【量化课堂第八十二期】利用chatgpt重现聚宽因子计算

admin2年前 (2023-02-14)量化大V1325

众所周知聚宽因子无法在一创使用，关于因子的介绍也一直是简单至极，模棱两可，很难重现。chatgpt来了，例如“残差波动因子 residual_volatility”，计算公式是：

计算公式：0.74 日收益率标准差(DASTD) + 0.16 收益离差(CMRA) + 0.1 * 残差历史波动率(HSIGMA)，之后将结果和beta因子，市值因子做回归，取残差
残差波动因子

现在可以直接把问题抛给gpt，代码虽然不能直接运行，但已经接近或有了解读的思路。这个行为的意义在于聚宽的众多因子，可以通过gpt重写的方式，在一创使用，节约了大量的人力。

import numpy as np
from jqdatasdk import *

auth('聚宽账号','聚宽密码')
df = get_price(security='股票代码', start_date='开始日期', end_date='结束日期', frequency='daily', fields=['close'], skip_paused=True)
returns = df['close'].pct_change().dropna()
dastd = returns.std()
cmra = returns - returns.mean()
hsigma = returns.rolling(window=252).std().dropna().iloc[-1]
residual_volatility = 0.74 dastd + 0.16 cmra + 0.1 * hsigma
print("残差波动因子：", residual_volatility)

当然了，一创是py2版本，pandas版本也不支持使用“rolling”函数，重新写：

import numpy as np
from jqdatasdk import *

auth('聚宽账号','聚宽密码')
df = get_price(security='股票代码', start_date='开始日期', end_date='结束日期', frequency='daily', fields=['close'], skip_paused=True)
returns = df['close'].pct_change().dropna()
dastd = returns.std()
cmra = returns - returns.mean()
hsigma = np.sqrt(252) np.std(returns[-252:])
residual_volatility = 0.74 dastd + 0.16 cmra + 0.1 hsigma
print("残差波动因子：", residual_volatility)