2022美赛C题-交易策略解析与代码

門門要努力

已于 2023-04-11 14:11:41 修改

阅读量1.4w

点赞数 19

分类专栏： python 文章标签： big data 美国大学生数学建模竞赛大数据数据可视化 python

于 2022-02-23 00:17:54 首次发布

本文链接：https://blog.csdn.net/qq_50670733/article/details/123079292

版权

python 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

第一步题目解析

在这里插入图片描述

将题目简单叙述就是：
黄金和比特币是两种波动性资产，题目给了我们两个csv文件，分别存放了黄金和比特币过去几年的价格。我们需要开发一个模型，该模型使用过去每日的价格数据来确定今天如何进行资产交易。
题中的关键信息是：

我们这次比赛只能使用这两个csv数据文件解决问题（不能找其他数据）
数据的日期范围是2016年9月11日-2021年9月10日，起始资金为1000美元现金，资产组合形式为 [现金，黄金，比特币]
构建的模型仅使用迄今为止过去的每日价格流来确定交易策略。
即，假设我已构建好模型y = Trade(x)，那么在2017年2月22日这天使用模型时，模型的输入参数x只能是2017.02.22这天及之前的数据，输出是今天应该卖出1个比特币，买入1盎司黄金
每笔交易都有佣金成本，交易金额的α%。α黄金= 1%，α比特币= 2%（第三问提到成本对模型的影响）
比特币每天可交易，但黄金只在市场开放的日子交易。在csv文件中也能看出黄金的数据有缺失（周末和圣诞节等节假日）

第二步数据预处理

由于黄金的数据有缺失，在后续数据分析中可能造成影响，我们可以将缺失的价格填充，使用缺失日前后的价格填充缺失的价格。这样的话相当于在非交易日期黄金的价格是不变的，在构建价格预测模型时更加准确，也少很多bug（我当时就苦于某些日期无法预测价格的麻烦）。

# 读取csv文件，指定时间为行索引
df = pd.read_csv('path',index_col='Date')
# 将行索引的时间改为pandas的时间类型
df.index = pd.to_datetime(df.index)
# 产生一阶差分的函数
df['value'].diff(1)
# 填充缺失值
date_index = pd.date_range('2016-09-11','2021-09-10') #先产生所有日期范围
df = df.reindex(date_index) #重设行索引为所有日期
# 此时的dataframe中会将原本有的日期价格填入，而此前没有的日期的价格为NaN缺失
# 使用后一天的价格填充缺失值
gold_df = gold_df.fillna(method='bfill')

当然还有很多其他需要处理的地方……

第三步构建价格预测模型

时间序列ARIMA(p,d,q)模型学习

1.模型介绍

    该模型要求样本具有平稳性
            1. 平稳性：要求由样本时间序列所得的拟合曲线在未来一段时间内仍按照现有i形态的“惯性”延续下去。（均值方差无明显变化）
                ·严平稳：分布不随时间改变而变化
                ·弱平稳：期望与相关系数（依赖性）不变。未来时刻值与过去信息相关
            2. 差分法：时间序列在t与t-1时刻的差值
                ·一阶差分：在原始数据上使用pandas.diff函数求前后相邻差
                ·二阶差分：在一阶差分的数据上做差分
            3. 自回归模型(AR)
                描述当前值与历史值之间的关系，用变量的历史时间数据对自身进行预测
                p阶表示当前天与前p天数据有关
            4. 移动平均模型（MA）
                关注AR模型中误差项的累加，消除预测中的随机波动

2.参数设置

            1. 自相关函数ACF
            2. 偏自相关函数PACF： 剔除其他随机变量的影响
            ARIMA建模流程：
                1.将序列平稳：差分法确定d
                2.p和q阶数的确定：acf与pacf
                3.ARIMA(p,d,q)

# 根据历史预测today价格的函数
def pred_by_history(df):
    model = ARIMA(df[:-1], order=(1, 1, 0))         #只使用today之前的数据建立模型
    result = model.fit()
    # future = result.predict(df.index[-1],df.index[-1] ,dynamic=True, typ='levels')  #预测today的gold价格,起始数据必须在源数据中
    future = result.forecast(1)      #返回today的预测值
    return future
    
pred_all_gold = {}     #字典中存放所有的黄金预测价格
# 一天一天的预测，每次预测传的数据是今天之前的，返回的是今天的预测值
for today in gold_df['2016-09-14':].index.to_list():
    pred_gold = pred_by_history(gold_df[:today])        #只使用today之前的数据，返回的是today的预测值
    pred_all_gold[today] = pred_gold[0]
    print(today)

