，其中1为做空（卖出）信号，-1为做多（买入）信号，0为不操作

- 当 sig_type =2时， sig_col 列的值为正|负整数或0，其中正整数表示买入（做多）交易量，负整数表示卖出（做空）交易量，0表示不交易
func_vol_add (str, function) –

自定义开仓/加仓操作时的交易量函数，其输入和输出格式应为：

def func_vol_add(base_vol, holdVol, cash, Price):

# Parameters:

# base_vol：底仓量

# holdVol：当前持仓量

# cash: 可用现金

# Price: 交易价格

# Returns:

# tradeVol：计划交易量

……

return tradeVol

- 当 func_vol_add 指定为’base_x’时，使用预定义函数 get_AddTradeVol_baseX ，其交易计划为：开底仓的x倍

- 当 func_vol_add 指定为’hold_x’时，使用预定义函数 get_AddTradeVol_holdX ，其交易计划为：无持仓时开底仓，有持仓时开持仓的x倍

- 当 func_vol_add 指定为’all’时，使用预定义函数 get_AddTradeVol_all ，其交易计划为：以账户当前可用资金为限额开全仓
func_vol_sub (str, function) –

自定义平仓/减仓操作时的交易量函数，其输入和输出格式应为：

def func_vol_sub_stop(base_vol, holdVol, cash, Price, holdCost):

# Parameters:

# base_vol：底仓量

# holdVol：当前持仓量(正负号表示持仓方向)

# cash: 可用现金(不包含平|减仓释放的资金)

# Price: 交易价格

# holdCost: 当前持仓总成本(用于计算平|减仓释放资金量)

# Returns:

# tradeVol：计划交易量

……

return tradeVol

- 当指定为’base_x’时，使用预定义函数 get_SubStopTradeVol_baseX ，其交易计划为：减底仓的x倍（若超过了持仓量相当于平仓后反向开仓）

- 当指定为’hold_x’时，使用预定义函数 get_SubStopTradeVol_holdX ，其交易计划为：减持仓的x倍（x大于1时相当于平仓后反向开仓）

- 当指定为’hold_base_x’时，使用预定义函数 get_SubStopTradeVol_holdbaseX ，其交易计划为：平仓后反向以base_vol的x倍反向开仓

- 当指定为’hold_all’时，使用预定义函数 get_SubStopTradeVol_holdAll ，其交易计划为：平仓后以账户当前可用资金（包含平仓释放资金）为限额反向开全仓
func_vol_stoploss (str, function) – 自定义止损操作时的交易量函数，格式同 func_vol_sub 参数
func_vol_stopgain (str, function) – 自定义止盈操作时的交易量函数，格式同 func_vol_sub 参数
stop_no_same (bool) – 当止盈止损和操作信号同时出现，是否忽略同向操作信号 (做多|空止损|盈后是否禁止继续做多|空)
ignore_no_stop (bool) – 当有持仓且没有触及止盈止损条件时是否忽略信号，为True时忽略，为False时不忽略
hold_buy_max (int, float) – 买入(做多)持仓量最大值限制，若信号导致持仓量超限，将被忽略
hold_sel_max (int, float) – 卖出(做空)持仓量最大值限制，若信号导致持仓量超限，将被忽略
limit_min_vol (int, float) – 最少开仓量限制（比如股票至少买100股）
base_money (float) – 开底仓交易限额
base_vol (int, float) –
开底仓交易限量

Note

同时设置 base_money 和 base_vol 时以 base_money 为准
init_cash (float) – 账户初始资金额
fee (float) – 单向交易综合成本比例（双向收费）
max_loss (float) – 止损比例
max_gain (float) – 止盈比例
max_down (float) – 平仓最大回撤比例
add_loss_pct (float) – 当前价格比上次同向交易价格亏损达到 add_loss_pct 时加仓，加仓方式由 func_vol_add 决定
add_gain_pct (float) – 当前价格比上次同向交易价格盈利达到 add_gain_pct 时加仓，加仓方式由 func_vol_add 决定
stop_sig_order (str) –

