1、选择好投资标的
2、利用机器学习获取最佳运行参数
3、进行量化交易
4、累计获利
import tushare as ts # 引入股票基本数据相关库
import numpy as np
import pandas as pd
import talib # 引入股票衍生变量数据相关库
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score # 引入预测准确度评分函数
from sklearn.model_selection import GridSearchCV # 网格搜索参数调优函数

1. 获取股票基本数据

df = ts.get_k_data(‘000592’, start=‘2020-01-01’,end=‘2022-10-12’)
df = df.set_index(‘date’) # 将日期作为索引值

2.简单衍生变量数据构造

df[‘close-open’] = (df[‘close’]-df[‘open’])/df[‘open’]
df[‘high-low’] = (df[‘high’]-df[‘low’])/df[‘low’]
df[‘pre_close’] = df[‘close’].shift(1)
df[‘price_change’] = df[‘close’]-df[‘pre_close’]
df[‘p_change’] = (df[‘close’]-df[‘pre_close’])/df[‘pre_close’]*100

3.移动平均线相关数据构造

df[‘MA5’] = df[‘close’].rolling(5).mean()
df[‘MA10’] = df[‘close’].rolling(10).mean()
df.dropna(inplace=True)

4. 通过TA_Lib 库构造衍生变量数据

df[‘RSI’] = talib.RSI(df[‘close’], timeperiod=12)
df[‘MOM’] = talib.MOM(df[‘close’],timeperiod=5)
df[‘EMA12’] = talib.EMA(df[‘close’],timeperiod=12)
df[‘EMA26’] = talib.EMA(df[‘close’], timeperiod=26)
df[‘MACD’], df[‘MACDsignal’], df[‘MACDhist’] = talib.MACD(df[‘close’], fastperiod=12, slowperiod=26, signalperiod=9)
df.dropna(inplace=True)

# 提取特征变量和目标变量

X = df[
[‘close’, ‘volume’, ‘close-open’, ‘MA5’, ‘MA10’, ‘high-low’,
‘RSI’, ‘MOM’, ‘EMA12’, ‘MACD’, ‘MACDsignal’, ‘MACDhist’]
]

“”“使用了NumPy库中的where()函数，传入的3个参数的含义分别为判断条件、满足条件的赋值、不满足条件的赋值。其中df[‘price_change’].shift（-1）
是利用shift()函数将price_change（股价变化）这一列的所有数据向上移动1行，这样就获得了每一行对应的下一天的股价变化。
因此，这里的判断条件就是下一天的股价变化是否大于0，如果大于0，说明下一天股价涨了，则y赋值为1；如果不大于0，说明下一天股价不变或跌了，则y赋值为-1。
预测结果就只有1或-1两种分类。”“”
y = np.where(df[‘price_change’].shift(-1) > 0, 1, -1)

#划分训练集和测试集

“”“需要注意的是，划分要按照时间序列进行，而不能用train_test_split()函数进行随机划分。
这是因为股价的变化趋势具有时间性特征，而随机划分会破坏这种特征，所以需要根据当天的股价数据预测下一天的股价涨跌情况，
而不能根据任意一天的股价数据预测下一天的股价涨跌情况。”“”
X_length = X.shape[0] # shape属性获取X的行数和列数，shape[0]即为行数
split = int(X_length*0.9)
X_train, X_test = X[:split], X[:split]
y_train, y_test = y[:split], y[:split]

# 模型搭建

“”“决策树的最大深度max_depth设置为3，即每个决策树最多只有3层；弱学习器（即决策树模型）的个数n_estimators设置为10，
即该随机森林中共有10个决策树；
叶子节点的最小样本数min_samples_leaf设置为10，即如果叶子节点的样本数小于10则停止分裂；
随机状态参数random_state的作用是使每次运行结果保持一致，这里设置的数字1没有特殊含义，可以换成其他数字。”“”
rfc = RandomForestClassifier(max_depth=3, n_estimators=10, min_samples_leaf=10, random_state=1)

rfc.fit(X_train,y_train)

y_pred = rfc.predict(X_test)

print(‘预测情况:\n’, y_pred)

“”“预测属于各个分类的概率，获得的y_pred_proba是一个二维数组，其第1列为分类为-1（下一天股价不变或下跌）的概率，
第2列为分类为1（下一天股价上涨）的概率”“”
y_pred_proba = rfc.predict_proba(X_test)

模型准确度评估

score = accuracy_score(y_pred, y_test)
print(score)
print(rfc.score(X_test,y_test)) # 和score值一样，等价操作

# 分析特征变量的重要性

print(rfc.feature_importances_)

对特征按照计算出来的特征重要性进行排序（降序）

features = X.columns
importances= rfc.feature_importances_
a = pd.DataFrame()
a[‘特征’] = features
a[‘特征重要性’] = importances
a = a.sort_values(‘特征重要性’, ascending=False)
print(a)

