量化交易实际上是金融与计算机的结合，所需的各自专业知识都特别强，学习成本无论时间还是成本都需要慢慢积累。但是其实量化还是拼的是大家的金融理论，编程也只是一套工具帮助大家分析理论或者因子的可行性，以及在过去历史的实际表现。因此工具显得十分重要，云端的策略编写受限于资源硬件，用起来确实有些弊端，因此我们将数据拉到本地，让同花顺在本地能够帮助我们进行策略编写和因子分析。
本地化主要做了哪些事情我简单概述一下：
- 数据本地化存储、数据每日更新（目前仅日频数据）
- 因子计算公式化
- 数据处理（空值处理、去极值、标准化）
- 引用了一些经典的机器学习、深度学习模型
- 本地的策略回测
- 本地策略模拟、实盘
因子
因子作为量化交易里非常重要的因素，直接决定量化策略的质量如何。每个因子都代表一些有效的（产生正超额收益，即最高分位）和无效的投资策略（产生负超额收益，即底部分位），因子之所以如此重要，是因为一旦认定一个因子具有投资价值，它就可以与其他因子相结合创建复杂的模型，从而产生强大且稳定的超额收益。
同花顺以及通达信的因子表达式实际就可以理解为因子，在这些软件上其实扮演这及其重要的作用，无论是画线参考，还是技术选股、形态识别之类的一些直播奥，实际都是通过公式和参数去进行计算的。那么在量化策略开发中，我们就可以把这些指标、公式直接转换成公式去进行计算，做分析验证。实际上金融的工作本应如此，把精力放在因子挖掘、因子计算、因子分析，因子组合、因子测试等等，好的因子以及相互组合，无论在传统策略，或者配合上AI模型（机器学习、深度学习），都会有一些不错的收益。
目前云端策略开发上受限于技术平台（服务器资源，例如CPU、内存等因素），很多因子计算都需要自定义方法去做大量去计算，从获取基础数据、基础特征，再去计算因子值，这样的计算耗时耗力。那能不能通过简单的公式表达式去计算一些因子呢？
我这里给出一些示例：
#当天收盘价/20日内最低的收盘价
Factor1=close_0/ts_min(close_0,20)
#3日内最高价的最大值/当日收盘价
Factor2=ts_max(high_0,3)/close_0
#alpha101中的经典因子
Alpha001=(rank(correlation((high_0+low_0+close_0+open_0)/4,volume_0,4))*rank(correlation(rank(low_0),rank(mean(volume_0,50)),12)))
这里是我举得几个简单的例子，下面我在本地通过开发的因子计算引擎去通过表达式计算：
效果还可以，2013年~2023年的11年A股的全部数据，三个因子计算耗时在1min4s左右。
本地化代码研究当然少不了硬件加持，i9-14900K+128G内存，让代码飞起来~~
对于通达信、同花顺的指标公式，只需转换成表达式的形式，就可以进行计算，计算结果可以在程序中分析、组合、回测来看看实际的效果如何，还是十分方便的。
下面我来举个通达信的例子
这是通达信的梅斯线指标，根据这个公式我来编写表达式：
tdx_MAMASS=ta_sma(sum(ta_sma(high_0-low_0,9)/ta_sma(ta_sma(high_0-low_0,9),9), 25), 6)
用本地代码来获取
from CTQuantPlatform import M
t=['tdx_MAMASS=ta_sma(sum(ta_sma(high_0-low_0,9)/ta_sma(ta_sma(high_0-low_0,9),9), 25), 6)']
features_block = M.input_features(None,t)
xl_date_block = M.input_date('20130101','20231231')
g_feature_block = M.general_feature_extractor(feature_list_input=features_block.get_data(), input_Date=xl_date_block.get_data(), shift_days=100)
d_feature_block = M.derived_feature_extractor(input_data=g_feature_block.get_data(),input_feature_list=features_block.get_data_1(),input_Date=xl_date_block.get_data())
d_feature_block.read()
11年的数据量9230337条，耗时在44s左右。
计算结果和通达信、同花顺一致。
因子分析
因子的值计算出来，那就可以通过代码去分析、测试、验证等等一系列操作，这个我相信有很多讲解文章都会提到，下面我就针对因子简单的做一些分析尝试。
这个就是针对同花顺概念板块的因子分析图表，持仓收益目标是1天，经典的十分位分析图，即将因子值分为十个分位，统计每个分位的一定时间范围内的累乘收益，发现一分为较其他分位优势还是很明显的，因此我们可以用此因子来做个初步的筛选。过两天我会以此清洗来做个策略来测试下效果如何，各位朋友感兴趣的话可以关注后续。
我们的beta版本已发布，欢迎有兴趣的大佬来体验，对与使用过程中的建议和意见，我们会及时优化，希望能更快帮助大家更好的开发策略。链接
