在本人新推出polars_ta这个库后，再回头反思expr_codegen是什么。
expr_codegen本质是DSL，领域特定语⾔(Domain Specific Language)。但它没有定义新的语法
它解决了两个问题:
polars_ta已经能很方便的写出特征计算表达式，但遇到混用时序与截面的表达式，利用expr_codegen能自动分组大大节省工作expr_codegen利用了Common Subexpression Elimination公共子表达式消除，大量减少重复计算，提高效率
就算在量化领域，初级研究员局限于时序指标，仅用polars_ta即可，中高级研究员使用截面指标，推荐用expr_codegen
虽然现在此项目与polars_ta依赖非常紧密，但也是支持翻译成其它库,如pandas / cudf.pandas，只是目前缺乏一个比较简易的库
https://exprcodegen.streamlit.app
初级用户可以直接访问此链接进行表达式转译，不需要另外安装软件。(此工具免费部署在国外，打开可能有些慢)
更完整示例访问alpha_examples
import sys
from io import StringIO
from expr_codegen import codegen_exec
def _code_block_1():
# 因子编辑区，可利用IDE的智能提示在此区域编辑因子
LOG_MC_ZS = cs_mad_zscore(log1p(market_cap))
def _code_block_2():
# 模板中已经默认导入了from polars_ta.prefix下大量的算子，但
# talib在模板中没有默认导入。这种写法可实现在生成的代码中导入
from polars_ta.prefix.talib import ts_LINEARREG_SLOPE # noqa
# 1. 下划线开头的变量只是中间变量,会被自动更名，最终输出时会被剔除
# 2. 下划线开头的变量可以重复使用。多个复杂因子多行书写时有重复中间变时不再冲突
_avg = ts_mean(corr, 20)
_std = ts_std_dev(corr, 20)
_beta = ts_LINEARREG_SLOPE(corr, 20)
# 3. 下划线开头的变量有环循环赋值。在调试时可快速用注释进行切换
_avg = cs_mad_zscore_resid(_avg, LOG_MC_ZS, ONE)
_std = cs_mad_zscore_resid(_std, LOG_MC_ZS, ONE)
# _beta = cs_mad_zscore_resid(_beta, LOG_MC_ZS, ONE)
_corr = cs_zscore(_avg) + cs_zscore(_std)
CPV = cs_zscore(_corr) + cs_zscore(_beta)
code = StringIO()
df = None # 替换成真实的polars数据
df = codegen_exec(df, _code_block_1, _code_block_2, output_file=sys.stdout) # 打印代码
df = codegen_exec(df, _code_block_1, _code_block_2, output_file="output.py") # 保存到文件
df = codegen_exec(df, _code_block_1, _code_block_2) # 只执行，不保存代码
df = codegen_exec(df, _code_block_1, _code_block_2, output_file=code) # 保存到字符串
code.seek(0)
code.read() # 读取代码
df = codegen_exec(df.lazy(), _code_block_1, _code_block_2).collect() # Lazy CPU
df = codegen_exec(df.lazy(), _code_block_1, _code_block_2).collect(engine="gpu") # Lazy GPU│ requirements.txt # 通过`pip install -r requirements.txt`安装依赖
├─data
│ prepare_date.py # 准备数据
├─examples
│ demo_express.py # 速成示例。演示如何将表达式转换成代码
│ demo_exec_pl.py # 演示调用转换后代码并绘图
│ demo_transformer.py # 演示将第三方表达式转成内部表达式
│ output.py # 结果输出。可不修改代码，直接被其它项目导入
│ show_tree.py # 画表达式树形图。可用于分析对比优化结果
│ sympy_define.py # 符号定义，由于太多地方重复使用到，所以统一提取到此处
├─expr_codegen
│ │ expr.py # 表达式处理基本函数
│ │ tool.py # 核心工具代码
│ ├─polars
│ │ │ code.py # 针对polars语法的代码生成功能
│ │ │ template.py.j2 # `Jinja2`模板。用于生成对应py文件，一般不需修改
│ │ │ printer.py # 继承于`Sympy`中的`StrPrinter`，添加新函数时可能需修改此文件
本项目依赖于sympy项目。所用到的主要函数如下：
simplify: 对复杂表达式进行化简cse:Common Subexpression Elimination公共子表达式消除StrPrinter: 根据不同的函数输出不同字符串。定制此代码可以支持其它语种或库
因为groupby,sort都比较占用时间。如果提前将公式分类，不同的类别使用不同的groupby，可以减少计算时间。
ts_xxx(ts_xxx): 可在同一groupby中进行计算cs_xxx(cs_xxx): 可在同一groupby中进行计算ts_xxx(cs_xxx): 需在不同groupby中进行计算cs_xxx(ts_xxx(cs_xxx)): 需三不同groupby中进行计算gp_xxx(aa, )+gp_xxx(bb, ): 因aa,bb不同，需在两不同groupby中进行计算
所以
- 需要有一个函数能获取当前表达式的类别(
get_current)和子表达式的类别(get_children) - 如果当前类别与子类别不同就可以提取出短公式(
extract)。不同层的同类别表达式有先后关系，不能放同一groupby - 利用
cse的特点，将长表达式替换成前期提取出来的短表达式。然后输入到有向无环图(DAG) - 利用有向无环图的流转，进行分层。同一层的
