替换PD模型中的名称Name和编号Code

本文提供了一段用于在PD模型中批量替换表格及列名称和编号的VBA脚本。该脚本首先获取当前活动模型,并检查其是否为物理数据模型。接着遍历模型中的每个表格及其列,进行指定字符串的替换操作。此外,脚本还会递归处理子文件夹中的内容。

'替换PD模型中的名称Name和编号Code

Option Explicit
ValidationMode = True
InteractiveMode = im_Batch

Dim mdl ' the current model

' get the current active model
Set mdl = ActiveModel
If (mdl Is Nothing) Then
   MsgBox "There is no current Model"
ElseIf Not mdl.IsKindOf(PdPDM.cls_Model) Then
   MsgBox "The current model is not an Physical Data model."
Else
   ProcessFolder mdl
End If

' This routine copy name into code for each table and each column
' of the current folder
Private sub ProcessFolder(folder)
   Dim Tab 'running  table
   sFindCode = "findCode"
   sReplaceCode = "ReplaceCode"
   sFindName = "FindName"
   sReplaceName = "ReplaceName"
   for each Tab in folder.tables
      if not tab.isShortcut then
            tab.code=Replace(tab.code,sFindCode,sReplaceCode)
            tab.name=Replace(tab.name,sFindName,sReplaceName)
         Dim col ' running column
         for each col in tab.columns
            col.code=Replace(col.code,sFindCode,sReplaceCode)
            col.name=Replace(col.name,sFindName,sReplaceName)
         next
      end if
   next


   ' go into the sub-packages
   Dim f ' running folder
   For Each f In folder.Packages
      if not f.IsShortcut then
         ProcessFolder f
      end if
   Next
end sub
 

Python实现多因子选股模型的方法包括构建因子体系、数据处理、模型构建与评估等步骤。 在构建因子体系方面,可选取财务因子(如EPS)、成交量因子(如log(30日日均交易量/昨日交易量))、反转因子(如(ma10 - ma5)/ma5)等,旨在选出基本面尚好且近来缩量下跌的股票进行抄底[^3]。 在数据处理上,若选用沪深300中的部分股票,从3000多只股票中选择所需股票的数据时,为避免超过tushare每分钟访问次数限制,可先提取一天所有股票数据后,再筛选所需的股票数据[^4]。 构建评估多因子选股模型是一个复杂的过程,涉及到大量的数据处理模型调优等,且市场环境的变化会影响因子的表现,因此需要定期对模型进行更新维护[^2]。 以下是一个简单的多因子选股模型示例代码,仅为概念演示,实际应用中需要根据具体情况进行修改完善: ```python import pandas as pd import numpy as np # 模拟获取股票数据 def get_stock_data(): # 这里可以替换为实际的数据获取逻辑,如使用tushare等 data = { 'ts_code': ['000001.SZ', '000002.SZ', '000003.SZ'], 'EPS': [1.2, 0.8, 1.5], '30日日均交易量': [10000, 8000, 12000], '昨日交易量': [9000, 7000, 11000], 'ma5': [20, 18, 22], 'ma10': [21, 19, 23] } df = pd.DataFrame(data) return df # 计算因子 def calculate_factors(df): df['成交量因子'] = np.log(df['30日日均交易量'] / df['昨日交易量']) df['反转因子'] = (df['ma10'] - df['ma5']) / df['ma5'] return df # 选股 def select_stocks(df): # 这里可以根据具体的因子阈值进行筛选 selected = df[(df['EPS'] > 1) & (df['成交量因子'] < 0) & (df['反转因子'] > 0)] return selected # 主函数 def main(): stock_data = get_stock_data() factor_data = calculate_factors(stock_data) selected_stocks = select_stocks(factor_data) print(selected_stocks) if __name__ == "__main__": main() ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值