1. 常用机器学习模型
1.1 回归模型
- 线性回归
- 多层感知器回归
- 自适应提升树回归
- 随机森林回归
1.2 分类模型
- 线性分类
- 支持向量机
- XGBoost分类
- K近邻分类
1.2.1 SVC介绍
SVC(Support Vector Classifier)是一种在机器学习中常用的分类算法,它基于支持向量机(Support Vector Machine)算法。SVC通过寻找最佳的超平面来实现分类任务,在数据平面上进行线性或非线性的划分。
1.2.2 SVC在量化策略中的应用
在量化策略中,SVC(Support Vector Classifier)可以用于股票预测和交易决策。以下是SVC在量化策略中的应用步骤:
-
数据准备:首先,需要准备训练数据和测试数据。训练数据包括历史股票价格和相关特征,以及对应的标签(例如涨跌幅度)。测试数据包括最新的股票价格和特征,用于进行预测。
-
特征工程:根据历史股票数据,使用技术指标或其他特征工程方法构建特征。这些特征可能包括移动平均线、波动性指标、成交量等。
-
数据预处理:将训练数据和测试数据进行标准化,使其均值为0,方差为1。这可以提高分类算法的性能。
-
训练模型:使用训练数据训练SVC模型。在训练过程中,SVC将学习股票的价格模式和特征之间的关系。
-
模型预测:使用训练好的SVC模型对测试数据进行预测。根据预测结果,判断股票是涨还是跌。
-
交易决策:根据预测结果进行交易决策。例如,如果SVC预测股票会涨,可以选择买入;如果SVC预测股票会跌,可以选择卖出或不做操作。
-
交易执行:根据交易决策执行相应的交易操作。这可能涉及到下单、调整仓位等操作。
-
盈亏评估:根据交易结果评估策略的盈亏情况。可以计算交易收益、回撤等指标,进行策略的优化和调整。
需要注意的是,SVC作为机器学习算法,对数据的准备和特征工程至关重要。合理选择特征和调整参数可以显著影响SVC的预测性能。此外,量化策略中还需要考虑交易成本、风险管理和市场流动性等因素,以构建更加完整和可靠的策略。
2. 机器学习量化策略实现的基本步骤
- 加载数据
- 标注数据
- 特征工程,分割训练集和测试集
- 选择机器学习模型并配置适当的参数
- 训练模型
- 利用模型数据样本之外的数据进行回测
- 对回测结果进行可视化
3. 策略实现
本部分将介绍如何在BigQuant实现一个基于支持向量机模型的选股策略文章来源:https://www.toymoban.com/news/detail-649399.html
from biglearning.api import M
from biglearning.api import tools as T
from bigdatasource.api import DataSource
from biglearning.module2.common.data import Outputs
from zipline.finance.commission import PerOrder
# 对训练数据和测试数据进行标准化处理
def m6_run_bigquant_run(input_1, input_2, input_3):
train_df = input_1.read()
features = input_2.read()
feature_min = train_df[features].quantile(0.005)
feature_max = train_df[features].quantile(0.995)
train_df[features] = train_df[features].clip(feature_min,feature_max,axis=1)
data_1 = DataSource.write_df(train_df)
test_df = input_3.read()
test_df[features] = test_df[features].clip(feature_min,feature_max,axis=1)
data_2 = DataSource.write_df(test_df)
return Outputs(data_1=data_1, data_2=data_2, data_3=None)
# 后处理函数
def m6_post_run_bigquant_run(outputs):
return outputs
# 处理每个交易日的数据
def m4_handle_data_bigquant_run(context, data):
context.extension['index'] += 1
if context.extension['index'] % context.rebalance_days != 0:
return
date = data.current_dt.strftime('%Y-%m-%d')
cur_data = context.indicator_data[context.indicator_data['date'] == date]
cur_data = cur_data[cur_data['pred_label'] == 1.0]
stock_to_buy = list(cur_data.sort_values('instrument',ascending=False).instrument)[:context.stock_num]
if date == '2017-02-06':
print(date, len(stock_to_buy), stock_to_buy)
# 获取当前持仓股票
stock_hold_now = [equity.symbol for equity in context.portfolio.positions]
# 需要保留的股票
no_need_to_sell = [i for i in stock_hold_now if i in stock_to_buy]
# 需要卖出的股票
stock_to_sell = [i for i in stock_hold_now if i not in no_need_to_sell]
for stock in stock_to_sell:
if data.can_trade(context.symbol(stock)):
context.order_target_percent(context.symbol(stock), 0)
if len(stock_to_buy) == 0:
return
weight = 1 / len(stock_to_buy)
for stock in stock_to_buy:
if data.can_trade(context.symbol(stock)):
context.order_target_percent(context.symbol(stock), weight)
# 准备工作
def m4_prepare_bigquant_run(context):
pass
# 初始化策略
def m4_initialize_bigquant_run(context):
context.indicator_data = context.options['data'].read_df()
context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
context.rebalance_days = 5
context.stock_num = 50
if 'index' not in context.extension:
context.extension['index'] = 0