ts,cs,gp不区分先后 - 同一层对
ts,cs,gp分组，然后生成代码(codegen)即可
隐含信息
ts: sort(by=[ASSET, DATE]).groupby(by=[ASSET], maintain_order=True)cs: sort(by=[DATE]).groupby(by=[DATE], maintain_order=False)gp: sort(by=[DATE, GROUP]).groupby(by=[DATE, GROUP], maintain_order=False)
即
- 时序函数隐藏了两个字段
ASSET, DATE，横截面函数了隐藏了一个字段DATE - 分组函数转入了一个字段
GROUP，同时隐藏了一个字段DATE
两种分类方法
- 根据算子前缀分类(
get_current_by_prefix)，限制算子必需以ts_、cs_、gp_开头 - 根据算子全名分类(
get_current_by_name), 不再限制算子名。比如cs_rank可以叫rank
null是如何产生的？
- 停牌导致。在计算前就直接过滤掉了，不会对后续计算产生影响。
- 不同品种交易时段不同
- 计算产生。
null在数列两端不影响后续时序算子结果，但中间出现null会影响。例如：if_else(close<2, None, close)
pola-rs/polars#12925 (comment)
非常棒的点子，总结下来有两种实现方式：
- 将
null分成一组，not_null分成另一组。要调用两次 - 仅一组，但复合排序，将
null排在前面，not_null排后面。只调用一次，略快一些
X1 = (ts_returns(CLOSE, 3)).over(CLOSE.is_not_null(), _ASSET_, order_by=_DATE_),
X2 = (ts_returns(CLOSE, 3)).over(_ASSET_, order_by=[CLOSE.is_not_null(), _DATE_]),
X3 = (ts_returns(CLOSE, 3)).over(_ASSET_, order_by=_DATE_),第2种开头的null区域，是否影响结果由算子所决定，特别时是多列输入时null区域可能有数据
over_null='partition_by'。分到两个区域over_null='order_by'。分到一个区域，null排在前面over_null=None。不处理，直接调用，速度更快。如果确信不会中段产生null建议使用此参数
DAG只能增加列无法删除。增加列时，遇到同名列会覆盖- 不支持
删除行，但可以添加删除标记列，然后在外进行删除行。删除行影响了所有列，不满足DAG - 不支持
重采样，原理同不支持删除行。需在外进行 - 可以将
删除行与重采样做为分割线，一大块代码分成多个DAG串联。复杂不易理解，所以最终没有实现
- 支持
C?T:F三元表达式（仅可字符串中使用），底层会先转成C or True if( T )else F，然后修正成T if C else F，最后转成if_else(C,T,F)。支持与if else混用 (A<B)*-1,底层将转换成int_(A<B)*-1- 为防止
A==B被sympy替换成False，底层会换成Eq(A,B) A^B的含义与convert_xor参数有关，convert_xor=True底层会转换成Pow(A,B)，反之为Xor(A,B)。默认为False，用**表示乘方- 支持
A&B&C，但不支持A==B==C。如果C是布尔，AB是数值，可手工替换成(A==B)==C。如果ABC是数值需手工替换成(A==B)&(B==C) - 不支持
A<=B<=C，需手工替换成(A<=B)&(B<=C) - 支持
A[0]+B[1]+C[2]，底层会转成A+ts_delay(B,1)+ts_delay(C,2) - 支持
~A,底层会转换成Not(A) gp_开头的函数都会返回对应的cs_函数。如gp_func(A,B,C)会替换成cs_func(B,C),其中A用在了groupby([date, A])- 支持
A,B,C=MACD()元组解包，在底层会替换成
_x_0 = MACD()
A = unpack(_x_0, 0)
B = unpack(_x_0, 1)
C = unpack(_x_0, 2)- 输出的数据，所有以
_开头的列，最后会被自动删除。所以需要保留的变量一定不要以_开头 - 为减少重复计算，自动添加了了中间变量，以
_x_开头，如_x_0，_x_1等。最后会被自动删除 - 单行表达式过长，或有重复计算，可以通过中间变量，将单行表达式改成多行。如果中间变量使用
_开头，将会自动添加数字后缀，形成不同的变量，如_A会替换成_A_0_、_A_1_等。使用场景如下：- 同一变量名，重复使用。本质是不同的变量
- 循环赋值，但
DAG不支持有环。=号左右的同名变量其实是不同变量
转译后的代码片段，详细代码请参考Polars版
def func_0_ts__asset(df: pl.DataFrame) -> pl.DataFrame:
df = df.sort(by=[_DATE_])
# ========================================
df = df.with_columns(
_x_0=1 / ts_delay(OPEN, -1),
LABEL_CC_1=(-CLOSE + ts_delay(CLOSE, -1)) / CLOSE,
)
# ========================================
df = df.with_columns(
LABEL_OO_1=_x_0 * ts_delay(OPEN, -2) - 1,
LABEL_OO_2=_x_0 * ts_delay(OPEN, -3) - 1,
)
return df转译后的代码片段，详细代码请参考Pandas版
def func_2_cs__date(df: pd.DataFrame) -> pd.DataFrame:
# expr_4 = cs_rank(x_7)
df["expr_4"] = (df["x_7"]).rank(pct=True)
return df
def func_3_ts__asset__date(df: pd.DataFrame) -> pd.DataFrame:
# expr_5 = -ts_corr(OPEN, CLOSE, 10)
df["expr_5"] = -(df["OPEN"]).rolling(10).corr(df["CLOSE"])
# expr_6 = ts_delta(OPEN, 10)
df["expr_6"] = df["OPEN"].diff(10)
return df只需运行streamlit run streamlit_app.py