Silars
Silars 是基于 Polars 的因子分析与回测工具库，提供数据预处理、组合权重、策略和回测入口。
安装
Silars 需要 Python 3.12 或更高版本；CI 持续验证 Python 3.12 和 3.13。
pip install silars
使用 uv：
uv add silars
最小示例
下面按每个 (date, time) 截面选择得分最高的两个资产，并生成等权组合：
from copy import deepcopy
import polars as pl
from silars.alphalens import top_k
scores = pl.DataFrame(
{
"date": ["2026-01-02"] * 3,
"time": ["09:31:00"] * 3,
"asset": ["A", "B", "C"],
"score": [0.2, 0.8, 0.5],
}
)
selector = deepcopy(top_k).set_params(num=2)
weights = selector.transform(scores)
print(weights.select("date", "time", "asset", "target_weight"))
主要入口
Preprocessor及预处理函数：因子清洗、标准化和中性化。top_k、qcut、MFEs/MFEConfig：组合权重生成。Strategy、FactorStrategy：策略编排。BacktestEngine、bt：回测。Zoo、zoo：因子数据工作区。
这些入口均从 silars.alphalens 导入。
研究期 tree shortlist
silars.feature_selection.select_features 用固定的单特征浅树，按独立验证期的每日
prediction RankIC 对已物化数值特征做粗筛：
from silars.feature_selection import select_features
ranking = select_features(
train,
valid,
feature_names,
"forward_return",
max_features=100,
)
它衡量的是 tree(feature) 对下游模型的排序潜力，不是原始特征 RankIC、独立 OOS、
显著性结论或可直接传给 MFEs 的 score。PIT、purge/embargo 和后续使用边界由
调用方保证。该入口也不同于
silars.alphalens.evaluate.select_features 的多重检验与相关性筛选。
同一模块也可以把一组显式特征通过一棵相同参数的浅树融合为 predict 区间的新特征：
from silars.feature_selection import fuse_features
fused = fuse_features(
train,
valid,
["feature_a", "feature_b", "feature_c"],
target="forward_return",
output_name="tree_fusion",
)
valid = valid.with_columns(fused["tree_fusion"])
该入口只返回 predict prediction，不返回模型或 train in-sample prediction。若输入 特征是利用同一 predict 区间的 target 选出的，结果仍有 post-selection bias，不是 独立 OOS；完整历史融合列应由调用方 walk-forward/cross-fit 生成。
若 valid 含 target，可用同一棵 train-only 树得到一行 holdout 摘要及可直接执行的 Polars 表达式：
from silars.feature_selection import evaluate_fusion
report = evaluate_fusion(
train,
valid,
["feature_a", "feature_b", "feature_c"],
target="forward_return",
output_name="tree_fusion",
)
expression = report.item(0, "expression")
valid = valid.with_columns(expression)
# 可持久化并交给另一个进程 / Dataset
lidb_expression = report.item(0, "lidb_expression")
返回列为 feature、source_features、model_rank_ic_mean、
model_rank_icir、expression、lidb_expression。expression 是当前进程可直接
执行的 pl.Expr；lidb_expression 是同一棵树生成的 LiDB/QDF 三元表达式字符串，
格式如 ((feature_a<=0.5)?(0.1):(0.2)) as tree_fusion，可持久化并由另一个进程
转成 Dataset。融合树的输入和输出统一量化为 6 位小数，表达式中的 threshold 与
leaf value 也最多保留 6 位小数。这里只能证明 train/valid 时间分离；PIT、label
实现时点、
purge/embargo、valid 前冻结特征集合且未重复使用 valid 选 winner 均由调用方保证。
holdout 审查只调用 evaluate_fusion，未来预测再选择 fuse_features 或冻结
expression，避免对同一区间重复 fit。
大量显式组合应一次交给批量入口，避免循环调用 evaluate_fusion 重复准备公共数据：
from itertools import product
import polars as pl
from silars.feature_selection import evaluate_fusions
groups = product(features_a, features_b)
ranking = evaluate_fusions(
train,
valid,
groups,
target="forward_return",
output_prefix="tree_fusion",
min_rank_ic=0.03,
n_jobs=7,
)
expressions = (
ranking.filter(pl.col("selected")).get_column("expression").to_list()
)
predict = predict.with_columns(expressions)
portable_ranking = ranking.drop("expression")
portable_ranking.write_parquet("fusion_ranking.parquet")
组合按输入顺序稳定命名为 tree_fusion_00000、tree_fusion_00001 等；组内特征名
排序，规范化后重复的组合会在首次 fit 前报错。公共 row-domain、target ranks、
sample weights 和特征值校验只准备一次，每组只保留自己的小型 Float32 矩阵。
只有通过 min_rank_ic 的行保存两种表达式，其余为 null。Object 列不能写
Parquet；持久化排名时只需移除 expression，lidb_expression 可直接保留。
另一个进程加载源 Dataset 后，可把筛选出的字符串直接交给 LiDB：
import lidb
import polars as pl
from lidb import dataset