第四步构建交易策略模型

使用过去的价格涨跌幅的中位数，九分位数……作为参数

df['change'] = df.value.diff()           #相对于昨天涨跌幅
df['ratio'] = df.change / df.value           #涨跌比率
df['up'] = df.ratio[df.ratio > 0] 
df['down'] = df.ratio[df.ratio < 0] 

up_05 = df.up.quantile(.5)       #涨幅中位数0.015516689495233852
up_u = 4
up_09 = 0.177859096    #最大累计涨幅

模型输入参数为今天的价格，过去的涨跌幅中位数，九分位数，累积涨跌天数，α第一天买卖额。
输出为今天的买/卖额

def model(P1,M05,M01,α,U1=4):
    list1 = [ M05*(1+M01/U1)*(1-α)+(1-α)*M01/U1-α ,M05*(1-α)-α,0,0]
    list2 =[ M05*(1-α)*(1+M01/U1)**2+(1-α)*(2+M01/U1)*M01/U1-α,M05*(1+M01/U1)*(1-α)+(1-α)*M01/U1-α ,M05*(1-α)-α,0]
    list3 =[ M05*(1-α)*(1+M01/U1)**3+(1-α)*(M01/U1)*(1+(1+M01/U1)**2)-α,M05*(1-α)*(1+M01/U1)**2+(1-α)*(2+M01/U1)*M01/U1-α,M05*(1+M01/U1)*(1-α)+(1-α)*M01/U1-α ,M05*(1-α)-α]
    list_all = [list1,list2,list3]

    a =np.mat([i[1:] for i in list_all])#系数矩阵
    b =np.mat([i[0] for i in list_all]).T    #常数项列矩阵
    P=solve(a,b)        #方程组的解
    print(P1,P[0],P[1],P[2])
    # [[436.40492024]
    #  [560.68906005]]

    from scipy.optimize import curve_fit  #拟合求参数
    def y(a,t):
        return a*np.exp(t)

    x = [i for i in range(1,5)]       #x=np.linspace(1,4,4)
    popt, pcov = curve_fit(y,x,[P1,P[0],P[1],P[2]])

    plt.plot(np.linspace(0,4,50),[y(popt[0],t) for t in np.linspace(0,4,50)],'r--')
    plt.plot(x,[y(popt[0],t) for t in x],'b--')
    plt.title('bit -')
    print(popt[0])
    return popt[0]

    #黄金的交易额
    def gold_trade(change):  #w为累计涨跌幅
        if(change < 0):     #累积跌，则加仓
            return abs(A_gold_down*np.exp(4*change/-0.037786983))
        elif(change > 0):   #累积涨，则减仓
            return abs(A_gold_up*np.exp(4*change/0.035561898))
        else:
            return 0

    #比特币交易额
    def bit_trade(change):  #w为累计涨跌幅
        if(change < 0):   #累积跌，则加仓
            return abs(A_bit_down*np.exp(3*change/-0.125855917))
        elif(change > 0):   #累积涨，则减仓
            return abs(A_bit_up*np.exp(4*change/0.177859096))
        else:
            return 0

第五步按模型每天交易得出结果

注意：

每次交易会有佣金0.01，0.02。
判断今天是否是黄金的交易日

 date_asset = {pd.to_datetime('2016-09-11'):[1000,0,0]}   #字典存放所有天的资产组合情况[c,g,b]，第一天1000现金
    # 存放的是黄金和比特币的份额

