一、周最小交易日和最大交易日计算与获取
1.任务描述
本关任务:读取交易日历数据表“date.xlsx”,字段依次为:市场类型(Markettype)、日期(Clddt)、星期(Daywk)、开市状态(State)。其中开市状态0,表示开市,返回2016-01-04 至 2017-12-29日的每周最小交易日和最大交易日,分别记为:list1和list2。
2.示例代码
# -*- coding: utf-8 -*-
#读取交易日历数据表“date.xlsx”,字段依次为:
# 市场类型(Markettype)、日期(Clddt)、星期(Daywk)、开市状态(State)
# 其中开市状态O,表示开市
# 返回2016-01-04 至 2017-12-29日的每周最小交易日和最大交易日
# 分别记为:list1和list2
import pandas as pd
import numpy as np
def return_values():
x=pd.read_excel('date.xlsx')
list1=['2016-01-04']
list2=[]
for t in range(1,len(x)-1):
p=x.iloc[t-1,[2]][0]
q=x.iloc[t,[2]][0]
if q<p:
list1.append(x.iloc[t,[1]][0])
list2.append(x.iloc[t-1,[1]][0])
list2.append('2017-12-29')
return (list1, list2)
二、计算周频率相关的影响因素指标
1.任务描述
本关任务:#基于上一关的结果,读取沪深300指数2016年~2017年的交易数据表"data1.xlsx",字段依次如下:
指数代码 交易日期 开盘价 最高价 最低价 收盘价 成交量 成交额
计算如下指标:
a1周最高价:周内指数成交的最高价。
a2周最低价:周内指数成交的最低价。
a3成交额:一周内指数成交额。
a4周收益率:(本周收盘价-上周收盘价)/上周收盘价。
a5上周收益率:上一周的周收益率。
a6前周收益率:上上周的周收益率。
a7上周成交额:上一周的成交额。
a8近四周平均成交额:在最近的四周内的平均成交额。
y(因变量):下周收盘价 – 本周收盘价,如果大于 0,记为 1;如果小于等于 0,记为 -1。
其中a1 ~a8,用一个数据框Data来表示。
2.示例代码
#基于上一关的结果,读取沪深300指数2016年~2017年的交易数据表"data1.xlsx"
# 字段依次如下:
# 指数代码 交易日期 开盘价 最高价 最低价 收盘价 成交量 成交额
# 计算如下指标:
# a1周最高价:周内指数成交的最高价。
# a2周最低价:周内指数成交的最低价。
# a3成交额:一周内指数成交额。
# a4周收益率:(本周收盘价-上周收盘价)/上周收盘价。
# a5上周收益率:上一周的周收益率。
# a6前周收益率:上上周的周收益率。
# a7上周成交额:上一周的成交额。
# a8近四周平均成交额:在最近的四周内的平均成交额。
# y(因变量):下周收盘价 – 本周收盘价,如果大于 0,记为 1;如果小于等于 0,记为 -1。
# 其中a1~a8,用一个数据框Data来表示
import pandas as pd
import numpy as np
def return_values():
# 读取日期数据
x = pd.read_excel('date.xlsx')
list1 = ['2016-01-04']
list2 = []
# 构建日期列表
for t in range(1, len(x) - 1):
p = x.iloc[t - 1, 2]
q = x.iloc[t, 2]
if q < p:
list1.append(x.iloc[t, 1])
list2.append(x.iloc[t - 1, 1])
list2.append('2017-12-29')
# 读取交易数据
trd = pd.read_excel('data1.xlsx')
A1, A2, A3, A4, Y = [], [], [], [], []
for i in range(len(list1)):
I = (trd['交易日期'] >= list1[i]) & (trd['交易日期'] <= list2[i])
if I.any():
A1.append(trd.loc[I, '最高价'].max())
A2.append(trd.loc[I, '最低价'].min())
A3.append(trd.loc[I, '成交额'].sum())
if i > 0:
p1 = trd.loc[trd['交易日期'] == list2[i - 1], '收盘价'].values
p2 = trd.loc[trd['交易日期'] == list2[i], '收盘价'].values
if len(p1) > 0 and len(p2) > 0:
A4.append((p2[0] - p1[0]) / p1[0])
if i < len(list1) - 1:
p1 = trd.loc[trd['交易日期'] == list2[i], '收盘价'].values
p2 = trd.loc[trd['交易日期'] == list2[i + 1], '收盘价'].values
if len(p1) > 0 and len(p2) > 0 and (p2[0] - p1[0]) > 0:
Y.append(1)
else:
Y.append(-1)
# 计算移动平均
A8 = pd.Series(A3).rolling(window=4).mean().iloc[3:-1].values
a1, a2, a3, a4, a5, a6, a7 = A1[3:-1], A2[3:-1], A3[3:-1], A4[2:-1], A4[1:-2], A4[0:-3], A3[2:-2]
y = np.array(Y[3:]).reshape(-1, 1)
# 创建DataFrame
D = {'a1': a1, 'a2': a2, 'a3': a3, 'a4': a4, 'a5': a5, 'a6': a6, 'a7': a7, 'a8': A8}
Data = pd.DataFrame(D)
return Data, y
三、基于支持向量机的量化择时模型构建
1.任务描述
本关任务:
1.基于上一关的指标数据Data和y,作为自变量和因变量
2.以后12条记录作为测试集,剩下的作为训练集,
3.对自变量数据进行均值-方差标准化处理
4.构建支持向量机分类模型(核函数采用高斯核)
5.返回模型准确率rv和预测准确率rs
2.示例代码
# -*- coding: utf-8 -*-
# 上一关的指标数据Data和y,作为自变量和因变量
# 以后12条记录作为测试集,剩下的作为训练集,
# 对自变量数据进行均值-方差标准化处理
# 构建支持向量机分类模型(核函数采用高斯核)
# 返回模型准确率rv和预测准确率rs
def return_values():
import step6_5
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 从之前的模块导入数据
r = step6_5.return_values()
Data, y = r[0], r[1]
# 定义测试集大小
num = 12
# 划分训练集和测试集
X_train = Data[:-num]
X_test = Data[-num:]
y_train = y[:-num]
y_test = y[-num:]
# 对数据进行标准化处理
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
# 构建支持向量机模型,核函数采用高斯核
svm_classifier = SVC(kernel='rbf')
svm_classifier.fit(X_train_scaled, y_train.ravel())
# 计算训练集上的准确率
y_train_pred = svm_classifier.predict(X_train_scaled)
rv = accuracy_score(y_train, y_train_pred)
# 计算测试集上的准确率
y_test_pred = svm_classifier.predict(X_test_scaled)
rs = accuracy_score(y_test, y_test_pred)
return rv, rs