classify2赚钱

main/data/daily_data.py

@@ -1,11 +0,0 @@
-import tushare as ts
-ts.set_token('3a0741c702ee7e5e5f2bf1f0846bafaafe4e320833240b2a7e4a685f')
-pro = ts.pro_api()
-
-import pandas as pd
-import time
-
-# 读取本地保存的股票列表 CSV 文件（假设文件名为 stocks_data.csv）
-df = ts.pro_bar(ts_code='000001.SZ', adj='hfq', start_date='20180101')
-print(df)
-

main/factor/factor.csv

@@ -0,0 +1,63 @@
+序号	因子名称 (Factor Name / Column Name)	因子类别 (Factor Category)	简要说明
+1	pe_ttm	价值类因子 (Value)	市盈率 TTM
+2	return_5, return_20	动量类因子 (Momentum)	过去5日/20日收益率
+3	act_factor1 to act_factor4	动量类 / 技术类因子 (Momentum / Technical)	基于不同周期EMA斜率计算的动量/趋势因子
+4	std_return_5, std_return_90, std_return_90_2	波动率类因子 (Volatility)	不同窗口期或延迟窗口期的滚动收益率标准差
+5	upside_vol, downside_vol	波动率类因子 (Volatility)	N日滚动上/下行波动率
+6	vol_ratio	波动率类因子 (Volatility)	上行波动率 / 下行波动率
+7	std_return_5 / std_return_90	波动率类因子 (Volatility)	短期波动率 / 长期波动率 比率
+8	std_return_90 - std_return_90_2	波动率类因子 (Volatility)	长期波动率与其10日前值的差值（波动变化）
+9	volatility (来自指数计算)	波动率类 / 市场因子 (Volatility / Market)	指数（或个股）的20日滚动收益率标准差
+10	log(circ_mv) (或 log_circ_mv)	市值类因子 (Size)	流通市值的对数值
+11	cs_rank_size	市值类因子 (Size)	对数流通市值的截面排序
+12	vol	流动性类因子 (Liquidity)	成交量 (通常需要与其他指标结合或处理)
+13	turnover_rate	流动性类因子 (Liquidity)	换手率
+14	volume_ratio	流动性类因子 (Liquidity)	量比
+15	turnover_deviation	流动性类因子 (Liquidity)	换手率与其3日滚动均值的标准差倍数偏离
+16	cat_turnover_spike	流动性类 / 分类因子 (Liquidity / Categorical)	换手率是否显著高于近期均值
+17	volume_change_rate	流动性类因子 (Liquidity)	短期滚动成交量均值 / 长期滚动成交量均值 - 1
+18	cat_volume_breakout	流动性类 / 分类因子 (Liquidity / Categorical)	当日成交量是否大于过去5日最大成交量
+19	avg_volume_ratio	流动性类因子 (Liquidity)	3日滚动量比均值
+20	cat_volume_ratio_breakout	流动性类 / 分类因子 (Liquidity / Categorical)	当日量比是否大于过去5日最大量比
+21	vol_spike (Rolling Mean Vol)	流动性类因子 (Liquidity)	20日滚动成交量均值
+22	vol_std_5	流动性类 / 波动率因子 (Liquidity / Volatility)	成交量日变化率的5日滚动标准差
+23	volume_growth	流动性类因子 (Liquidity)	20日成交量变化率
+24	turnover_std	流动性类 / 波动率因子 (Liquidity / Volatility)	换手率的20日滚动标准差
+25	flow_lg_elg_intensity	资金流 / 流动性类因子 (Money Flow / Liquidity)	（大单+超大单）净买入量 / 总成交量
+26	flow_divergence_diff, flow_divergence_ratio	资金流 / 情绪类因子 (Money Flow / Sentiment)	散户与主力资金流的差异或比率
+27	lg_elg_buy_prop	资金流 / 流动性类因子 (Money Flow / Liquidity)	（大单+超大单）买入量 / 总买入量
+28	flow_struct_buy_change	资金流 / 流动性类因子 (Money Flow / Liquidity)	主力买入占比的日变化
+29	flow_lg_elg_accel	资金流 / 动量类因子 (Money Flow / Momentum)	主力资金流加速度
+30	active_buy_volume_large/big/small	资金流 / 流动性类因子 (Money Flow / Liquidity)	不同规模主动买入量 / 净流入量
+31	buy_lg/elg_vol_minus_sell_lg/elg_vol	资金流 / 流动性类因子 (Money Flow / Liquidity)	不同规模净买入量 / 总净流入量
+32	cs_rank_net_lg_flow_val, cs_rank_elg_buy_ratio, cs_rank_lg_sm_flow_diverge, cs_rank_elg_buy_sell_sm_ratio	资金流 / 复合因子 (截面排序)	各种资金流指标的截面排序
+33	cs_rank_ind_adj_lg_flow	资金流 / 复合因子 (行业调整+截面排序)	行业调整后的大单净流入截面排序