    # 交易策略
    def strategy(date,asset_date,b_price,g_price,bchange,gchange,workday):     #price价格为今天的，pred预测为明天的，gold可选，若不传入则为0
        asset_tomor = asset_date      #asset_date是[]，现在的资产
        if workday == 'False':          #今天只能交易比特币
            if bchange > 0:   #减仓
                bmin = min(asset_date[2]*b_price,bit_trade(bchange))        #卖出的金额
                asset_tomor[0] = asset_date[0] + bmin*0.98
                asset_tomor[2] = asset_date[2] - bmin/b_price        #bit卖出的份额
            elif bchange < 0:  #加仓
                bmin_add = min(asset_date[0],bit_trade(bchange))            #买入的金额
                asset_tomor[0] = asset_date[0] - bmin_add
                asset_tomor[2] = asset_date[2] + bmin_add*0.98/b_price         #买入的份额
            else:       #平
                pass
        else:
            if gchange > 0:       #黄金减仓
                gmin = min(asset_date[1]*g_price,gold_trade(gchange))        #卖出的金额
                asset_tomor[0] = asset_date[0] + 0.99*gmin
                asset_tomor[1] = asset_date[1] - gmin/g_price
                if bchange > 0:   #减仓
                    bmin = min(asset_date[2]*b_price,bit_trade(bchange))        #卖出的金额
                    asset_tomor[0] = asset_date[0] + bmin*0.98
                    asset_tomor[2] = asset_date[2] - bmin/b_price        #bit卖出的份额
                elif bchange < 0:  #加仓
                    bmin_add = min(asset_date[0],bit_trade(bchange))            #买入的金额
                    asset_tomor[0] = asset_date[0] - bmin_add
                    asset_tomor[2] = asset_date[2] + bmin_add*0.98/b_price         #买入的份额
                else:
                    pass
            elif gchange < 0 :  #黄金加仓
                gmin_add = min(asset_date[0],gold_trade(gchange))      #买多少
                asset_tomor[0] = asset_date[0] - gmin_add
                asset_tomor[1] = asset_date[1] + gmin_add*0.99/g_price
                if bchange > 0:   #减仓
                    bmin = min(asset_date[2]*b_price,bit_trade(bchange))        #卖出的金额
                    asset_tomor[0] = asset_date[0] + bmin*0.98
                    asset_tomor[2] = asset_date[2] - bmin/b_price        #bit卖出的份额
                elif bchange < 0:  #加仓
                    bmin_add = min(asset_date[0],bit_trade(bchange))            #买入的金额
                    asset_tomor[0] = asset_date[0] - bmin_add
                    asset_tomor[2] = asset_date[2] + bmin_add*0.98/b_price         #买入的份额
                else:
                    pass
            else:        #黄金不变
                if bchange > 0:   #减仓
                    bmin = min(asset_date[2]*b_price,bit_trade(bchange))        #卖出的金额
                    asset_tomor[0] = asset_date[0] + bmin*0.98
                    asset_tomor[2] = asset_date[2] - bmin/b_price        #bit卖出的份额
                elif bchange < 0:  #加仓
                    bmin_add = min(asset_date[0],bit_trade(bchange))            #买入的金额
                    asset_tomor[0] = asset_date[0] - bmin_add
                    asset_tomor[2] = asset_date[2] + bmin_add*0.98/b_price         #买入的份额
                else:
                    pass
        return asset_tomor


    for i in all_data.index:
        asset_tomor = strategy(i,date_asset[i],all_data.bitcoin_value[i],all_data.gold_value[i],all_data.b_change[i],all_data.g_change[i],all_data.workday[i])
        date_asset[i+dt.timedelta(1)] = asset_tomor.copy()
    
    # 将每天的资产放入总数据中
    asset_df = pd.DataFrame.from_dict(date_asset,orient='index',columns=['cash','gold','bitcoin'])
    res = all_data.join(asset_df)
    res['money'] = res.cash + res.gold*res.gold_value + res.bitcoin*res.bitcoin_value
    # res.money.plot()
    return res.money[-1]         #返回最终持有资产的总额

图

建模竞赛中，图是必不可少的且关键的输出。
该题中，我们需要

生成黄金、比特币的历史价格数据流图
预测的价格流与实际价格流的差异图
使用时间序列ARIMA模型学习，预测价格
产生ARIMA模型参数的图
一阶差分图判断d

BIC热力图

使用ACF与PACF判断p,q阶数
使用交易策略模型计算出的资金变动情况的图
现金+黄金+比特币的总价值变动

持有资产中现金-黄金-比特币的变动情况

黄金价格与所持黄金的价值变动趋势

比特币价格与所持比特币价值变动趋势
佣金对交易策略模型的影响

python的matplotlib库学习笔记
 python的numpy库学习笔记
 pandas库学习笔记