章节大纲

  • 时间点 (Point-in-Time) 数据库

    简介

    在进行任何形式的历史市场分析时，时间点数据是一个非常重要的考量因素。

    例如，假设我们正在回测一个交易策略，并使用过去五年的历史数据作为输入。我们的模型假设每天收盘时交易一次，我们计算回测中 2020 年 1 月 1 日的交易信号。那时，我们应该只拥有 2020 年 1 月 1 日、2019 年 12 月 31 日、2019 年 12 月 30 日等的数据。

    在金融数据（尤其是财务报告）中，同一份数据可能会随着时间的推移被多次修改。如果我们在历史回测中只使用最新版本的数据，就会发生数据泄露。时间点数据库旨在解决这个问题，以确保用户在任何历史时间戳都能获取正确版本的数据。它将保持在线交易和历史回测的性能一致。

    数据准备

    Qlib 提供了一个爬虫来帮助用户下载金融数据，然后是一个转换器将数据转储为 Qlib 格式。请按照 scripts/data_collector/pit/README.md 下载和转换数据。此外，您还可以在那里找到一些额外的用法示例。

    PIT 数据的基于文件的设计

    Qlib 为 PIT 数据提供了一种基于文件的存储方式。

    对于每个特征，它包含 4 列，即 date、period、value 和 _next。每一行对应一个声明。

    文件名类似 XXX_a.data 的每个特征的含义：

    • date：声明的发布日期。

    • period：声明所属的时期。（例如，在大多数市场中，这将是季度频率）

      • 如果是年度，它将是一个对应年份的整数。

      • 如果是季度，它将是一个类似 <year><index of quarter> 的整数。最后两位小数表示季度索引。其他位表示年份。

    • value：描述的值。

    • _next：下一个字段出现的字节索引。

    除了特征数据，还包含一个索引文件 XXX_a.index 以加快查询性能。

    声明按 date 升序排列，从文件的开头开始。

    # XXXX.data 的数据格式
array([(20070428, 200701, 0.090219  , 4294967295),
       (20070817, 200702, 0.13933   , 4294967295),
       (20071023, 200703, 0.24586301, 4294967295),
       (20080301, 200704, 0.3479    ,         80),
       (20080313, 200704, 0.395989  , 4294967295),
       (20080422, 200801, 0.100724  , 4294967295),
       (20080828, 200802, 0.24996801, 4294967295),
       (20081027, 200803, 0.33412001, 4294967295),
       (20090325, 200804, 0.39011699, 4294967295),
       (20090421, 200901, 0.102675  , 4294967295),
       (20090807, 200902, 0.230712  , 4294967295),
       (20091024, 200903, 0.30072999, 4294967295),
       (20100402, 200904, 0.33546099, 4294967295),
       (20100426, 201001, 0.083825  , 4294967295),
       (20100812, 201002, 0.200545  , 4294967295),
       (20101029, 201003, 0.260986  , 4294967295),
       (20110321, 201004, 0.30739301, 4294967295),
       (20110423, 201101, 0.097411  , 4294967295),
       (20110831, 201102, 0.24825101, 4294967295),
       (20111018, 201103, 0.318919  , 4294967295),
       (20120323, 201104, 0.4039    ,        420),
       (20120411, 201104, 0.403925  , 4294967295),
       (20120426, 201201, 0.112148  , 4294967295),
       (20120810, 201202, 0.26484701, 4294967295),
       (20121026, 201203, 0.370487  , 4294967295),
       (20130329, 201204, 0.45004699, 4294967295),
       (20130418, 201301, 0.099958  , 4294967295),
       (20130831, 201302, 0.21044201, 4294967295),
       (20131016, 201303, 0.30454299, 4294967295),
       (20140325, 201304, 0.394328  , 4294967295),
       (20140425, 201401, 0.083217  , 4294967295),
       (20140829, 201402, 0.16450299, 4294967295),
       (20141030, 201403, 0.23408499, 4294967295),
       (20150421, 201404, 0.319612  , 4294967295),
       (20150421, 201501, 0.078494  , 4294967295),
       (20150828, 201502, 0.137504  , 4294967295),
       (20151023, 201503, 0.201709  , 4294967295),
       (20160324, 201504, 0.26420501, 4294967295),
       (20160421, 201601, 0.073664  , 4294967295),
       (20160827, 201602, 0.136576  , 4294967295),
       (20161029, 201603, 0.188062  , 4294967295),
       (20170415, 201604, 0.244385  , 4294967295),
       (20170425, 201701, 0.080614  , 4294967295),
       (20170728, 201702, 0.15151   , 4294967295),
       (20171026, 201703, 0.25416601, 4294967295),
       (20180328, 201704, 0.32954201, 4294967295),
       (20180428, 201801, 0.088887  , 4294967295),
       (20180802, 201802, 0.170563  , 4294967295),
       (20181029, 201803, 0.25522   , 4294967295),
       (20190329, 201804, 0.34464401, 4294967295),
       (20190425, 201901, 0.094737  , 4294967295),
       (20190713, 201902, 0.        ,       1040),
       (20190718, 201902, 0.175322  , 4294967295),
       (20191016, 201903, 0.25581899, 4294967295)],
      dtype=[('date', '<u4'), ('period', '<u4'), ('value', '<f8'), ('_next', '<u4')])
# - 每行包含 20 字节
# XXXX.index 的数据格式。它由两部分组成
# 1) 数据的起始索引。所以信息的第一部分会像 2007
# 2) 剩余的索引数据会像下面的信息
#    - 数据指示一个周期内第一次数据更新的**字节索引**。
#    - 例如：因为字节 80 和 100 处的信息都对应 200704，所以记录了第一次出现的字节索引（即 100）。
array([         0,         20,         40,         60,        100,
              120,        140,        160,        180,        200,
              220,        240,        260,        280,        300,
              320,        340,        360,        380,        400,
              440,        460,        480,        500,        520,
              540,        560,        580,        600,        620,
              640,        660,        680,        700,        720,
              740,        760,        780,        800,        820,
              840,        860,        880,        900,        920,
              940,        960,         0,       1020,       1060,
             4294967295], dtype=uint32)

    已知限制：

    • 目前，PIT 数据库是为季度或年度因子设计的，可以处理大多数市场中财务报告的基本数据。

    • Qlib 利用文件名来识别数据类型。名称类似 XXX_q.data 的文件对应于季度数据。名称类似 XXX_a.data 的文件对应于年度数据。

    • PIT 的计算并非以最佳方式执行。PIT 数据计算的性能有很大的提升潜力。