#参数调优

“”“n_estimators参数的候选值范围为{5，10，20}，max_depth参数的候选值范围为{2，3，4，5}，
min_samples_leaf参数的候选值范围为{5，10，20，30}。”“”
parameters = {‘n_estimators’: [5, 10, 20], ‘max_depth’: [2, 3, 4, 5], ‘min_samples_leaf’: [5, 10, 20, 30]}
new_rfc = RandomForestClassifier(random_state=1) # 构建的随机森林模型

“”“设置cv参数为6，表示交叉验证6次；设置模型评估标准scoring参数为’accuracy’，即以准确度作为评估标准，
如果设置成’roc_auc’则表示以ROC曲线的AUC值作为评估标准。”“”
grid_search = GridSearchCV(new_rfc, parameters, cv=6, scoring=‘accuracy’)

grid_search.fit(X_train, y_train)
print(grid_search.best_params_) # 打印调参最优结果

X_test[‘prediction’] = rfc.predict(X_test)

计算每天的股价变化率，即（当天的收盘价-前一天的收盘价）/前一天的收盘价。

X_test[‘p_change’] = (X_test[‘close’] - X_test[‘close’].shift(1))/X_test[‘close’].shift(1)

X_test[‘origin’] = (X_test[‘p_change’]+1).cumprod()
“”“因为是根据当天的股价数据预测下一天的股价涨跌情况，如果预测为1，则在下一天买入，如果预测为-1，则在下一天卖出，
所以这里通过shift（1）将预测结果这一列向下移一行，这样才能和下一天的股价变化率相匹配，再用cumprod()函数来计算收益率。”“”
X_test[‘strategy’] = (X_test[‘prediction’].shift(1)*X_test[‘p_change’]+1).cumprod()

X_test[[‘strategy’, ‘origin’]].dropna().plot()
plt.gcf().autofmt_xdate()
plt.show()

最佳运行参数
{‘max_depth’: 2, ‘min_samples_leaf’: 30, ‘n_estimators’: 20}

统计日期：‘2020-01-01’,end=‘2022-10-12’
近一段时间的总收益：
文章代码由网上整理得来，只作学习之用。

机器学习之量化交易-获取最大收益相关推荐

4天掌握python量化交易_【量化】4天学会python机器学习与量化交易-笔记1(p6~p10)
文章目录 p6 获取板块.交易行情数据 p7 获取财务数据与定时器 p8 投资组合与交易 p9 策略的收益指标 p10 策略风险指标视频:4天学会python机器学习与量化交易平台:米筐 4天学会 ...
AI和机器学习对量化交易领域的影响
本文为Michael Harris 在欧洲作为邀请嘉宾为高净值客户和交易者所做的一场演讲概要,主题为"人工智能与机器学习将对交易与投资产生的巨大影响".文章主要从四个方面进行阐释, ...
python定价_Python|机器学习与量化交易、定价高级训练营陆家嘴学
Python|机器学习与量化交易.定价高级训练营陆家嘴学堂百度云下载我买了这个课程,在此分享! 获取课程,请加幑信: 1403905263 (复制幑信号到幑信添加!) 或者扫下面码 <韩非子& ...
投资必读书籍-机器学习与量化交易
投资理念 <开放社会及其敌人>卡尔⋅\cdot⋅波普尔,索罗斯的导师 <通往奴役之路>弗里德里希⋅\cdot⋅奥古斯特⋅\cdot⋅冯⋅\cdot⋅哈耶克 <原则> ...
Python机器学习与量化交易
文章目录 1. 量化交易简介 1.1 量化交易的历史 1.2 什么是量化交易 1.3 量化交易分类 1.4 金融产品及衍生品的投资策略 1.5 量化交易的优势 1.6 如何做量化交易项目 2. 量化回 ...
机器学习与量化交易∙笔记（3）
数据存储方式 .csv NoSQL 存储文本 SQL 跟时间序列有关的金融数据数据格式交易所信息:上交所.深交所.标普数据来源 Ticker/sumbol 价格企业行为(stock split ...
通达信交易接口api_股票量化交易-获取数据的两种方法
量化交易第一步就是获取数据,介绍两种免费的方法 1.通过pytdx获取本地通达信数据 2.通过requests爬虫爬取腾讯财经数据通过python第三方库pytdx获取这是个很强大的第三方库,原理 ...
通达信行情数据获取--python_股票量化交易-获取数据的两种方法
量化交易第一步就是获取数据,介绍两种免费的方法 1.通过pytdx获取本地通达信数据 2.通过requests爬虫爬取腾讯财经数据通过python第三方库pytdx获取这是个很强大的第三方库,原理 ...
5、Python量化交易-回测收益计算
目录前言一.回测的主方法二.回测实现 1 - 获取回测数据ticks 2 - 运行回测 3 - 为回测数据添加生成方法 4 - sell中添加订单的pnl收益计算 5 - 策略执行中调整买卖ma ...

机器学习之量化交易-获取最大收益