expr_codegen 符号表达式代码生成器

一个将表达式转成其它代码的工具

项目背景

polars语法不同于pandas,也不同于常见的表达式，导致学习难度大，转译还容易出错。所以创建此项目为解决以下问题：

1. 提取公共子表达式，减少代码量和重复计算
2. 对表达式进行化简，便于人理解
3. 时序与横截面表达式自动进行分离，解决人难于处理多层嵌套表达式问题

第一阶段开发完成后，发现此项目其实也可以用于生成其它库的代码或语言。所以又重新更名和调整代码。目前已经支持

1. polars
2. pandas / cudf.pandas

还有很多算子还没实现完全，欢迎贡献代码

在线演示

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)

使用方法

由于每位用户的使用场景都各有不同，所以不提供安装包，更多是教会大家如何进行二次开发。

1. 通过git clone --depth=1 https://github.com/wukan1986/expr_codegen.git 或 手工下载zip 到本地
2. 进入到目录中，通过pip install -r requirements.txt安装依赖
3. 使用IDE(例如PyCharm或VSCode)，打开项目，按需定制
4. 运行demo_cn.py生成output.py，将此文件复制到其它项目中，修改数据读取和保存等部分即可

遗传算法依赖库安装

expr_codegen项目本身所用的库其实很少，因为生成的代码并不需要执行。但为了演示遗传算法项目就不得不执行了。 为了简化代码，还推出了一个polars_ta算子库，欢迎使用

目录结构

│  requirements.txt # 通过`pip install -r requirements.txt`安装依赖
│  requirements_gp.txt # 通过`pip install -r requirements_gp.txt`安装遗传编程依赖
├─data
│      prepare_date.py # 准备数据
├─examples
│      alpha101.txt # WorldQuant Alpha101示例，可复制到`streamlit`应用
│      demo_cn.py # 中文注释示例。主要修改此文件。建议修改前先备份
│      demo_exec_pd.py # 可通过`cudf.pandas`运行的示例
│      demo_exec_pl.py # 演示表达式不生成文件直接生成结果画图
│      output_polars.py # 结果输出。之后需修改数据加载和保存等部分
│      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。一般不需修改
│   ├─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`，添加新函数时需修改此文件
├─gp
│   遗传算法相关代码

工作原理

本项目依赖于sympy项目。所用到的主要函数如下：

1. simplify: 对复杂表达式进行化简
2. cse: Common Subexpression Elimination公共子表达式消除
3. 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。

1. ts_xxx(ts_xxx): 可在同一groupby中进行计算
2. cs_xxx(cs_xxx): 可在同一groupby中进行计算
3. ts_xxx(cs_xxx): 需在不同groupby中进行计算
4. cs_xxx(ts_xxx(cs_xxx)): 需三不同groupby中进行计算
5. gp_xxx(aa, )+gp_xxx(bb, ): 因aa,bb不同，需在两不同groupby中进行计算

所以

1. 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)
2. 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
3. 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)
4. 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
5. 同一层对ts,cs,gp分组，然后生成代码(codegen)即可

隐含信息

1. ts: sort(by=[ASSET, DATE]).groupby(by=[ASSET], maintain_order=True)
2. cs: sort(by=[DATE]).groupby(by=[DATE], maintain_order=False)
3. gp: sort(by=[DATE, GROUP]).groupby(by=[DATE, GROUP], maintain_order=False)

即

1. 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
2. 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

1. 根据算子前缀分类(get_current_by_prefix)，限制算子必需以ts_、cs_、gp_开头
2. 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

二次开发

1. 备份后编辑demo_cn.py,先修改exprs_src的定义，添加多个公式，并设置好相应的输出列名
2. 观察exprs_src中是否有还未定义的函数，须在前面定义，否则python直接报NameError
3. 然后printer.py添加对应函数的打印代码。
   • 注意：需要留意是否要加()，不加时可能优先级混乱，可以每次都加括号，也可用提供的parenthesize简化处理

贡献代码

1. 还有很多函数没有添加，需要大家提交代码一起完善
2. 目前表达式样式优先向WorldQuant 的 Alpha101 靠齐

小技巧

1. sympy不支持==，而是当成两个对象比较。例如：

   1. if_else(OPEN==CLOSE, HIGH, LOW), 一开始就变成了if_else(False, HIGH, LOW)
   2. 可以用Eq来代替，if_else(Eq(OPEN, CLOSE), HIGH, LOW)。具体示例请参考Alpha101中的alpha_021

2. sympy不支持bool转int。例如：

   1. (OPEN < CLOSE) * -1报错 TypeError: unsupported operand type(s) for *: 'StrictLessThan' and 'int'
   2. 可以用if_else代替。if_else(OPEN<CLOSE, -1, 0)。具体示例请参考Alpha101中的alpha_064

示例片段

需要转译的部分公式，详细代码请参考 Demo

exprs_src = {
    "expr_1": -ts_corr(cs_rank(ts_mean(OPEN, 10)), cs_rank(ts_mean(CLOSE, 10)), 10),
    "expr_2": cs_rank(ts_mean(OPEN, 10)) - abs(log(ts_mean(CLOSE, 10))) + gp_rank(sw_l1, CLOSE),
    "expr_3": ts_mean(cs_rank(ts_mean(OPEN, 10)), 10),
    "expr_4": cs_rank(ts_mean(cs_rank(OPEN), 10)),
    "expr_5": -ts_corr(OPEN, CLOSE, 10),
}

转译后的代码片段，详细代码请参考Polars版

def func_2_cs__date(df: pl.DataFrame):
    df = df.with_columns(
        # expr_4 = cs_rank(x_7)
        expr_4=(expr_rank_pct(pl.col("x_7"))),
    )
    return df


def func_3_ts__asset__date(df: pl.DataFrame):
    df = df.with_columns(
        # expr_5 = -ts_corr(OPEN, CLOSE, 10)
        expr_5=(-pl.rolling_corr(pl.col("OPEN"), pl.col("CLOSE"), window_size=10)),
    )
    return df


df = df.sort(by=["asset", "date"]).groupby(by=["asset"], maintain_order=True).apply(func_0_ts__asset__date)
df = df.sort(by=["date"]).groupby(by=["date"], maintain_order=False).apply(func_0_cs__date)
df = func_0_cl(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


df = df.sort_values(by=["asset", "date"]).groupby(by=["asset"], group_keys=False).apply(func_0_ts__asset__date)
df = df.groupby(by=["date"], group_keys=False).apply(func_0_cs__date)
df = func_0_cl(df)

生成代码不写文件直接执行

参考示例中的demo_exec.py, 它将表达式转成代码，直接通过exec执行，可以在之后的代码中直接使用结果

本地部署交互网页

只需运行streamlit run streamlit_app.py

遗传算法

请参考gp目录