作者：阿布?

未经本人允许禁止转载

ipython notebook git版本

目录章节地址： 自己动手写一个印钞机 第一章 自己动手写一个印钞机 第二章 自己动手写一个印钞机 第三章 自己动手写一个印钞机 第四章 自己动手写一个印钞机 第五章 自己动手写一个印钞机 第六章 自己动手写一个印钞机 第七章

简书目录章节地址： 自己动手写一个印钞机 第一章 自己动手写一个印钞机 第二章 自己动手写一个印钞机 第三章 自己动手写一个印钞机 第四章 自己动手写一个印钞机 第五章 自己动手写一个印钞机 第六章 自己动手写一个印钞机 第七章 自己动手写一个印钞机 附录章

股票量化专题地址，请关注，谢谢！

---

非均衡胜负收益带来的必然非均衡胜负比例，目标由因子的能力解决一部分，模式识别提升关键的一部分

本章开始说文章的核心了，模式识别提升关键的一部分 本章的内容主要是通过机器学习如svm，随机森林等对stock模式识别的初步探索，俗称罪恶的第一步，但还是要坚定的卖出，毕竟目标是印钞机

下面运行因子对多年数据进行回测，模式识别中基本的需求就是生成训练集数据与测试集数据，对训练集的数据抽取特质，总结规律，在测试集上指导交易，与没有指导交易的测试集进行比对，查看效果。

BuyGoldenFactor.g_enable_filter_ml = True # 回测因子的历史且结果集加入机器学习需要的数据
BuyGoldenFactor.g_enable_snap = True # 生成交易这一时刻60日图像，为深度学习准备, 详情见第四章
buy_factors = [{'XD': 42, 'class': BuyGoldenFactorClass, 'draw': True}]# n_folds： 6年数据回测生成五年单子
# train_test_split：回测时预留一份stock代码表作为测试集，生成9份训练集，当use_last_test为True 时只用一份测试stock代码表进行因子回测
# ret_cnt_need ＝ 0：回测所有stock
out, orders_pd_train_snap = MetricsManger.make_metrics_rsc_mul_symbol_grid(buy_factors, n_folds=6, score_type=METRICSTYPE.SYSMBOL_R_SCORES_GOLDEN.value, ret_cnt_need=0, train_test_split=True, use_last_test=False, force_one_process=False)pd.options.display.max_columns = 40
orders_pd_train_snap.tail(2) # 看看添加了提供机器学习数据的pandas

由于简书不支持html的表格，完整表格请查阅git上完整版ipython notebook

---

这些特征都是什么比如deg_windowPd就是买入stock这一天前42天k线图的线性拟合斜率，deg_hisWindowPd是252天k线图的线性拟合斜率，它们代表了买入前stock的一种状态也就能代表一种特征，你可以理解为这些特征都是发生交易前的一些状态的量化值特征，暂时没有必要全部深入了解，知道是特征就行。

下面生成测试集数据

BuyGoldenFactor.g_enable_fiter = False
BuyGoldenFactor.g_enable_snap = True
buy_factors = [{'XD': 42, 'class': BuyGoldenFactorClass, 'draw': True}]
out, orders_pd_test = MetricsManger.make_metrics_rsc_mul_symbol_grid(buy_factors, n_folds=6, score_type=METRICSTYPE.SYSMBOL_R_SCORES_GOLDEN.value, ret_cnt_need=0, train_test_split=False, use_last_test=True, force_one_process=False)

---

orders_pd_train_snap.shape, orders_pd_test_snap.shape# out((44412, 32), (4956, 32))

对训练集及测试集的结果进行大体的度量：主要就是看看非均衡胜负收益带来的必然非均衡胜负比例，目标由因子的能力解决一部分效果怎么样

train_ump = UmpMainClass(orders_pd_train_snap, MlFiterGoldenPdClass)
train_ump.show_general()# outall fit order = (41225, 32)win rate = 0.493559733172profit_cg.sum() = 281.687935222win mean = 0.0770327160087 loss_mean = -0.061738192442

test_ump = UmpMainClass(orders_pd_test_snap, MlFiterGoldenPdClass)
test_ump.show_general()# outall fit order = (4612, 32)win rate = 0.5profit_cg.sum() = 37.4002795407win mean = 0.076550446692 loss_mean = -0.0605681543452