- 若为`sig_only`，当止盈止损和操作信号同时出现时，忽略止盈止损信号

- 若为`stop_only`，当止盈止损和操作信号同时出现时，忽略操作信号

- 若为`stop_first`，当止盈止损和操作信号同时出现时，先考虑止盈止损及反向再开新仓

- 若为`sig_first`，当止盈止损和操作信号同时出现时，先考虑操作信号再进行剩余止盈止损及反向

- 若为`both`，则止盈止损及反向量和信号交易量同时考虑
add_sig_order (str) –

- 若为`offset`，当加仓信号与操作信号相反时，两者抵消

- 若为`sig_only`，当加仓信号与操作信号相反时，以操作信号为准

- 若为`add_only`，当加仓信号与操作信号相反时，以加仓信号为准
force_final0 (str, bool) –

最后一个时间强平价格设置：

- 若为False，则不强平，按结算价结算账户信息

- 若为’trade’，则按col_price_sel或col_price_buy强平

- 若为’settle’，则按结算价col_price强平
sos_money (float) – 账户本金亏损完，补资金时保证账户本金最少为 sos_money
del_begin0 (bool) – 是否删除数据中第一个信号之前没有信号的部分数据
gap_repeat (bool, None, int) –

重复同向信号处理设置 (见 dramkit.gentools.replace_repeat_func_iter() 函数中的 gap 参数):

- 为False时不处理

- 为None时重复同向信号只保留第一个

- 为整数gap时，重复同向信号每隔gap保留一个

Returns:

trade_gain_info (dict) – 返回各个收益评价指标
df (pd.DataFrame) – 包含中间过程数据

Todo

增加动态变更止盈止损点平仓方式
增加根据固定盈亏点位止盈止损/减仓（比如股指期货赚30个点位止盈，亏20个点位止损）
最大回撤平仓添加以点位记回撤的方式
计算变量中增加止盈止损价格
止盈止损考虑增加最高最低价判断条件
增加根据固定盈亏点位加仓（比如IF赚20个点或亏20个点加仓）
止盈止损信号增加动态确定函数(止盈止损或最大回撤百分比不固定，根据持仓时间和盈亏等情况确定)
增加平仓条件设置（比如分段回撤平仓(不同盈利水平不同回撤容忍度)，参数设计成函数）
止损参数和加减仓设计成函数（输入为盈亏比例、最大回撤、盈亏金额、盈亏点位、最近一次交易信息等）
增加浮盈/亏加仓价格确定方式（例如根据距离上次的亏损比例确定）
重写开仓盈亏信息计算函数（先拆单再统计）
正常信号加仓和浮盈/亏加仓方式分开处理（目前是合并一致处理）
固定持仓时间平仓
fee买入和卖出分开设置
func_vol_add, func_vol_sub, func_vol_stoploss, func_vol_stopgain买入和卖出分开设置 (考虑股票不能卖空情况，目前可通过设置 hold_sel_max=0控制禁止买空)
添加更多的止盈止损交易量确定方式设置，比如：

1) 分段止盈止损

(eg. 亏10%止损一半仓位，亏20%强平)(需要记录交易过程中的止盈止损历史记录)

2) 止盈止损和加减仓交易量函数参数扩展(加入持仓周期，盈亏比率等参数）

get_open_gain_info

finfactory.fintools.utils_gains.get_open_gain_info(df_gain, col_price='close', col_price_buy='close', col_price_sel='close', fee=0.0015, force_final0='settle', nshow=None, logger=None): 以开仓为统计口径，计算盈亏指标

df_gain 为 cal_sig_gains() 函数的输出 df

get_yield_curve

finfactory.fintools.utils_gains.get_yield_curve(data, sig_col, nn=252, ext_type=1, net_type='fundnet', gain_type='pct', rtype='exp', show_sigs=True, show_dy_maxdown=False, show_key_infos=True, logger=None, plot=True, kwargs_plot={'figsize': (11, 7)}, **kwargs_gain): 根据信号生成收益曲线

get_yield_curve2

finfactory.fintools.utils_gains.get_yield_curve2(data, col_gain, col_cost, col_price=None, nn=252, net_type='fundnet', gain_type='pct', rtype='exp', ext_type=1, show_mkt=False, logger=None, show_dy_maxdown=False, show_key_infos=True, plot=True, kwargs_plot={}): 根据每期收益和成本/资金占用计算收益曲线