基于支持向量机的量化择时在线实验闯关

---

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