AI量化交易案例

量化交易

1. 案例介绍

   • 1.1 案例说明

     机器学习与人工智能在金融领域已有成熟的应用。用统计模型来预测股票等金融产品的价格并自动交易，这是其中的经典问题。价格预测的模型是这个应用场景中的核心问题，在预测价格变化的基础上，通过一定的交易规则来获利。价格预测的准确率不需要很高，超过50%在理论上就有盈利的空间。每次交易的获利也不需要太高，只要高于交易成本，就能通过长期、多次的交易来积累盈利，形成显著的收益。

     本案例基于股市每日股票价格数据进行建模，用60天的历史数据作为特征，来预测第二天的收盘价格。然后根据价格预测的结果来进行模拟交易的回溯测试，通过测试结果来评估算法性能。本案例采用了回归模型，将股票价格与大盘价格的差作为目标，来减小均方差。有了预测值之后，调用回溯函数来进行模拟交易。

     本案例的模型是回归问题。因此，任何回归问题的算法都适用于本案例。本案例可用于其它分类或回归算法的教学实践，还可以贯穿于整个机器学习教学过程，让学生不断尝试用新学的算法来解决此问题。

     根据此案例，学生们能够了解量化交易中核心的股价预测的建模理念，以及量化交易的经典过程。在此基础上，还可以进一步提升模型表现，或将其包装成量化交易的应用。

   • 1.2 文件列表

     文件名	用途
     data_loader.py	在模型中import此文件，调用load_data函数来读取数据，并切分成训练数据、验证数据和测试数据。
     evaluate.py	用于评估算法的 模拟回溯交易函数。
     gbdt_model.py	采用梯度提升决策树的模型。直接运行即可完成模型训练。
     nn_model.py	采用多层神经网络的模型。直接运行即可完成模型训练。
     prepare_features.py	在训练模型前运行此代码，将原始数据文件转换为特征数据文件。
     raw_data.泡菜	原始数据

   • 1.3 数据说明

     • 1.3.1 原始数据

       本案例的原始数据为A股中证500从2012年初到2018年初的数据，包括每日的开盘数据、收盘数据、最高价、最低价、交易量。这些数据均为复权后的量价，即去除了分股、行权等对价格变化的影响。

     • 1.3.2 特征工程

       本案例通过历史数据来建模，将每日的前59天的数值展开为特征。具体情况如下

       1. 特征数据

          • a. 生成的特征值有295个，命名如：$open 1， $open 2， ... ， $open 59， $close 1， ...， $high 1， ...， $low 1， ...， $volume 1， ...， $volume 59。

          • b. 每条数据为前n天的对应正规化后的值，如：$open 1对应1天前的开盘价正规化后的值，$volume 59对应59天前的交易量正规化后的值。

          • c. 正规化。可通过代码看出，前n天的开盘价、收盘价、最高价、最低价都是除以当日收盘价为正规化后的值。交易量除了除以当日交易量，并通过ln求自然对数来减少数量级的差别。

       2. 标记数据。根据第二天价格是否能跑赢大盘来作为标记数据。如果高于大盘，则为正数，低于大盘则为负数。

       3. 有些股票无法回溯59天的历史股价，在训练模型前，会将这些数据条目删除。

       4. 数据按照时间段来拆分：

          • a. 2008~2013年为训练数据集，346817条。
          • b. 2014~2015年为验证数据集，170756条。
          • c. 2016~2018年为测试数据集，217554条。

     • 1.3.3 回溯测试

       回溯测试用于评估模型的性能。回溯测试会根据价