# 开盘前处理函数
def m4_before_trading_start_bigquant_run(context, data):
pass
# 获取2020年至2021年股票数据
m1 = M.instruments.v2(
start_date='2020-01-01',
end_date='2021-01-01',
market='CN_STOCK_A',
instrument_list='',
max_count=0
)
# 使用高级自动标注器获取标签
m2 = M.advanced_auto_labeler.v2(
instruments=m1.data,
label_expr="""shift(close, -5) / shift(open, -1)-1
rank(label)
where(label>=0.95,1,0)""",
start_date='',
end_date='',
benchmark='000300.SHA',
drop_na_label=False,
cast_label_int=False
)
# 输入特征
m3 = M.input_features.v1(
features="""(close_0-mean(close_0,12))/mean(close_0,12)*100
rank(std(amount_0,15))
rank_avg_amount_0/rank_avg_amount_8
ts_argmin(low_0,20)
rank_return_30
(low_1-close_0)/close_0
ta_bbands_lowerband_14_0
mean(mf_net_pct_s_0,4)
amount_0/avg_amount_3
return_0/return_5
return_1/return_5
rank_avg_amount_7/rank_avg_amount_10
ta_sma_10_0/close_0
sqrt(high_0*low_0)-amount_0/volume_0*adjust_factor_0
avg_turn_15/(turn_0+1e-5)
return_10
mf_net_pct_s_0
(close_0-open_0)/close_1
"""
)
# 抽取基础特征
m15 = M.general_feature_extractor.v7(
instruments=m1.data,
features=m3.data,
start_date='',
end_date='',
before_start_days=0
)
# 提取派生特征
m16 = M.derived_feature_extractor.v3(
input_data=m15.data,
features=m3.data,
date_col='date',
instrument_col='instrument',
drop_na=False,
remove_extra_columns=False
)
# 合并标签和特征
m7 = M.join.v3(
data1=m2.data,
data2=m16.data,
on='date,instrument',
how='inner',
sort=False
)
# 删除缺失值
m13 = M.dropnan.v1(
input_data=m7.data
)
# 获取2021年至2022年股票数据
m9 = M.instruments.v2(
start_date=T.live_run_param('trading_date', '2021-01-01'),
end_date=T.live_run_param('trading_date', '2022-01-01'),
market='CN_STOCK_A',
instrument_list='',
max_count=0
)
# 抽取基础特征
m17 = M.general_feature_extractor.v7(
instruments=m9.data,
features=m3.data,
start_date='',
end_date='',
before_start_days=0
)
# 提取派生特征
m18 = M.derived_feature_extractor.v3(
input_data=m17.data,
features=m3.data,
date_col='date',
instrument_col='instrument',
drop_na=False,
remove_extra_columns=False
)
# 删除缺失值
m14 = M.dropnan.v1(
input_data=m18.data
)
# 标准化训练数据和测试数据
m6 = M.cached.v3(
input_1=m13.data,
input_2=m3.data,
input_3=m14.data,
run=m6_run_bigquant_run,
post_run=m6_post_run_bigquant_run,
input_ports='',
params='{}',
output_ports=''
)
# 对数据进行RobustScaler标准化处理
m8 = M.RobustScaler.v13(
train_ds=m6.data_1,
features=m3.data,
test_ds=m6.data_2,
scale_type='standard',
quantile_range_min=0.01,
quantile_range_max=0.99,
global_scale=True
)
# 使用SVC进行训练和预测
m10 = M.svc.v1(
training_ds=m8.train_data,
features=m3.data,
predict_ds=m8.test_data,
C=1,
kernel='rbf',
degree=3,
gamma=-1,
coef0=0,
tol=0.1,
max_iter=100,
key_cols='date,instrument',
other_train_parameters={}
)
# 创建交易策略实例
m4 = M.trade.v4(
instruments=m9.data,
options_data=m10.predictions,
start_date='',
end_date='',
handle_data=m4_handle_data_bigquant_run,
prepare=m4_prepare_bigquant_run,
initialize=m4_initialize_bigquant_run,
before_trading_start=m4_before_trading_start_bigquant_run,
volume_limit=0,
order_price_field_buy='open',
order_price_field_sell='open',
capital_base=10000000,
auto_cancel_non_tradable_orders=True,
data_frequency='daily',
price_type='后复权',
product_type='股票',
plot_charts=True,
backtest_only=False,
benchmark=''
)
文章来源地址https://www.toymoban.com/news/detail-649399.html
到了这里,关于【量化课程】08_1.机器学习量化策略基础实战的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!