股票策略03 | 基于机器学习的多因子策略

量化策略开发，高质量社群，交易思路分享等相关内容

『正文』

ˇ

Adaboost算法介绍

提升算法的主要目的是将预测能力有限的单个弱学习器（例如决策树）组合 成一个集成强学习器。依据弱学习器的组合方式，可将集成学习算法分为两大种 类，一类为 Bagging 系列（并行方法），一类为 Boosting 系列（串行方法）。对于 多棵决策树，如果以 Bagging 的方式组合起来，可以得到上文中随机森林算法；如果以 Boosting 的方式组合起来，就得到了接下来的 AdaBoost 算法。

AdaBoost 算法基本原理

对于使用 Boosting 方式的集成算法有两个关键问题：1. 如何修正串行中每 一轮训练数据的权值；2. 如何将一组弱学习器组合成强学习器。

首先 AdaBoost 的做法[3]是提高那些被前一轮弱分类器错误分类样本的权值， 并降低那些被正确分类样本的权值。使得那些没有得到正确分类的数据，由于其 权值的加大而将受到后一轮弱分类器的更大关注。于是，分类问题被一系列的弱 分类器逐一解决。

其次 AdaBoost 采取加权多数表决的方法组合弱分类器。具体来说，加大分 类误差率小的弱分类器权值，使其在表决中起较大的作用，减小分类误差率大的 弱分类器的权值，使其在表决中起较小的作用。

策略逻辑

从A股中选择出市值最小的300只票(剔除上市短，ST，停牌票)，获取这些股票的财务因子进行训练。从训练结果里再次选择出市值最小的前10只进行交易，每月第一个交易日选股，踢出不在池子里的，10只股票轮动。

模块导入

from __future__ import print_function, absolute_importfrom gm.api import *import datetimeimport pandas as pdimport numpy as npfrom sklearn.ensemble import AdaBoostClassifierfrom s