+34	chip_concentration_range, chip_skewness, cost_support_15pct_change, weight_roc5, cost_stability, ctrl_strength, low_cost_dev, asymmetry, cost_conc_std_N, profit_pressure, underwater_resistance, cs_rank_rel_profit_margin, cs_rank_cost_breadth, cs_rank_dist_to_upper_cost	定位类因子 (Positioning) / 技术类	基于持仓成本分布 (cost_*, weight_avg) 计算的各种指标及其截面排序
+35	winner_rate, cs_rank_winner_rate	定位类因子 (Positioning) / 技术类	获利盘比例及其截面排序
+36	floating_chip_proxy, price_cost_divergence, high_cost_break_days, liquidity_risk, lock_factor, cost_atr_adj, smallcap_concentration, cat_golden_resonance	定位类因子 (Positioning) / 复合因子	结合持仓成本与其他信息（价格、成交、波动率、市值）的复合指标
+37	cat_winner_price_zone	定位类 / 分类因子 (Positioning / Categorical)	基于成本和获利盘划分的区域类别
+38	flow_chip_consistency, profit_taking_vs_absorb, vol_amp_loss, vol_drop_profit_cnt, cost_break_confirm_cnt, vol_wgt_hist_pos, cs_rank_vol_x_profit_margin, cs_rank_cost_dist_vol_ratio	定位类因子 (Positioning) / 复合因子	进一步结合定位、资金流、量价的复杂交互因子
+39	return_skew, return_kurtosis	技术类 / 统计特征 (Technical / Stats)	滚动收益率的偏度与峰度
+40	rsi_3	技术类 / 动量类因子 (Technical / Momentum)	3日相对强弱指数
+41	obv, maobv_6, obv-maobv_6	技术类 / 量价因子 (Technical / Volume)	能量潮及其均线、差离
+42	atr_14, atr_6	技术类 / 波动率类因子 (Technical / Volatility)	平均真实波幅
+43	log_close	技术类 / 量价因子 (Technical / Price)	收盘价对数
+44	up, down	技术类 / 量价因子 (Technical / Price Action)	标准化上影线、下影线长度
+45	alpha_22_improved, alpha_003, alpha_007, alpha_013	技术类 / Alpha因子 (Technical / Alpha)	WorldQuant Alpha 因子实现
+46	atr_norm_channel_pos	技术类 / 量价因子 (Technical / Price Action)	ATR 标准化的价格通道位置
+47	turnover_diff_skew	技术类 / 流动性类 (Technical / Liquidity)	换手率变化率的偏度
+48	pullback_strong_N_M	技术类 / 动量类因子 (Technical / Momentum)	近期强势股的回调幅度
+49	vol_adj_roc	技术类 / 复合因子 (动量+波动率)	波动率调整后的 N 日变化率
+50	ar, br, arbr	情绪类 / 技术类因子 (Sentiment / Technical)	ARBR 人气意愿指标
+51	up_ratio_20d (来自指数计算)	情绪类 / 市场因子 (Sentiment / Market)	指数（或个股）过去20天上涨天数比例
+52	cat_up_limit, cat_down_limit, up_limit_count_10d, down_limit_count_10d, consecutive_up_limit	事件驱动 / 市场状态因子 (Event / Market State)	涨跌停相关状态和计数
+53	momentum_factor, resonance_factor	复合因子 (量价) (Composite - P/V)	基于量、价、换手率等的简单复合
+54	cat_af2, cat_af3, cat_af4	复合因子 / 分类因子 (Composite / Cat.)	act_factor 之间的比较
+55	act_factor5, act_factor6	复合因子 (技术类) (Composite - Technical)	act_factor 1-4 的组合
+56	mv_volatility, mv_growth, mv_turnover_ratio, mv_adjusted_volume, mv_weighted_turnover, nonlinear_mv_volume, mv_volume_ratio, mv_momentum	复合因子 (市值+流动性/量价)	考虑了市值影响的量价、流动性或动量指标
+57	cap_neutral_cost_metric (占位符)	复合因子 / Alpha因子 (占位符)	市值行业中性化的成本指标（需实现）
+58	hurst_exponent_flow (占位符)	资金流 / 统计因子 (占位符)	资金流的 Hurst 指数（需实现）
+59	intraday_lg_flow_corr_N (占位符)	复合因子 (价格行为+资金流) (占位符)	日内趋势与大单流相关性（需实现）
+60	industry_* (来自 industry_df)	行业因子 (Industry)	对应行业的各种指标（如行业收益率、行业动量等）
+61	*_deviation (来自 create_deviation_within_dates)	复合因子 (相对行业)	个股因子相对于行业均值的偏离
+62	complex_factor_gplearn_1	复合因子 (GP生成)	DEAP/GP 找到的因子表达式 1