显示在所有有结果的单子中胜率可以接近一半，且每次赢的0.07比没次输的0.06多， 但是贪婪的我仍然认为有优化空间，这个空间就是利用这个因子产生的输出数据 作为特征识别基础，提炼特征，指导交易，

模式识别提升关键的一部分

下面我们看看如何做到的呢

首先确认ml封装库是否能正常运行

test_fiter_more = MlFiterClass.create_test_more_fiter()

学习曲线

test_fiter_more.estimator.logistic_regression()
test_fiter_more.plot_learning_curve()

特征权重

test_fiter.importances_coef_pd()

树逻辑图

test_fiter.plot_graphviz_tree()

混淆矩阵

test_fiter_more.plot_confusion_matrices()# out[[453  96][100 242]]

roc

test_fiter_more.plot_roc_estimator()

特征选择

test_fiter_more.feature_selection()# outRFE selectionranking supportSibSp              1    TrueParch              1    TrueCabin_No           1    TrueCabin_Yes          6   FalseEmbarked_C         2   FalseEmbarked_Q         5   FalseEmbarked_S         3   FalseSex_female         8   FalseSex_male           1    TruePclass_1           4   FalsePclass_2           7   FalsePclass_3           1    TrueAge_scaled         1    TrueFare_scaled        1    TrueRFECV selectionranking supportSibSp              1    TrueParch              2   FalseCabin_No           1    TrueCabin_Yes          7   FalseEmbarked_C         3   FalseEmbarked_Q         8   FalseEmbarked_S         4   FalseSex_female         1    TrueSex_male           9   FalsePclass_1           5   FalsePclass_2           6   FalsePclass_3           1    TrueAge_scaled         1    TrueFare_scaled        1    True

决策边界

test_fiter.plot_decision_function()

train test score

test_fiter_more.cross_val_accuracy_score()# outaccuracy mean: 0.776812507093array([ 0.75555556,  0.72222222,  0.73033708,  0.75280899,  0.83146067,0.78651685,  0.80898876,  0.71910112,  0.82022472,  0.84090909])

切换使用其它学习方法

test_fiter_more.estimator.adaboost_classifier()
test_fiter_more.cross_val_accuracy_score()# outaccuracy mean: 0.810433548973array([ 0.78888889,  0.78888889,  0.78651685,  0.80898876,  0.84269663,0.78651685,  0.82022472,  0.82022472,  0.79775281,  0.86363636])

可以证明封装库没有问题，可以放心使用，下一步上真正的stock数据

由252，60， 42天组成的走势数剧作为特质开始

from MlFiterDegPd import MlFiterDegPdClass
deg = MlFiterDegPdClass(orderPd=orders_pd_train_snap)
deg.df.head()

deg().estimator.svc()
deg().cross_val_accuracy_score()# outaccuracy mean: 0.491279520472array([ 0.48920689,  0.51758428,  0.49987873,  0.49551298,  0.48168809,0.4887218 ,  0.47610963,  0.47355653,  0.4853191 ,  0.50521718])

0.49的准确率，相当于是乱猜 是不是特征选择的不好呢，换一些特征试试

from MlFiterMainPd import MlFiterMainPdClass
main = MlFiterMainPdClass(orderPd=orders_pd_train_snap)
main.df.head()

main().cross_val_accuracy_score()# outaccuracy mean: 0.493608245706array([ 0.5008489 ,  0.49890856,  0.49793839,  0.48678147,  0.50303177,0.47125879,  0.49648314,  0.49369238,  0.49332686,  0.49381218])

0.49的准确率，还是乱猜 是不是特征太少了，构建一个特征多的试试

from MlFiter import MlFiterClass
order_has_ret = orders_pd_train_snap[(orders_pd_train_snap.result <> 0)]all_pd = order_has_ret.filter(['result', 'deg_hisWindowPd', 'deg_windowPd', 'deg_60WindowPd', 'atr_std', 'jump_power', 'diff_days', 'wave_score1', 'wave_score2', 'wave_score23'])
train_np = all_pd.as_matrix()
y = train_np[:, 0]
x = train_np[:, 1:]
all_filter = MlFiterClass(x, y, all_pd)
all_pd.head()

# 这回使用随机森林
all_filter.estimator.random_forest_classifier()
all_filter.cross_val_accuracy_score()# outaccuracy mean: 0.505349477658array([ 0.48678147,  0.50788261,  0.53019646,  0.50497211,  0.51297599,0.46058695,  0.51564395,  0.50994663,  0.4942975 ,  0.53021111])

0.50的准确率，这算是有所提升吗？?

