年化27.9%，最大回撤-13.6%的可转债因子策略，结合机器学习特征筛选（附python代码）

最新推荐文章于 2024-10-09 20:45:46 发布

AI量化投资实验室

最新推荐文章于 2024-10-09 20:45:46 发布

阅读量433

点赞数 3

文章标签：机器学习 python 人工智能

本文链接：https://blog.csdn.net/weixin_38175458/article/details/140790130

版权

原创文章第603篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

我们重新更新了可转债的全量数据，包含全量已经退市的转债。

——这是与股票市场不一样的地方，股票退市相对少，而转债本身就有退出周期。

因此，如果没有包含进来，那么策略就是有偏差的。

双低指标，单调性非常好：

单因子回测一下：

年化27.9%，最大回撤-13.6%。

策略核心代码如下：

import bt
from bt_algos_extend import SelectTopK
order_by = 'close'#'double_low'#'double_low'
signal = CSVDataloader.get_col_df(df,col=order_by)
#signal.dropna(inplace=True)
all = []
for K in [30,]:
    s = bt.Strategy('可转债单因子策略'.format(K), [
                            bt.algos.RunWeekly(),
                           SelectTopK(signal,K,sort_descending=False),
                           bt.algos.WeighEqually(),
                           bt.algos.Rebalance()])
    all.append(s)
stras = [bt.Backtest(s, data) for s in all]

把转债的价格单独拆分出来：

分层单调性一般：

IC值很好，但回测结果一般。

回测结果，年化12.6%，最大回撤-11.7%。

转股溢价率因子——单调性良好：

IC值一般：

年化28.6%，回撤-33.6%。

三个因子的分析结果看下来，有一个简单的结果：

分层单调性，对于轮动因子非常。

IC值大，但分层效果不好，大概率因子里包含了非线性因素。

IC值大的因子，可以经由机器学习模型来组合。

今天我们开始用机器学习的方式来初筛因子集。

咱们还是使用lightGBM集成学习的方式，决策树是可以筛选特征的重要性的。

import pandas as pd
from lightgbm import LGBMRegressor
from sklearn.metrics import mean_squared_error, r2_score


def calc_metrics(model, X, y):
    y_pred = model.predict(X)
    mse = mean_squared_error(y, y_pred)
    r2 = r2_score(y, y_pred)
    print('r2：', r2, 'mse：', mse)


def split_data(df, date):
    df_train = df[df.index <= date]
    df_val = df[df.index > date]
    return df_train, df_val


def train(df_train, df_val, feature_cols, label_col='label'):
    model = LGBMRegressor(boosting='gbdt',  # gbdt \ dart
                          n_estimators=600,  # 迭代次数
                          learning_rate=0.1,  # 步长
                          max_depth=10,  # 树的最大深度
                          seed=42,  # 指定随机种子，为了复现结果
                          num_leaves=250,
                          # min_split_gain=0.01,
                          lambda_l1=2,
                          lambda_l2=2000
                          )

    X_train = df_train[feature_cols]
    y_train = df_train[label_col]

    X_test = df_val[feature_cols]
    y_test = df_val[label_col]
    model.fit(X_train, y_train)
    calc_metrics(model, X_train, y_train)
    calc_metrics(model, X_test, y_test)

    """模型保存"""
    from config import DATA_DIR
    # model.booster_.save_model(DATA_DIR.joinpath('models').joinpath('lgb_regressor.txt'))
    feat_importances = pd.Series(model.feature_importances_, index=X_train.columns).sort_values(ascending=False)
    print(feat_importances.head(20))
    return model


if __name__ == '__main__':
    import pandas as pd
    from config import DATA_DIR_BASIC
    from datafeed.dataloader import CSVDataloader

    # bonds = pd.read_csv(DATA_DIR_BASIC.joinpath('cb_list2.csv'))
    # bonds =  bonds[bonds['delist_date'] is None]
    # bonds = bonds['ts_code']

    df = CSVDataloader.get_df(symbols=None, set_index=True, start_date='20190101', path='bonds_all')
    print(df)
    df = CSVDataloader.calc_expr(df, ['close+cb_over_rate', 'roc(close,20)', 'ta_cci(high,low,close,20)',
                                      'shift(close,-10)/close-1'],
                                 ['double_low', 'roc_20', 'cci_20', 'label'])
    df.dropna(inplace=True)
    df_train, df_val = split_data(df, '2023-12-31')
    train(df_train, df_val, feature_cols=['cb_over_rate','close','bond_value','cb_value','ps_ttm','bond_over_rate','double_low', 'pb','pe_ttm'], label_col='label')

机器学习的权重排序：