main/factor/factor.txt

@@ -0,0 +1,63 @@
+序号	因子名称 (Factor Name / Column Name)	因子类别 (Factor Category)	简要说明
+1	pe_ttm	价值类因子 (Value)	市盈率 TTM
+2	return_5, return_20	动量类因子 (Momentum)	过去5日/20日收益率
+3	act_factor1 to act_factor4	动量类 / 技术类因子 (Momentum / Technical)	基于不同周期EMA斜率计算的动量/趋势因子
+4	std_return_5, std_return_90, std_return_90_2	波动率类因子 (Volatility)	不同窗口期或延迟窗口期的滚动收益率标准差
+5	upside_vol, downside_vol	波动率类因子 (Volatility)	N日滚动上/下行波动率
+6	vol_ratio	波动率类因子 (Volatility)	上行波动率 / 下行波动率
+7	std_return_5 / std_return_90	波动率类因子 (Volatility)	短期波动率 / 长期波动率 比率
+8	std_return_90 - std_return_90_2	波动率类因子 (Volatility)	长期波动率与其10日前值的差值（波动变化）
+9	volatility (来自指数计算)	波动率类 / 市场因子 (Volatility / Market)	指数（或个股）的20日滚动收益率标准差
+10	log(circ_mv) (或 log_circ_mv)	市值类因子 (Size)	流通市值的对数值
+11	cs_rank_size	市值类因子 (Size)	对数流通市值的截面排序
+12	vol	流动性类因子 (Liquidity)	成交量 (通常需要与其他指标结合或处理)
+13	turnover_rate	流动性类因子 (Liquidity)	换手率
+14	volume_ratio	流动性类因子 (Liquidity)	量比
+15	turnover_deviation	流动性类因子 (Liquidity)	换手率与其3日滚动均值的标准差倍数偏离
+16	cat_turnover_spike	流动性类 / 分类因子 (Liquidity / Categorical)	换手率是否显著高于近期均值
+17	volume_change_rate	流动性类因子 (Liquidity)	短期滚动成交量均值 / 长期滚动成交量均值 - 1
+18	cat_volume_breakout	流动性类 / 分类因子 (Liquidity / Categorical)	当日成交量是否大于过去5日最大成交量
+19	avg_volume_ratio	流动性类因子 (Liquidity)	3日滚动量比均值
+20	cat_volume_ratio_breakout	流动性类 / 分类因子 (Liquidity / Categorical)	当日量比是否大于过去5日最大量比
+21	vol_spike (Rolling Mean Vol)	流动性类因子 (Liquidity)	20日滚动成交量均值
+22	vol_std_5	流动性类 / 波动率因子 (Liquidity / Volatility)	成交量日变化率的5日滚动标准差
+23	volume_growth	流动性类因子 (Liquidity)	20日成交量变化率
+24	turnover_std	流动性类 / 波动率因子 (Liquidity / Volatility)	换手率的20日滚动标准差
+25	flow_lg_elg_intensity	资金流 / 流动性类因子 (Money Flow / Liquidity)	（大单+超大单）净买入量 / 总成交量
+26	flow_divergence_diff, flow_divergence_ratio	资金流 / 情绪类因子 (Money Flow / Sentiment)	散户与主力资金流的差异或比率
+27	lg_elg_buy_prop	资金流 / 流动性类因子 (Money Flow / Liquidity)	（大单+超大单）买入量 / 总买入量
+28	flow_struct_buy_change	资金流 / 流动性类因子 (Money Flow / Liquidity)	主力买入占比的日变化
+29	flow_lg_elg_accel	资金流 / 动量类因子 (Money Flow / Momentum)	主力资金流加速度
+30	active_buy_volume_large/big/small	资金流 / 流动性类因子 (Money Flow / Liquidity)	不同规模主动买入量 / 净流入量
+31	buy_lg/elg_vol_minus_sell_lg/elg_vol	资金流 / 流动性类因子 (Money Flow / Liquidity)	不同规模净买入量 / 总净流入量
+32	cs_rank_net_lg_flow_val, cs_rank_elg_buy_ratio, cs_rank_lg_sm_flow_diverge, cs_rank_elg_buy_sell_sm_ratio	资金流 / 复合因子 (截面排序)	各种资金流指标的截面排序
+33	cs_rank_ind_adj_lg_flow	资金流 / 复合因子 (行业调整+截面排序)	行业调整后的大单净流入截面排序
+34	chip_concentration_range, chip_skewness, cost_support_15pct_change, weight_roc5, cost_stability, ctrl_strength, low_cost_dev, asymmetry, cost_conc_std_N, profit_pressure, underwater_resistance, cs_rank_rel_profit_margin, cs_rank_cost_breadth, cs_rank_dist_to_upper_cost	定位类因子 (Positioning) / 技术类	基于持仓成本分布 (cost_*, weight_avg) 计算的各种指标及其截面排序