下面把数据离散化后，换种分类器测试

deg = MlFiterDegPdClass(orderPd=orders_pd_train_snap, dummies=True, invoke_hmm=False,invoke_pca=False)
deg.df.head()

由于简书不支持html的表格，完整表格请查阅git上完整版ipython notebook

---

上边封住好了的，在离散值的选择上不是瞎来的，会通过可视化来选择离散值bins，通过数据来指导数据最终指导交易

deg().estimator.random_forest_classifier()
deg().cross_val_accuracy_score()# outaccuracy mean: 0.487590577522array([ 0.48217317,  0.51564395,  0.4962406 ,  0.49890856,  0.49745331,0.48338588,  0.49527043,  0.45414847,  0.44479495,  0.50788644])

结果还是乱猜

用其它等等方式仍然是胡猜，自己写的类似adaboost依然效果很差, 通过非均衡概率降低假阳，提高假阴的方式，最后统计所有测试集样本的判别概率发现其实还瞎猜

提高分类数量，设置阀值，提高准确率的方案

通过将profit cg qcut 100份分类

orders_pd_train_snap.profit_cg.fillna(0, inplace=True)
order_has_ret = orders_pd_train_snap[(orders_pd_train_snap.result <> 0)]
n_class = 100
order_has_ret['class'] = pd.qcut(order_has_ret.profit_cg, n_class, labels=range(0, n_class))
order_has_ret['class'] = order_has_ret['class'].astype(int)
ZLog.info(np.unique(order_has_ret['class']))deg_pd = order_has_ret.filter(['class', 'result', 'deg_hisWindowPd', 'deg_windowPd', 'deg_60WindowPd'])
train_np = deg_pd.as_matrix()
y = train_np[:, 0]
x = train_np[:, 1:]
deg = MlFiterClass(x, y, deg_pd, force_clf=True)
deg_pd.head()

• y为class train_test_split进行分类

• 使用cv数据集的 predict < class阀值 使用result==0的情况查看概率

  from sklearn.cross_validation import train_test_split from sklearn.metrics import accuracy_score from sklearn.metrics import classification_report

  deg.estimator.random_forest_classifier()

  train_df, cv_df = train_test_split(deg.df, test_size=0.1, random_state=0)

  fiter = deg.get_fiter() fiter.fit(train_df.as_matrix()[:, 2:], train_df.as_matrix()[:, 0])

  predictions = fiter.predict(cv_df.as_matrix()[:, 2:])

  cv_df['predict'] = predictions cv_df.head()

cv_df['predict'].value_counts().sort_index().head(10)# out0.0    561.0    502.0    433.0    474.0    445.0    456.0    477.0    308.0    469.0    39Name: predict, dtype: int64

---

for threshold in np.arange(0, 10):ppv = cv_df[cv_df['predict'] <= threshold].result.value_counts()ZLog.info('threshold: {}, ppv: {}'.format(threshold, float(ppv[-1])/ppv.sum()))# outthreshold: 0, ppv: 0.607142857143threshold: 1, ppv: 0.632075471698threshold: 2, ppv: 0.58389261745threshold: 3, ppv: 0.586734693878threshold: 4, ppv: 0.579166666667threshold: 5, ppv: 0.571929824561threshold: 6, ppv: 0.551204819277threshold: 7, ppv: 0.541436464088threshold: 8, ppv: 0.526960784314threshold: 9, ppv: 0.523489932886

threshold: 0，1，达到0.6了 但是数量上只有100多个，之后会有使用gmm－hmm的方式继续扩展这种思路，提高收益

只能说最后一种的这个思想可以作为扩展使用，实际中由于 '非均衡胜负收益' 很难带来质的好转，突然想到阿西莫夫的小说基地，对心理史学的最开始的评估，‘可能但是不可行’，我们的印钞机之路是否也是这样呢，下一章开始就是真正的印钞机之路了，一个即可能又可行之路！！！ 下一章开始将使用深度学习方法来训练数据，提高胜率主要是卷机神经网络的使用

---

下一章地址 自己动手写一个印钞机 第三章

---

感谢?您能有耐心看到这里

如果有什么问题可以加阿布的微信

微信号：aaaabbbuu