趋势拟合策略量化分析

根据趋势拟合的量化分析方法，是对股票价格历史数据进行曲线拟合，从而预测出未来几天的股价。在本文所示的程序中，用fndays表示所用历史数据的天数，pndays表示预测未来的天数。例如我们可以用过去10天的价格预测未来3天的股票价格。

1、数据准备

本文程序中用到两个数据：

（1）20200206.npy：存储了4278支股票代码。

（2）A股2010-2020K线数据：存储了4278支股票的历史K线数据。

股票历史数据获取方式在文末给出。

2、曲线拟合

曲线拟合是对历史数据拟合成一条曲线，实际效果如下图所示：

3、参数优化

本策略中的可变参数包括历史天数fndays、预测天数pndays和拟合阶数order。本文所示程序中会从4278支股票各随机取出一段数据进行拟合预测，然后对全部拟合结果进行评价总结。通过对这三个参数不断迭代，优化程序会自动筛选出效果最好的参数。

4、全部代码

# -*- coding: utf-8 -*-
"""
Created on Wed Mar 11 22:43:25 2020

@author: yehx
"""

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import leastsq



def fit_leastq(t, p):
    length = len(p)
    y = 0
    for i in range(length):
        y += p[i] * np.power(t, length-1-i)
    return y


def fit_leastq_residuals(p, t, y):
    return fit_leastq(t, p) - y


def y_generate(coeff, x):
    length = len(coeff)
    y = 0
    for i in range(length):
        y += coeff[i] * np.power(x, length-1-i)
    return y


#计算曲线拟合结果
#x为输入待拟合的一维矩阵，fndays为x的长度，pndays为预测的未来天数
#n为拟合的阶数，n取值越大拟合程度越高，过拟合风险也越高
#返回y_fit：拟合后的结果，拟合结果是否正确的标签flag
def fit_compute(x_data, y_data, fndays, pndays, n=3):
    flag = 0
    initals = list(0.01*np.ones(n))
    r = leastsq(fit_leastq_residuals, initals, args = (range(fndays), x_data))
    y_fit = y_generate(r[0], range(fndays+pndays))
    
    price_chage_target = y_data[-1] - x_data[-1]
    price_chage_fit = y_fit[-1] - x_data[-1]
    if price_chage_target * price_chage_fit > 0:
        flag = 1  
    return y_fit, flag

#单一拟合结果作图
#输入x为待拟合的历史数据，y_target为待预测的真实数据，y_fit为拟合的全部数据
def single_plot(x, y_target, y_fit, fndays, pndays):
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    plt.plot(range(fndays), x, marker='.', color='blue', linewidth=1.0, label='拟合数据')
    plt.plot(range(fndays, fndays+pndays), y_target, marker='.', color='green', linewidth=1.0, label='目标数据')
    plt.plot(range(fndays+pndays), y_fit, marker='.', color='red', linewidth=1.0, label='预测数据')  
    plt.legend()
    plt.show()

#参数迭代优化
def para_opti():
    #股票名称
    stock_set = list(np.load("../20200206.npy"))
    fndays_list = list(range(5, 205, 5))
    pndays_list = list(range(1, 11))
    order_list  = list(range(2, 16))
    correct_number_list = []
    parameter_list = []
    for fndays in fndays_list:
        for pndays in pndays_list:
            x_data = []
            y_data = []
            for i in range(len(stock_set)):
                #获取股票K线数据
                df = pd.read_csv("../../Data/A股2010-2020K线数据/"+stock_set[i]+".csv")
                #获取收盘价数据
                close_price = df.iloc[:,2].tolist()
                total_num = len(close_price)
                if total_num < fndays + pndays -1:
                    continue
                x_start = np.random.randint(0, total_num-fndays-pndays, 1)[0]
                x_data.append(close_price[x_start:(x_start+fndays)])
                y_data.append(close_price[(x_start+fndays):(x_start+fndays+pndays)])
            x_data = np.array(x_data)
            y_data = np.array(y_data)
            for order in order_list:
                correct_number = 0
                if order > fndays:
                    continue
                for j in range(x_data.shape[0]):
                    y_fit, flag = fit_compute(x_data[j], y_data[j], fndays, pndays, n=order)
                    # single_plot(x_data[j], y_data[j], y_fit, fndays, pndays)
                    correct_number += flag
                correct_number_list.append(correct_number)
                parameter_list.append([fndays, pndays, order])
                np.save('correct_number_list.npy', np.array(correct_number_list))
                np.save('parameter_number_list.npy', np.array(parameter_list))
                print('[INFO] fndays: {}/200, pndays: {}/10, order: {}/15, max correct: {}/{}'.format(
                    fndays, pndays, order, max(correct_number_list), len(stock_set)))
                print('[INFO] best parameters: '+ str(
                    parameter_list[correct_number_list.index(max(correct_number_list))]))
        
    
if __name__ == '__main__':
    para_opti()   

5、数据获取方式

（1）20200206.npy：关注"量化之窗"公众号，并输入“gpdm”。

（2）A股2010-2020K线数据：关注"量化之窗"公众号，并输入“kxsj”。

如有疑问，请在文章下方留言。