+35	winner_rate, cs_rank_winner_rate	定位类因子 (Positioning) / 技术类	获利盘比例及其截面排序
+36	floating_chip_proxy, price_cost_divergence, high_cost_break_days, liquidity_risk, lock_factor, cost_atr_adj, smallcap_concentration, cat_golden_resonance	定位类因子 (Positioning) / 复合因子	结合持仓成本与其他信息（价格、成交、波动率、市值）的复合指标
+37	cat_winner_price_zone	定位类 / 分类因子 (Positioning / Categorical)	基于成本和获利盘划分的区域类别
+38	flow_chip_consistency, profit_taking_vs_absorb, vol_amp_loss, vol_drop_profit_cnt, cost_break_confirm_cnt, vol_wgt_hist_pos, cs_rank_vol_x_profit_margin, cs_rank_cost_dist_vol_ratio	定位类因子 (Positioning) / 复合因子	进一步结合定位、资金流、量价的复杂交互因子
+39	return_skew, return_kurtosis	技术类 / 统计特征 (Technical / Stats)	滚动收益率的偏度与峰度
+40	rsi_3	技术类 / 动量类因子 (Technical / Momentum)	3日相对强弱指数
+41	obv, maobv_6, obv-maobv_6	技术类 / 量价因子 (Technical / Volume)	能量潮及其均线、差离
+42	atr_14, atr_6	技术类 / 波动率类因子 (Technical / Volatility)	平均真实波幅
+43	log_close	技术类 / 量价因子 (Technical / Price)	收盘价对数
+44	up, down	技术类 / 量价因子 (Technical / Price Action)	标准化上影线、下影线长度
+45	alpha_22_improved, alpha_003, alpha_007, alpha_013	技术类 / Alpha因子 (Technical / Alpha)	WorldQuant Alpha 因子实现
+46	atr_norm_channel_pos	技术类 / 量价因子 (Technical / Price Action)	ATR 标准化的价格通道位置
+47	turnover_diff_skew	技术类 / 流动性类 (Technical / Liquidity)	换手率变化率的偏度
+48	pullback_strong_N_M	技术类 / 动量类因子 (Technical / Momentum)	近期强势股的回调幅度
+49	vol_adj_roc	技术类 / 复合因子 (动量+波动率)	波动率调整后的 N 日变化率
+50	ar, br, arbr	情绪类 / 技术类因子 (Sentiment / Technical)	ARBR 人气意愿指标
+51	up_ratio_20d (来自指数计算)	情绪类 / 市场因子 (Sentiment / Market)	指数（或个股）过去20天上涨天数比例
+52	cat_up_limit, cat_down_limit, up_limit_count_10d, down_limit_count_10d, consecutive_up_limit	事件驱动 / 市场状态因子 (Event / Market State)	涨跌停相关状态和计数
+53	momentum_factor, resonance_factor	复合因子 (量价) (Composite - P/V)	基于量、价、换手率等的简单复合
+54	cat_af2, cat_af3, cat_af4	复合因子 / 分类因子 (Composite / Cat.)	act_factor 之间的比较
+55	act_factor5, act_factor6	复合因子 (技术类) (Composite - Technical)	act_factor 1-4 的组合
+56	mv_volatility, mv_growth, mv_turnover_ratio, mv_adjusted_volume, mv_weighted_turnover, nonlinear_mv_volume, mv_volume_ratio, mv_momentum	复合因子 (市值+流动性/量价)	考虑了市值影响的量价、流动性或动量指标
+57	cap_neutral_cost_metric (占位符)	复合因子 / Alpha因子 (占位符)	市值行业中性化的成本指标（需实现）
+58	hurst_exponent_flow (占位符)	资金流 / 统计因子 (占位符)	资金流的 Hurst 指数（需实现）
+59	intraday_lg_flow_corr_N (占位符)	复合因子 (价格行为+资金流) (占位符)	日内趋势与大单流相关性（需实现）
+60	industry_* (来自 industry_df)	行业因子 (Industry)	对应行业的各种指标（如行业收益率、行业动量等）
+61	*_deviation (来自 create_deviation_within_dates)	复合因子 (相对行业)	个股因子相对于行业均值的偏离
+62	complex_factor_gplearn_1	复合因子 (GP生成)	DEAP/GP 找到的因子表达式 1

