bagelquant-core 是 BagelQuant 的面板数据与图计算基础。当研究数据已经是 long-form Polars 数据，并且你希望用可复现的方式组织因子逻辑时，可以使用它。
安装
uv add bagelquant-core
本地开发时可以从仓库根目录运行：
uv run python example.py
构建 Domain
Domain 定义交易日历和资产池。包本身不会下载交易日历或证券主数据，这些信息应由数据层提供。
import polars as pl
from bagelquant_core import Domain
domain = Domain(
calendar=pl.date_range(
pl.date(2024, 1, 1),
pl.date(2024, 12, 31),
interval="1d",
eager=True,
),
universe=["AAPL", "MSFT"],
)
资产池可以像上面一样是静态列表，也可以是随时间变化的动态资产池。动态资产池使用稀疏的 long-form Polars 表，包含 time、asset_id 和布尔型 active 三列。缺失的 (time, asset_id) 行会被视为非活跃，成员关系不会自动向前填充。
dynamic_domain = Domain(
calendar=["2024-01-02", "2024-01-03"],
universe=pl.DataFrame(
{
"time": ["2024-01-02", "2024-01-03"],
"asset_id": ["AAPL", "MSFT"],
"active": [True, True],
}
),
)
创建 Panel
Panel.from_domain 会把原始数据对齐到研究域。公开面板数据统一使用 time、asset_id 和 value 列。
from bagelquant_core import Panel
price = Panel.from_domain(
pl.DataFrame(
{
"time": ["2024-01-02", "2024-01-02", "2024-01-03", "2024-01-03"],
"asset_id": ["AAPL", "MSFT", "AAPL", "MSFT"],
"value": [185.0, 370.0, 187.0, 372.0],
}
),
domain,
name="price",
)
book = Panel.from_domain(book_df, domain, name="book")
quality = Panel.from_domain(quality_df, domain, name="quality")
组合因子图
Transformer 是一元操作，composer 用于组合一个或多个输入。二者都会返回惰性的 Graph。
from bagelquant_core.composer import div, weighted_sum
from bagelquant_core.transformer import rank, rolling_mean, winsorize, zscore
bm_ratio = div(book, price, name="bm_ratio")
bm_factor = rank(zscore(winsorize(bm_ratio)), name="bm_factor")
quality_factor = rank(zscore(quality), name="quality_factor")
prediction = weighted_sum(
bm_factor,
quality_factor,
weights=[0.5, 0.5],
name="prediction",
)
signal = rolling_mean(rank(prediction), window=20, name="signal")
执行
在最下游图上调用 compute()。执行运行时会计算上游依赖，并在本次执行中缓存中间结果。
signal.compute()
result = signal.output
frame = result.data
frame 可以继续交给组合构建或回测模块。