深入浅出Python量化交易实战--第3章-机器学习在交易中的简单应用（下）_python量化交易 机器学习 github

3.3　基于机器学习的简单交易策略

至此，小瓦已经对KNN分类和回归模型有了基本的了解。当然除了 KNN之外，还有很多算法可以供我们进行选择，如决策树、支持向量 机、线性回归、逻辑回归等。接下来我们就使用最简单的KNN算法，基 于真实的股票数据集来制订交易策略，并计算它所带来的收益。

3.3.1　获取股票数据

首先我们使用之前学过的tushare来获取股票数据，这里需要导入 一些必要的库，输入代码如下：

#导入Pandas
import pandas as pd
#导入金融数据获取模块tushare
import tushare as ts
#导入numpy，一会儿会用到
import numpy as np
#首先导入鸢尾花数据载入工具
from sklearn.datasets import load_iris
#导入KNN分类模型
from sklearn.neighbors import KNeighborsClassifier
#为了方便可视化，我们再导入matplotlib和seaborn
import matplotlib.pyplot as plt
import seaborn as sns
# 导入数据集拆分工具
from sklearn.model_selection import train_test_split
 
pd.set_option('expand_frame_repr', False)  # True就是可以换行显示。设置成False的时候不允许换行
pd.set_option('display.max_columns', None)  # 显示所有列
pd.set_option('display.max_rows', None)  # 显示所有行
pd.set_option('colheader_justify', 'centre')  # 显示居中

 

运行代码，如果程序没有报错，就说明导入成功。接下来，我们可 以定义一个获取股票数据的函数，以便未来还可以复用。输入代码如 下：

# 首先我们来定义一个函数，用来获取数据
# 传入的参数分别是股票代码，开始时间、结束时间
def load_stock(ts_code, start, end):
    ts.set_token('你的token')
    pro = ts.pro_api()
    df = pro.daily(ts_code=ts_code, start_date=start, end_date=end)
    df.sort_values('trade_date', inplace=True)
    df.set_index('trade_date', inplace=True)
 
    return df
 
zgpa = load_stock(ts_code='002624.SZ', start='19900101', end='20230310')
zgpa.tail()

备注：

#设置token
s.set_token('你的token')

需要去tushare官网注册账户，就有了你的token，登录后个人主页中找

 

 

3.3.2　创建交易条件

接下来我们做一点简单的特征工程，以便进行后面的工作。这里用 每日开盘价减去收盘价，并保存为一个新的特征；用最高价减去最低 价，保存成另外一个特征。同时，如果股票次日收盘价高于当日收盘 价，则标记为1，代表次日股票价格上涨；反之，如果次日收盘价低于 当日收盘价，则标记为-1，代表股票次日价格下跌或者不变。这个过程 可以称为创建股票的交易条件（trading condition）。

输入代码如下：

# 下面我们来定义一个用于分类的函数，给数据表增加三个字段
# 首先是开盘价减去收盘价，命名为open-close
# 其次是最高价减去最低价，命名为high-low
def classification_tc(df):
    df['open-close'] = df['open'] - df['close']
    df['high-low'] = df['high'] - df['low']
    # 添加一个target字段,如果次日收盘价高于当日收盘价，则标记为1，反之为-1
    df['target'] = np.where(df['close'].shift(-1)>df['close'], 1, -1)
    # 去掉有空值的行
    df =df.dropna()
    # print(df.tail(9))
    # 将open-close和high-low作为数据集的特征
    X = df[['open-close', 'high-low']]
    # 将target值给y
    y = df['target']
    return(X, y)
 
# x,y=classification_tc(zgpa)
# print(x.tail())
# print(y.tail())

 

 

运行代码，就完成了这个函数的定义。由于我们通过股票价格变化 的情况对数据进行了分类，即1代表价格上涨，–1代表价格下跌或不 变，这个交易条件可以用来训练分类模型。让模型预测某只股票在下一 个交易日价格上涨与否。

如果要创建用于回归模型的交易条件，则可以对代码稍做调整，将 次日收盘价减去当日收盘价的差作为预测的目标。这样就可以训练回归 模型，使其预测次日股价上涨（或下跌）的幅度。输入代码如下：

# 下面定义一个用于回归的函数
# 特征的添加与分类函数类似
# 只不过target字段改为次日收盘价减去当日收盘价
def regression_tc(df):
    df['open-close'] = df['open'] - df['close']
    df['high-low'] = df['high'] - df['low']
    # 添加一个target字段,如果次日收盘价高于当日收盘价，则标记为1，反之为-1
    df['target'] = df['close'].shift(-1) - df['close']
    # 去掉有空值的行
    df =df.dropna()
    # print(df.tail(9))
    # 将open-close和high-low作为数据集的特征
    X = df[['open-close', 'high-low']]
    # 将target值给y
    y = df['target']
    return(X, y)
 
x,y=regression_tc(zgpa)
print(x.tail())
print(y.tail())

 

 

运行代码即可完成回归交易条件函数的定义。与分类交易条件一 样，我们同样是把股票当日的开盘价和收盘价的差，与最高价和最低价 的差作为样本的特征。不同的是，预测目标变成了次日收盘价与当日收 盘价的差。

