机器学习

1. 原理

什么是机器学习？

什么是支持向量机？

利用支持向量机预测股票涨跌

参数优化

2. 策略思路

3. 策略代码

4. 回测结果与稳健性分析

1. 原理

2. 策略思路

第一步：获取原始数据，这里获取2016-04-01到2017-07-30的数据。
第二步：计算SVM模型的输入变量。

x 表示输入的特征值，共7个，分别为：

y 表示5个交易日后收盘价是否上涨，

第三步：利用训练好的模型预测股价未来走向。若上涨(y=1)则开仓。

第四步：设置止损止盈点。
若已经持有仓位则在盈利大于10%的时候止盈，在星期五损失大于2%的时候止损。

回测时间：2017-07-01 09:00:00 到 2017-10-01 09:00:00
回测初始资金：1000万
回测标的：SHSE.600000

3. 策略代码

# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from gm.api import *
import sys
import datetime
import numpy as np
try:from sklearn import svm
except:print('请安装scikit-learn库和带mkl的numpy')sys.exit(-1)'''
示例策略仅供参考，不建议直接实盘使用。本策略以支持向量机算法为基础，训练一个二分类（上涨/下跌）的模型，模型以历史15天数据的数据预测未来5天的涨跌与否。
特征变量为:1.收盘价/均值、2.现量/均量、3.最高价/均价、4.最低价/均价、5.现量、6.区间收益率、7.区间标准差。
若没有仓位，则在每个星期一预测涨跌,并在预测结果为上涨的时候购买标的.
若已经持有仓位，则在盈利大于10%的时候止盈,在星期五涨幅小于2%的时候止盈止损.
'''def init(context):# 股票标的context.symbol = 'SHSE.600000'# 历史窗口长度context.history_len = 10# 预测窗口长度context.forecast_len = 5# 训练样本长度context.training_len = 90# 20天为一个交易月# 止盈幅度context.earn_rate = 0.10# 最小涨幅卖出幅度context.sell_rate = 0.02# 订阅行情subscribe(symbols=context.symbol, frequency='60s')def on_bar(context, bars):bar = bars[0]# 当前时间now = context.now# 获取当前时间的星期weekday = now.isoweekday()# 上一交易日last_date = get_previous_trading_date(exchange='SZSE', date=now)# 上一年的交易日last_year_date = get_previous_N_trading_date(last_date,counts=context.training_len,exchanges='SHSE')# 获取持仓position = context.account().position(symbol=context.symbol, side=PositionSide_Long)# 如果当前时间是星期一且没有仓位，则开始预测if weekday == 1 and now.hour==9 and now.minute==31 and not position:# 获取预测用的历史数据features = clf_fit(context,last_year_date,last_date)features = np.array(features).reshape(1, -1)prediction = context.clf.predict(features)[0]# 若预测值为上涨则买入if prediction == 1:order_target_percent(symbol=context.symbol, percent=1, order_type=OrderType_Market,position_side=PositionSide_Long)# 当涨幅大于10%,平掉所有仓位止盈elif position and bar.close/position['vwap'] >= 1+context.earn_rate:order_close_all()# 当时间为周五尾盘并且涨幅小于2%时,平掉所有仓位止损elif position and weekday == 5 and bar.close/position['vwap'] < 1+context.sell_rate and now.hour==14 and now.minute==55:order_close_all()def on_order_status(context, order):# 标的代码symbol = order['symbol']# 委托价格price = order['price']# 委托数量volume = order['volume']# 目标仓位target_percent = order['target_percent']# 查看下单后的委托状态，等于3代表委托全部成交status = order['status']# 买卖方向，1为买入，2为卖出side = order['side']# 开平仓类型，1为开仓，2为平仓effect = order['position_effect']# 委托类型，1为限价委托，2为市价委托order_type = order['order_type']if status == 3:if effect == 1:if side == 1:side_effect = '开多仓'elif side == 2:side_effect = '开空仓'else:if side == 1:side_effect = '平空仓'elif side == 2:side_effect = '平多仓'order_type_word = '限价' if order_type==1 else '市价'print('{}:标的：{}，操作：以{}{}，委托价格：{}，委托数量：{}'.format(context.now,symbol,order_type_word,side_effect,price,volume))def clf_fit(context,start_date,end_date):"""训练支持向量机模型:param start_date:训练样本开始时间:param end_date:训练样本结束时间"""# 获取目标股票的daily历史行情recent_data = history(context.symbol, frequency='1d', start_time=start_date, end_time=end_date, fill_missing='last',df=True).set_index('eob')days_value = recent_data['bob'].valuesdays_close = recent_data['close'].valuesdays = list(recent_data['bob'])x_train = []y_train = []# 整理训练数据for index in range(context.history_len, len(recent_data)):## 自变量 X# 回溯N个交易日相关数据start_date = recent_data.index[index-context.history_len]end_date = recent_data.index[index]data = recent_data.loc[start_date:end_date,:]# 准备训练数据close = data['close'].valuesmax_x = data['high'].valuesmin_n = data['low'].valuesvolume = data['volume'].valuesclose_mean = close[-1] / np.mean(close)  # 收盘价/均值volume_mean = volume[-1] / np.mean(volume)  # 现量/均量max_mean = max_x[-1] / np.mean(max_x)  # 最高价/均价min_mean = min_n[-1] / np.mean(min_n)  # 最低价/均价vol = volume[-1]  # 现量return_now = close[-1] / close[0]  # 区间收益率std = np.std(np.array(close), axis=0)  # 区间标准差# 将计算出的指标添加到训练集Xx_train.append([close_mean, volume_mean, max_mean, min_mean, vol, return_now, std])## 因变量 Yif index<len(recent_data)-context.forecast_len:y_start_date = recent_data.index[index+1]y_end_date = recent_data.index[index+context.forecast_len]y_data = recent_data.loc[y_start_date:y_end_date,'close']if y_data[-1] > y_data[0]:label = 1else:label = 0y_train.append(label)# 最新一期的数据(返回该数据，作为待预测的数据)if index==len(recent_data)-1:new_x_traain = [close_mean, volume_mean, max_mean, min_mean, vol, return_now, std]else:# 剔除最后context.forecast_len期的数据x_train = x_train[:-context.forecast_len]# 训练SVMcontext.clf = svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False,tol=0.001, cache_size=200, verbose=False, max_iter=-1,decision_function_shape='ovr', random_state=None)context.clf.fit(x_train, y_train)# 返回最新数据return new_x_traaindef get_previous_N_trading_date(date,counts=1,exchanges='SHSE'):"""获取end_date前N个交易日,end_date为datetime格式，包括date日期:param date：目标日期:param counts：历史回溯天数，默认为1，即前一天"""if isinstance(date,str) and len(date)>10:date = datetime.datetime.strptime(date,'%Y-%m-%d %H:%M:%S')if isinstance(date,str) and len(date)==10:date = datetime.datetime.strptime(date,'%Y-%m-%d')previous_N_trading_date = get_trading_dates(exchange=exchanges, start_date=date-datetime.timedelta(days=max(counts+30,counts*2)), end_date=date)[-counts]return previous_N_trading_datedef on_backtest_finished(context, indicator):print('*'*50)print('回测已完成，请通过右上角“回测历史”功能查询详情。')if __name__ == '__main__':'''strategy_id策略ID,由系统生成filename文件名,请与本文件名保持一致mode实时模式:MODE_LIVE回测模式:MODE_BACKTESTtoken绑定计算机的ID,可在系统设置-密钥管理中生成backtest_start_time回测开始时间backtest_end_time回测结束时间backtest_adjust股票复权方式不复权:ADJUST_NONE前复权:ADJUST_PREV后复权:ADJUST_POSTbacktest_initial_cash回测初始资金backtest_commission_ratio回测佣金比例backtest_slippage_ratio回测滑点比例'''run(strategy_id='strategy_id',filename='main.py',mode=MODE_BACKTEST,token='{{token}}',backtest_start_time='2021-02-01 09:00:00',backtest_end_time='2021-02-28 09:00:00',backtest_adjust=ADJUST_PREV,backtest_initial_cash=10000000,backtest_commission_ratio=0.0001,backtest_slippage_ratio=0.0001)