main/train/test.ipynb

@@ -0,0 +1,200 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 6,
+   "id": "1c4126c0",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "from operator import index\n",
+    "\n",
+    "import tushare as ts\n",
+    "import pandas as pd\n",
+    "import time\n",
+    "import akshare as ak\n",
+    "\n",
+    "ts.set_token('3a0741c702ee7e5e5f2bf1f0846bafaafe4e320833240b2a7e4a685f')\n",
+    "pro = ts.pro_api()\n",
+    "\n",
+    "from datetime import datetime\n",
+    "import pandas as pd\n",
+    "import warnings\n",
+    "import warnings\n",
+    "\n",
+    "warnings.filterwarnings(\"ignore\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 42,
+   "id": "dc90836a",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def filter_rows(df):\n",
+    "    # 按照 name 和 start_date 分组\n",
+    "    def select_row(group):\n",
+    "        # 如果有 end_date 不为 NaT 的行，优先保留这些行\n",
+    "        valid_rows = group[group['end_date'].notna()]\n",
+    "        if not valid_rows.empty:\n",
+    "            return valid_rows.iloc[0]  # 返回第一个有效行\n",
+    "        else:\n",
+    "            return group.iloc[0]  # 如果没有有效行，返回第一行\n",
+    "\n",
+    "    filtered_df = df.groupby(['name', 'start_date'], group_keys=False).apply(select_row)\n",
+    "    filtered_df = filtered_df.reset_index(drop=True)\n",
+    "    return filtered_df\n",
+    "\n",
+    "name_change_df = pd.read_hdf('E:/PyProject/NewStock/data/name_change.h5', key='name_change')\n",
+    "name_change_df = name_change_df.drop_duplicates(keep='first')\n",
+    "\n",
+    "# 确保 name_change_df 的日期格式正确\n",
+    "name_change_df['start_date'] = pd.to_datetime(name_change_df['start_date'], format='%Y%m%d')\n",
+    "name_change_df['end_date'] = pd.to_datetime(name_change_df['end_date'], format='%Y%m%d', errors='coerce')\n",
+    "name_change_df = name_change_df[name_change_df.name.str.contains('ST')]\n",
+    "name_change_dict = {}\n",
+    "for ts_code, group in name_change_df.groupby('ts_code'):\n",
+    "    # 只保留 'ST' 和 '*ST' 的记录\n",
+    "    st_data = group[group['name'].str.contains('ST')]\n",
+    "    if not st_data.empty and ts_code == '002569.SZ':\n",
+    "        name_change_dict[ts_code] = filter_rows(st_data)\n",
+    "        # name_change_dict[ts_code] = st_data"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 43,
+   "id": "f0ed36d1",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "        ts_code   name start_date   end_date change_reason\n",
+      "7990  002569.SZ   ST步森 2020-06-09        NaT            摘星\n",
+      "7992  002569.SZ  *ST步森 2019-04-30        NaT           *ST\n",
+      "7993  002569.SZ  *ST步森 2019-04-30 2020-06-08           *ST\n",
+      "     ts_code   name start_date   end_date change_reason\n",
+      "0  002569.SZ  *ST步森 2019-04-30 2020-06-08           *ST\n",
+      "1  002569.SZ   ST步森 2020-06-09        NaT            摘星\n"
+     ]
+    }
+   ],
+   "source": [
+    "print(name_change_df[name_change_df['ts_code'] == '002569.SZ'])\n",
+    "print(filter_rows(name_change_df[name_change_df['ts_code'] == '002569.SZ']))\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 44,
+   "id": "3c526622",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "     ts_code   name start_date   end_date change_reason\n",
+      "0  002569.SZ  *ST步森 2019-04-30 2020-06-08           *ST\n",
+      "1  002569.SZ   ST步森 2020-06-09        NaT            摘星\n",