3.3.3　使用分类算法制定交易策略

接下来，我们就使用上一步中定义的函数来处理下载好的股票数 据，生成训练集与验证集，并训练一个简单的模型，以执行我们的交易 策略。输入代码如下：

#使用classification_tc函数生成数据集的特征与目标
X, y = classification_tc（zgpa）
#将数据集拆分为训练集与验证集
X_train, X_test, y_train, y_test =\
train_test_split（X, y, train_size=0.8）

 

运行代码后，我们会得到训练集与预测集。现在就使用KNN算法来 进行模型的训练，并查看模型的性能。输入代码如下：

#创建一个KNN实例，n_neighbors取95
knn_clf = KNeighborsClassifier(n_neighbors=95)
#使用KNN拟合训练集
knn_clf.fit(X_train, y_train)
#输出模型在训练集中的准确率
print(knn_clf.score(X_train, y_train))
#输出模型在验证集中的准确率
print(knn_clf.score(X_test, y_test))

 

 

【结果分析】从代码运行结果可以看到，使用经处理的数据集训练 的KNN模型，在训练集中的准确率是54%左右，在验证集中的准确率也 是51%左右。这个准确率远谈不上理想，相当于只有一半时间里模型对 股价的涨跌预测正确。原因是我们训练模型的样本特征确实太少了，无 法支撑模型做出正确的判断。不过大家也不要担心，我们只是初步做一 个演示而已。

既然模型已经可以做出预测（先不论准确率如何），接下来我们就 可以来验证一下，使用模型预测作为交易信号（trading signal）来进行 交易，并且与基准收益进行对比。首先我们要计算出基准收益和基于模 型预测的策略所带来的收益。输入代码如下：

#使用KNN模型预测每日股票的涨跌，保存为Predict_Signal
zgpa['predict_signal'] = knn_clf.predict(X)
#在数据集中添加一个字段，用当日收盘价除以前一日收盘价，并取其自然对数
zgpa['return'] = np.log(zgpa['close']/zgpa['close'].shift(1))
#查看一下
zgpa.tail()

 

【结果分析】从输出中可以看到，数据表中的Predict_Signal存储 的是KNN模型对股票涨跌的预测，而Return是指当日股票价格变动所带 来的收益。 下面我们定义一个函数，计算一下累计的基准收益。输入代码如 下：

# 定义一个计算累计基准收益的函数
def cum_return(df, split_value):
    # 该股票基准收益的总和乘以100，这里只计算预测集的结果
    cum_returns = df[split_value:]['return'].cumsum()*100
    # 将计算结果进行返回
    return cum_returns

 

运行代码，就完成了这个函数的定义。接下来我们再定义一个函 数，计算基于KNN模型预测的交易信号所进行的策略交易带来的收益。 输入代码如下：

# 定义一个计算使用策略交易的收益
def stratrgy_return(df, split_value):
    # 使用策略交易的收益为模型乘以模型预测的涨跌幅
    df['stratrgy_return'] = df['return'] * df['predict_signal'].shift(1)
    # 将每日策略交易的收益加和并乘以100
    cum_strategy_return = df[split_value:]['stratrgy_return'].cumsum()*100
    return cum_strategy_return

 

定义完上面的函数之后，我们就可以很快计算出算法模型所带来的 累计收益了。为了方便对比，我们再来定义一个进行可视化的函数，输 入代码如下：

# 定义一个绘图函数，用于对比基准收益和算法交易的收益
def plot_chart(cum_return, cum_strategy_return, symbol):
    plt.figure(figsize=(9,6))
    plt.plot(cum_return, '--', label='%s Returns'%symbol)
    plt.plot(cum_strategy_return, label='StrategyReturns')
    plt.legend()
    plt.show()

 

绘图函数定义好之后，我们就可以对KNN模型带来的策略收益和基 准收益进行对比了。输入代码如下：

cum_return = cum_return(zgpa, split_value=len(X_train))
cum_strategy_return = stratrgy_return(zgpa, split_value=len(X_train))
plot_chart(cum_return, cum_strategy_return, 'zgpa')

 

 【结果分析】从输出图中可以看到，虚线部分是该股票的累积基准 收益，实线部分是使用算法进行交易的累计收益。虽然这里使用的KNN 分类模型的准确率并不高，但是使用该模型进行涨跌预测后，进行交易 的收益还是高于该股票的基准收益的。如果我们通过补充因子（或者说 数据集的特征）的方法来进一步提高模型的准确率的话，则算法交易带 来的收益还会显著提高。 注意：与第2章所使用的回测方式不同，这里我们通过对算法交易 收益与基准收益的对比来评估策略的业绩，而这种方法在实际应用中 更加普遍。

3.4　小结

在本章中，小瓦提出一个非常不错的想法——使用机器学习算法来 预测股票的涨跌，并据此创建交易策略来执行订单，因此我们和小瓦一 起学习了机器学习的基本概念，并以KNN算法为例，展示了机器学习工 具的使用方法。当然，由于本章中用来训练模型的样本数据维度比较 少，模型的性能表现也就谈不上出色。即便如此，基于KNN算法设计的 交易策略，收益率仍然明显领先基准收益。在第4章中，我们就要研究 如何补充数据维度，进一步提升模型的性能。