4. 回测结果与稳健性分析

设定初始资金1000万，手续费率为0.01%，滑点比率为0.01%。回测结果如下图所示。

回测期累计收益率为9.30%，年化收益率为38.13%，沪深300指数收益率为5.09%，策略收益率跑输指数。策略最大回撤为0.56%，胜率50.0%。

为了检验策略的稳健性，改变回测时间，得到结果如下。

由上表可知，策略整体收益均小于0，远远跑输基准水平。

注：来自掘金量化

支持向量机(股票)——Python量化相关推荐

股票python量化交易002-常见量化指标（技术面）
量化指标入口认识东方财富平台东方财富网:财经门户,提供专业的财经.股票.行情.证券.基金.理财.银行.保险.信托.期货.黄金.股吧.博客等各类财经资讯及数据进入东方财富官网,从下图可以看出: 1 ...
日内回转交易(股票)——Python量化
目录 1. 原理 1.1 日内回转交易 1.2 股票的日内回转交易 1.3 MACD指标简介 2. 策略思路 3. 策略代码 4. 回测结果与稳健性分析 1. 原理 1.1 日内回转交易日内回转交易 ...
小市值(股票)——Python量化
小市值策略(股票) (以下部分内容参考<因子投资:方法与实践>一书) 目录小市值策略(股票) 1. 原理 1.1 因子投资 1.2 规模因子 2. 策略逻辑 3. 策略代码 4. 回测结 ...
指数增强(股票)——Python量化
指数增强策略目录指数增强策略 1. 策略原理 2. 策略步骤 3. 策略代码 4. 回测结果和稳健性分析 1. 策略原理说到指数增强,就不得不说指数. 在进行股票投资时,有一种分类方式是将投资分 ...
股票python量化交易008-JoinQuant中JQData的使用
查阅JoinQuant中JQData的使用文档 python代码实现导入JQData,并认证用户身份.认证完毕显示"auth success"后即可使用 from jqdatas ...
布林线均值回归(股票)——Python量化
布林线均值回归策略目录布林线均值回归策略 1. 原理 2. 策略思路 3. 策略代码 4. 回测结果与稳健性分析 1. 原理提起布林线均值回归策略,就不得不提布林带这个概念.布林带是利用统计学中 ...
行业轮动(股票)——Python量化
行业轮动策略目录行业轮动策略 1. 原理行业轮动现象行业轮动的原因行业轮动下资产配置 1. 美林时钟:大类资产配置 2. 策略设计 2. 策略思路 3. 策略代码 4. 回测结果分析与稳健性 ...
股票python量化交易002-常见量化指标（基本面）
基本面指标有哪些? 除了boll/kdj/macd等技术指标,还有基本面指标.基本面指标主要有股票价格,成交量,财务等宏观指标. 财务指标很重要对应巴菲特说的价值投资. 在炒股软件中按F10就会出现 ...
股票python量化交易010-JQData财务指标
认识财务报表财务指标数据这里说的财务指标数据是我们平时看到的股票市值,负债数据,现金数据,利润数据等一系统财务相关的值通过运算生成的一份财务指标数据,如EPS,ROE等 eps 每股收益EPS(元 ...

支持向量机(股票)——Python量化

机器学习

1. 原理

什么是机器学习？

什么是支持向量机？

利用支持向量机预测股票涨跌

参数优化

2. 策略思路

3. 策略代码

4. 回测结果与稳健性分析

支持向量机(股票)——Python量化相关推荐

最新文章

热门文章