+      "        ts_code trade_date  is_st\n",
+      "3753  002569.SZ   20230120   True\n"
+     ]
+    }
+   ],
+   "source": [
+    "\n",
+    "warnings.filterwarnings(\"ignore\")\n",
+    "\n",
+    "\n",
+    "def is_st(name_change_dict, stock_code, target_date):\n",
+    "    target_date = datetime.strptime(target_date, '%Y%m%d')\n",
+    "    if stock_code not in name_change_dict.keys():\n",
+    "        return False\n",
+    "    df = name_change_dict[stock_code]\n",
+    "    print(df)\n",
+    "    for i in range(len(df)):\n",
+    "        sds = df.iloc[i, 2]\n",
+    "        eds = df.iloc[i, 3]\n",
+    "        if eds is None or eds is pd.NaT:\n",
+    "            eds = datetime.now()\n",
+    "        if (target_date - sds).days >= 0 and (target_date - eds).days <= 0:\n",
+    "            return True\n",
+    "    return False\n",
+    "\n",
+    "        \n",
+    "trade_date = '20230120'\n",
+    "daily_basic_data = pro.daily_basic(ts_code='', trade_date=trade_date)\n",
+    "daily_basic_data = daily_basic_data[daily_basic_data['ts_code'] == '002569.SZ']\n",
+    "if daily_basic_data is not None and not daily_basic_data.empty:\n",
+    "        # 添加交易日期列标识\n",
+    "        daily_basic_data['trade_date'] = trade_date\n",
+    "        daily_basic_data['is_st'] = daily_basic_data.apply(\n",
+    "            lambda row: is_st(name_change_dict, row['ts_code'], row['trade_date']), axis=1\n",
+    "        )\n",
+    "        \n",
+    "print(daily_basic_data[daily_basic_data['ts_code'] == '002569.SZ'][['ts_code', 'trade_date', 'is_st']])"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "cf4c9fd5",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 45,
+   "id": "4a3638e6",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "     ts_code   name start_date  end_date change_reason\n",
+      "0  002569.SZ  *ST步森   20250428      None           *ST\n",
+      "1  002569.SZ   ST步森   20200609      None            摘星\n",
+      "2  002569.SZ   ST步森   20200609      None            摘星\n",
+      "3  002569.SZ   ST步森   20200609  20250427            摘星\n",
+      "4  002569.SZ  *ST步森   20190430      None           *ST\n",
+      "5  002569.SZ  *ST步森   20190430  20200608           *ST\n",
+      "6  002569.SZ  *ST步森   20190430  20200608           *ST\n",
+      "7  002569.SZ   步森股份   20110412  20190429            其他\n",
+      "8  002569.SZ   步森股份   20110412  20190429            其他\n"
+     ]
+    }
+   ],
+   "source": [
+    "df = pro.namechange(ts_code='002569.SZ', fields='ts_code,name,start_date,end_date,change_reason')\n",
+    "print(df)"
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "new_trader",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.11.11"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

main/train/test.py

@@ -3,12 +3,13 @@ from operator import index
 import tushare as ts
 import pandas as pd
 import time
+import akshare as ak
+
+from main.factor.factor import calculate_arbr
 
 ts.set_token('3a0741c702ee7e5e5f2bf1f0846bafaafe4e320833240b2a7e4a685f')
 pro = ts.pro_api()
 
-df = pro.index_member_all(ts_code='603579.SH')
-print(df)
+df = pro.balancesheet(ts_code='600000.SH', start_date='20180101', end_date='20180730')
 
-df = pro.sw_daily(trade_date='20250305', fields='ts_code,name,open,close,vol,pe,pb')
-print(df[df['ts_code'] == '851171.SI'])
+print(df['total_liab'])