`skfolio.pre_selection`.SelectNonDominated#

class skfolio.pre_selection.SelectNonDominated(min_n_assets=None, threshold=-0.5, fitness_measures=None)[来源]#

用于选择非支配资产的变换器。

基于资产预选过程2的预选 [1]。

好的单一资产（例如高回报和低风险）很可能会对最终的优化组合有所贡献。每个资产被视为一个投资组合，这些资产使用非支配排序方法进行排名。选择是基于分配给每个资产的排名，基于它们的适应度，直到所选资产的数量达到用户定义的数量。

仅考虑单个资产的收益是远远不够的，因为一对负相关资产有可能降低风险。因此，负相关资产对也被考虑在内。

Parameters:

min_n_assetsint, optional: 选择的最小资产数量。如果 min_n_assets 在当前非支配前沿结束之前被达到，我们返回这个前沿的剩余资产。这是因为同一前沿中的所有资产具有相同的等级。默认值 (None) 是选择第一个前沿。
thresholdfloat, default=0.0: 相关性低于此阈值的资产对将被包括在非支配排序中。默认值为 0.0。
fitness_measureslist[Measure], optional: 用于计算投资组合适应度的指标列表。适应度用于比较投资组合的主导性，计算帕累托前沿，并使用非计量排序进行投资组合选择。默认值(None)是使用列表[PerfMeasure.MEAN, RiskMeasure.VARIANCE]

Attributes:

to_keep_ndarray of shape (n_assets, ): 布尔数组，指示哪些资产仍然存在。
n_features_in_int: 在fit期间看到的资产数量。
feature_names_in_ndarray of shape (n_features_in_,): 在fit过程中看到的特征名称。只有在X具有全部为字符串的特征名称时才会定义。

参考文献

[1]

“大规模投资组合优化使用多目标进化算法和预选择方法”, B.Y. Qu 和 Q.Zhou (2017).

方法

`fit`(X[, y])	运行非主导转换器并获取适当的资产。
`fit_transform`(X[, y])	拟合数据，然后转换它。
`get_feature_names_out`([input_features])	根据选择的特征掩盖特征名称。
`get_metadata_routing`()	获取此对象的元数据路由。
`get_params`([deep])	获取此估计器的参数。
`get_support`([indices])	获取所选特征的掩膜或整数索引。
`inverse_transform`(X)	逆转变换操作。
`set_output`(*[, transform])	设置输出容器。
`set_params`(**params)	设置此估计器的参数。
`transform`(X)	将X缩减为选定的特征。

fit(X, y=None)[来源]#

运行非支配变压器并获取适当的资产。

Parameters:

Xarray-like of shape (n_observations, n_assets): 资产的价格收益。
yIgnored: 未使用，按照约定为API一致性而存在。

Returns:

selfSelectNonDominated: 拟合的估计器。

fit_transform(X, y=None, **fit_params)#

拟合数据，然后对其进行转换。

将变换器拟合到 X 和 y，可以选择参数 fit_params 并返回 X 的变换版本。

Parameters:

Xarray-like of shape (n_samples, n_features): 输入样本。
yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=None: 目标值（无监督转换时为None）。
**fit_paramsdict: 附加拟合参数。

Returns:

X_newndarray array of shape (n_samples, n_features_new): 变换后的数组。

get_feature_names_out(input_features=None)#

根据选定特征遮蔽特征名称。

Parameters:

input_featuresarray-like of str or None, default=None

输入特征。

如果 input_features 是 None，那么 feature_names_in_ 被用作特征名称。如果 feature_names_in_ 没有定义，那么将生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。
如果 input_features 是类似数组的，则 input_features 必须与 feature_names_in_ 匹配，如果 feature_names_in_ 已定义。

Returns:

feature_names_outndarray of str objects: 转换后的特征名称。

get_metadata_routing()#

获取这个对象的元数据路由。

请查看用户指南了解路由机制是如何工作的。

Returns:

routingMetadataRequest: 一个 MetadataRequest 封装路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, default=True: 如果为真，将返回此估计器及其包含的子对象的参数，这些子对象也是估计器。

Returns:

paramsdict: 参数名称映射到它们的值。

get_support(indices=False)#

获取所选特征的掩码或整数索引。

Parameters:

indicesbool, default=False: 如果为真，返回值将是一个整数数组，而不是布尔掩码。

Returns:

supportarray: 一个从特征向量中选择保留特征的索引。如果 indices 为 False，这是一个形状为[# 输入特征]的布尔数组，在其中元素为 True 当且仅当其对应的特征被选中保留。如果 indices 为 True，这是一个形状为[# 输出特征]的整数数组，其值是输入特征向量的索引。

inverse_transform(X)#

逆转变换操作。

Parameters:

Xarray of shape [n_samples, n_selected_features]: 输入样本。

Returns:

X_rarray of shape [n_samples, n_original_features]: X 在特征被transform移除的地方插入零列。

set_output(*, transform=None)#

设置输出容器。

请参见 sphx_glr_auto_examples_miscellaneous_plot_set_output.py 以获取如何使用API的示例。

Parameters:

transform{“default”, “pandas”, “polars”}, default=None

配置 transform 和 fit_transform 的输出。

"default": 变换器的默认输出格式
"pandas": 数据框输出
"polars": Polars 输出
None: 转换配置没有改变

在版本 1.4 中新增: "polars" 选项被添加了。

Returns:

selfestimator instance: 估计器实例。

set_params(**params)#

设置该估计器的参数。

该方法适用于简单估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

transform(X)#

将 X 降至所选特征。

Parameters:

Xarray of shape [n_samples, n_features]: 输入样本。

Returns:

X_rarray of shape [n_samples, n_selected_features]: 仅包含所选特征的输入样本。

skfolio.pre_selection.SelectNonDominated#

`skfolio.pre_selection`.SelectNonDominated#