【干货】开发AI量化策略所遇到的坑

AI只是工具，想要驾驭AI还得自身有点功底，不然反而会被工具所害，甚至从信仰AI变为抵制AI。本文简单介绍开发AI量化选股策略中所遇到的各种坑，希望大家有所收获，少走弯路。

本文主要从思想和实操两个层面分享下我在开发AI量化选股策略中所遇到的各种坑，也希望各位小伙伴能够进行补充。

策略思想逻辑层面

1. 训练集和测试集不能有所重合
   机器学习的基本思路就是在训练集上发现pattern，训练出模型，然后对样本外的预测集数据进行预测。这好比老师平时布置的作业就是训练集，学生们通过平时的作业学习到知识，然后期末老师通过期末试卷来检验学生的学习掌握情况，如果期末试卷和平时作业一模一样，那么学生测试效果就会很好，因为之前他们就见过答案，这样就做不到对学生平时学习能力、知识掌握能力的测试，因此测试集不能和训练集一样。对于AI量化策略同样如此，如果拿模型预测训练集，效果一定很好，毕竟训练模型的时候模型已经“见过”了实际值。

2. 金融时序数据采取以时间点划分训练集和测试集，而不是随机划分
   金融数据是标准的时间序列数据，时间序列数据最主要的特征就是具有自相关性，因此使用机器学习、深度学习对金融数据进行建模不能完全照搬传统的机器学习模式。传统机器学习模式对训练集和测试集的划分是采取随机划分，样本之间没有时间先后顺序，完全是独立的样本，因此可以把数据打乱，随机抽取80%的数据作为训练集，剩下的20%数据作为测试集。但是金融市场不同的时间段市场状况是不一样的，时间是划分训练集和测试集最好的直尺。可以参考：《40 Interview Questions asked at Startups in Machine Learning / Data Science》

3. 训练集数据不能太少，不要选择几只股票作为股票池
   刚刚提到训练数据好比老师给学生平时布置的作业，如果作业太少、题目类型单一，那么学生求解问题也不能得到很好的训练。机器学习算法比较复杂，参数也较之于线性回归模型更多，训练集数据不够可能会导致模型泛化能力太差，因为训练集可能并不能反映出整体数据的分布，因此在预测集上偏差很(Bias)大，这有点类似“欠拟合”。
   

不仅如此，如果样本太小，特征太多，很容易陷入“维度灾难”，直接后果就是“过拟合”，为了防止“过拟合”，那么所需的训练样本数量就会呈指数型增长。但是，如果只选较短时间或者小部分股票的话，过拟合难以避免，模型在训练集上训练的很好，拿来预测测试集效果也很差，因此最好是全市场选股。

4. 特征具有可比性
   数据挖掘离不开对数据进行清洗和预处理，机器学习也是如此。此外，还应该选择更有可比性的特征。比如今日收盘价这个特征，绝不可直接拿来训练模型，因为不同的股票其价格本身可能就不在一个平台上，贵州茅台的价格和工商银行的价格相差甚远，用这个特征并不能很好地反映出收益率的变动。在目前这个阶段，端到端的机器学习还没到来，特征工程（特征提取、特征选择、特征构建）在机器学习中起着非常重要的作用。虽然收盘价没有什么可比性，但是收盘价除以开盘价，或者10日均线除以20日均线这类的特征就能剔除价格本身差异所带来的影响。另外再举一个例子，市盈率是一个非常有效的特征，但是无论怎么调参数，收益都上不去，达到了一个瓶颈位置。对股票市场稍微了解的朋友就知道，不同行业公司的市盈率是不具有对比性的，银行行业的市盈率和制造行业的市盈率不在同一个水平，因此如果使用市盈率除以所属行业平均市盈率这个调整后的市盈率，效果应该更好。因此想要构造出好的因子还应该对金融市场有一些背景知识。

5. 标注函数和策略逻辑保持一致
   目前开发的AI量化策略还是属于监督式学习范畴，要训练出一个学习算法需要特征数据和标注数据。特征数据就是股票的各个特征，比如5日均价、当日收益率等，标注数据就代表着你希望选出什么样表现的股票，比如你使用未来5日的收益率作为标注，那么就表示你希望模型能够找出未来5日大概率上涨的股票。因此，标注函数和策略逻辑应始终保持一致。不同的特征对应的标注函数是不一样的，比如市盈率特征，这样的特征短期内变动不大，因此对短期股票的预测效果应该并不显著，因此标注函数应关注更长期的数据，而资金流特征、价量特征变动迅速，应该对应较短期的标注数据。可以看出，特征决定了标注函数，标注函数决定了策略的持仓周期。这也对我们调参提供了一种参考方法。

6. 因子并非越多越好
   在开发策略中，我们可以先对单因子进行检验，然后收集数十个能够带来正收益有效的因子，那是否可以把这些因子简单组合起来形成一个多因子的AI选股策略呢？答案远没有这么简单。
   这里有一个图，横轴是所选择的因子数目，纵轴是测试集（也可称为验证集）获得的准确率，从中可以看到，并非选择了全部特征，准确率最高，当少数几个特征就可以得到最高准确率时候，选择的特征越多，反而画蛇添足了。
   
   比较暴力的方法就是遍历所有的特征集，然后确定出最优的特征集合。另外也可以通过模型各个特征的贡献度，留下贡献度高的特征，去除贡献度低的特征，在此过程中，多做实验时做好的途径。

平台使用实操方面

1. 尽量选择AI可视化模块新建策略，选择最新的策略模板
   之前BigQuant一直是代码模式开发策略，对编程要求较高，后来支持了上手更为简单的可视化模式，可视化模式最大的好处就是让策略更为直观，操作也更为灵活，拖动模块、连连线就能把策略运行起来。不仅如此，如果采取代码模式，模块版本很可能不是最新版本，产生一些很奇怪的问题，因此果断建议小伙伴采取可视化模式开发策略，这样每次都能选择最新的策略模板，规避不少奇奇怪怪的问题。

2. 测试集跨越日期太短，却含有某些需要长周期参数的因子
   这个坑比较隐蔽，而且是模拟交易时候才会遇到。比如测试集为2017-11-13到2017-11-17，一共5天数据，但是在因子列表里面却10日均价，10日收益率标准差等需要更多日期数据才能计算出来的因子，于是测试集抽取出来的因子都是NaN，经数据过滤模块一过滤（删除缺失值），测试集就没有数据了，于是会出现No data left after dropnan。这个问题需要这样解决：打开测试集的基础特征抽取模块，修改“向前取数据天数”参数。
   

3. 成交率限制设置为0
   不知道大家有没有遇到这样的问题，在回测结果交易详情页面可以看到连续几天卖出同一只股票，但其实策略里面只有第一天才有卖出订单。这个坑也是特别隐蔽，其原因就是Trade(回测/模拟)模块成交率限制（volume_limit）这个参数导致的。这个参数默认清况下是0.025，具体含义是指，下单当日对股票的下单量和该日的成交量进行一个检查，如果下单量大于当日成交量的2.5%，则实际成交数量等于当日成交量的2.5%，超出的部分顺延到下一日进行成交；如果设置volume_limit为0，表明不需要进行检查，实际成交数量等于下单数量。因此，如果采取默认参数，并且初始金额很大的话，就会遇到连续几日持续交易的情况。最好的办法就是设置volume_limit为0，取消成交量检查。

以上为BigQuant用户的经验分享，更多AI量化探寻欢迎来 BigQuant人工智能量化平台