年化26.4%,quantlab5.5发布——多任务机器学习组合优化,可视化策略生成向导(代码+数据)

原创文章第615篇,专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

本次代码主要更新: 

1、主界面gui应大家要求加回来了,同时更加易用了。包括因子轮动策略,信号策略下周再加进来。

2、时间序列分析界面。

3、多任务机器学习策略的代码。

图片

代码下载:AI量化实验室——2024量化投资的星辰大海

01 主界面

图片

你运行起来,点击回测,就可以看到这个年化26.4%的示例策略:

图片

免安装,快速体验的地址:http://ailabx.com/quant(用桌面电脑浏览器打开),可以SAAS化地使用咱们的回测和策略开发平台——还在持续迭代中。

02 时间序列

图片

这部分代码,大家直接运行main.py——直接运行main.py,不要自己加streamlit

import os
import runpy
import sys

def main() -> None:
    streamlit_script_path = os.path.join(os.path.dirname(__file__), "streamlit_main.py")
    sys.argv = ["streamlit", "run", streamlit_script_path]
    runpy.run_module("streamlit", run_name="__main__")


if __name__ == "__main__":
    main()

图片

03 策略集

examples目录更名为"策略集"——这是咱们使用notebook呈现的策略列表,方便大家使用。

本周一星球里同步的——多任务学习机器学习的论文代码在这里。稳稳的年化10%,多任务时序动量策略——基于pytorch的深度学习策略(附python代码)

图片

注意,本周这个策略有难度——环境都有难度,新手不建议尝试,如果要安装,需要安装torch与你本机匹配的cuda的版本。

图片

下周会把单因子分析移植到gui上来,同时,加上信号规则策略逻辑。

吾日三省吾身

三年后、五年甚至八年后,你想过上什么样的生活。

制定目标时,你应该这么看。——现在的生活是你三年前、五年前的模式所决定的,没有办法很快去改变。

但三年,五年后的生活,是你当下的模式所决定的。

你理想中的生活与现实中的生活,之间的差距,就是你要去补足的地方。

回顾五年前,开始认真系统化搞量化、完成了Z计划的部署。三年前,开始认真输出内容,就有了B计划的样子。

未来三年,五年,C计划要建立起来。人生计划之"ABCZ"

你的C计划是什么呢?——以投资交易为生吗?

这个需要想清楚,这条路当然优点非常多,尤其适合内向,不喜欢,也不擅长与人协作、打交道的同学们。

不过,这条路最难之处在于,它没有标准答案、没有圣杯。

有时候不是努力就可以的,它需要一种特质,一点点悟性,还有很多的耐心。

A计划以稳为主,但当下没有确定性,积极拥抱变化。

B计划强调积累和自动化,搭建一个商业系统,一条管道,而不是多干一份工作。

C计划,大胆一点,疯狂一点,守住底线的基础上勇敢做自己。

Z计划,决定性及安全感的来源。

历史文章:

quantlab5.4代码发布:新增deap因子挖掘,lightgbm机器学习因子筛选及全量转债数据(附python代码)

AI量化实验室——2024量化投资的星辰大海

  • 17
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,我可以为您提供一些思路和步骤,但是具体的实现需要您自己动手完成。首先需要使用爬虫技术获取 https://nba.hupu.com/stats/players 网站中的球队比赛数据,可以使用 Python 的 requests 库进行网页请求,并使用 BeautifulSoup 库进行网页解析和数据提取。具体的代码实现可以参考以下示例代码: ```python import requests from bs4 import BeautifulSoup url = 'https://nba.hupu.com/stats/players' headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'} response = requests.get(url, headers=headers) soup = BeautifulSoup(response.text, 'html.parser') # 解析网页中的表格数据 table = soup.find('table', {'class': 'players_table'}) rows = table.find_all('tr') for row in rows[1:]: cols = row.find_all('td') team = cols[1].text # 获取球队比赛数据并进行数据处理和分析 # ... ``` 接下来,需要对获取到的比赛数据进行处理和分析,可以使用 Python 的 Pandas 库进行数据处理和可视化。可以先将比赛数据存储到一个 Pandas 的 DataFrame 中,然后使用分布雷达图进行可视化呈现。具体的代码实现可以参考以下示例代码: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt # 将比赛数据存储到 Pandas DataFrame 中 data = pd.DataFrame({ 'Team': ['Lakers', 'Warriors', 'Nets', 'Rockets', 'Celtics'], 'Points': [115.3, 113.3, 118.6, 109.1, 112.2], 'Rebounds': [45.1, 43.7, 47.6, 44.3, 46.2], 'Assists': [25.1, 27.3, 26.4, 21.9, 23.4], 'Steals': [8.4, 8.9, 6.7, 9.7, 8.1], 'Blocks': [5.1, 4.7, 4.3, 4.2, 5.2] }) # 计算每个指标的平均值 mean = data.mean(axis=0) # 将每个指标的取值除以对应的平均值 normalized_data = data.iloc[:, 1:].div(mean[1:]) # 计算每个球队的指标平均值 team_mean = normalized_data.mean(axis=1) # 计算每个球队的指标方差 team_var = normalized_data.var(axis=1) # 计算每个指标的角度 angles = np.linspace(0, 2*np.pi, normalized_data.shape[1], endpoint=False) # 绘制分布雷达图 fig = plt.figure(figsize=(6, 6)) ax = fig.add_subplot(111, polar=True) colors = ['r', 'g', 'b', 'y', 'm'] for i, row in normalized_data.iterrows(): values = row.values.tolist() values += values[:1] ax.plot(angles, values, 'o-', linewidth=2, color=colors[i], label=data.iloc[i, 0]) ax.fill(angles, team_mean.values.tolist()+team_mean.values.tolist()[:1], alpha=0.25) ax.set_thetagrids(angles * 180/np.pi, normalized_data.columns) ax.set_title('Team Performance Comparison', fontsize=14) ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0)) plt.show() ``` 以上代码生成一个分布雷达图,用于可视化不同球队的比赛数据,其中每个指标的取值都被标准化为对应的平均值,方便进行比较和分析。您可以根据实际的数据进行调整和修改,并添加其他的数据处理和可视化方法,以便更好地呈现数据
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI量化投资实验室

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值