selected = pl.read_parquet("fusion_ranking.parquet").filter(pl.col("selected"))
SOURCE_FEATURES = sorted(
{feature for group in selected["source_features"] for feature in group}
)
LIDB_EXPRESSIONS = tuple(
selected
.get_column("lidb_expression")
.drop_nulls()
)
@dataset(ds_feature_source)
def ds_tree_fusions(depend: pl.LazyFrame):
prepared = depend.with_columns(
pl.col(SOURCE_FEATURES).cast(pl.Float64).round(6).cast(pl.Float32)
)
return lidb.from_polars(prepared).sql(*LIDB_EXPRESSIONS)
源 Dataset 必须提供 source_features 中完全相同的列名；表达式版本变化时应同步
更新 Dataset 的稳定版本名，避免复用旧缓存。LiDB 不支持的列名或输出名不会被猜测
转义，对应 lidb_expression 返回 null，当前进程的 pl.Expr 仍然可用。源特征在
进入 LiDB 前必须使用相同的 round(6) -> Float32 预处理，否则不保证与评估结果
一致。
批量入口使用 ygo 的 threading backend 并行各组合，线程共享只读的
train/valid 和公共统计状态，不复制整张 DataFrame。n_jobs 必须为正整数，实际
worker 数不会超过组合数；外层已经并发或内存受限时传 n_jobs=1。
批量筛选会把 valid 变成 selection set；无论筛选多少行，它都不再是独立 OOS。
筛出的表达式必须在未参与组合筛选的后续 predict/test 区间验证。
基准对冲回测
对已加载的 Zoo，可复用原多头回测并得到 1:1 对冲收益。传入指数代码时读取对应
指数日收益：
from silars.alphalens import FactorStrategy, zoo
results = zoo.hedge(
["KMID"],
FactorStrategy(),
index_code="000300",
times=["09:31:00", "10:00:00"],
)
print(results["KMID"]["ret"])
print(results["KMID"]["metric"])
hedge() 会立即完成回测、显示多头/基准/对冲组合净值图，并返回每个因子的
pos、ret 和对冲组合 metric，不是延迟任务生成器。
index_code="" 时不读取指数，直接从回测输入的 prev_close/open/close 构造等权市场
日收益，结果列为 mkt 和 long-mkt。指数路径运行时需要当前环境可导入
dc.data.base.ds_index_retC2C；period 仅控制原组合持仓周期，不缩放日度基准收益。
许可证
Silars 使用 MIT License。silars/empyrical 包含 Apache-2.0 许可的第三方代码，详见
THIRD_PARTY_NOTICES.md 和 LICENSES/Apache-2.0.txt。
1 maintainer
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distribution
Built Distribution
Filter files by name, interpreter, ABI, and platform.
If you're not sure about the file name format, learn more about wheel file names.
Copy a direct link to the current filters
File details
Details for the file silars-2026.8.6.0.tar.gz.
File metadata
- Download URL: silars-2026.8.6.0.tar.gz
- Upload date:
- Size: 218.3 kB
- Tags: Source
- Uploaded using Trusted Publishing? No
- Uploaded via:
uv/0.11.14 {"installer":{"name":"uv","version":"0.11.14","subcommand":["publish"]},"python":null,"implementation":{"name":null,"version":null},"distro":{"name":"macOS","version":null,"id":null,"libc":null},"system":{"name":null,"release":null},"cpu":null,"openssl_version":null,"setuptools_version":null,"rustc_version":null,"ci":null}
File hashes
| Algorithm | Hash digest | |
|---|---|---|
| SHA256 |
f6dd3a34df50547fedc34c93880514e7298edfbeead2c4943db7d7296804facb
|
|
| MD5 |
b1d8fc6661606b79c23b1076435f4389
|
|
| BLAKE2b-256 |
f490a8adb019342b3ff52625f92a0f72204fb5a50f9f0f156369cbbf6a497578
|
File details
Details for the file silars-2026.8.6.0-py3-none-any.whl.
File metadata
- Download URL: silars-2026.8.6.0-py3-none-any.whl
- Upload date:
- Size: 138.9 kB
- Tags: Python 3
- Uploaded using Trusted Publishing? No
- Uploaded via:
uv/0.11.14 {"installer":{"name":"uv","version":"0.11.14","subcommand":["publish"]},"python":null,"implementation":{"name":null,"version":null},"distro":{"name":"macOS","version":null,"id":null,"libc":null},"system":{"name":null,"release":null},"cpu":null,"openssl_version":null,"setuptools_version":null,"rustc_version":null,"ci":null}
File hashes
| Algorithm | Hash digest | |
|---|---|---|
| SHA256 |
40ca26f79ccdc926f1fb421e44b39bd92d0be97c9b8f159f56e4565ebe66272f
|
|
| MD5 |
7c415cfc24977689287ffa7e7cd754c9
|
|
| BLAKE2b-256 |
581e8025fc3c2b4fffeaeb951af295f0513b6e8326198674d39357630f6b1d3e
|
