AI选股中回归、分类、排序算法的构建流程

由iquant创建，最终由iquant更新于2024-05-15 10:14 被浏览 496 用户

导语

【旧版模块】，该文档为旧版。新模板详见：

https://bigquant.com/wiki/doc/102-ai-hXNHGsyWzS

在阅读了学院关于可视化模板教程后，相信你已经掌握了平台上的模块使用方法。本文将以XGBoost模型为例，介绍回归、排序、分类的不同之处。在文末，你可以克隆该算法自行研究、学习

首先我们明确一下算法在机器学习中的地位。一般来说，机器学习有三个要素：数据、算法和模型。

• 数据是场景的描述，包括输入和输出。
• 算法是得到模型的过程，狭义上说，特指机器学习算法，如传统线性回归、树和支持向量机以及深度学习；广义上说，从最初得到数据到最终确定模型中间的所有过程，即建模流程都可以看作算法，如分类、回归模型，搜索最优参数算法。
• 模型是输入到输出的映射，即我们最后需要得到的特定法则，对场景给出相关预测。 对应这三个要素，机器学习又可以分为三个步骤：特征工程、模型训练和模型融合。

这里我们讨论的回归、排序、分类，对应的是算法——模型训练的环节。我们以XGBoost为例，分别使用三种算法。

排序算法

模板策略在本文末尾供各位克隆、研究、修改。

在运行策略后输入下列代码，可查看预测集各个股票在不同时间内的评分

m20.predictions.read_df().head(10)

通过调用下列代码，可以查看各个特征、因子在选股时的表现。

m20.feature_gains()

分类算法

分类

此时需要通过数据标注给股票分类（读者可以根据自己需求改变分类的方式）：

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
where(shift(close, -5) / shift(open, -1)>0,1,0)

同上，调用相同的代码，得到如下结论：

m20.feature_gains()

m20.predictions.read_df().head(10)

多分类

不同于二分类，此时模块m20XGBoost应选择多分类，同时数据标注处代码应将数据分为多个类别，例如：

where(cond, x, y):#如果cond为True，则为 x, 否则 y 
where(a &gt, b, c, d)
where(a &gt, b, where(a > c, c, d), e)
all_wbins(s, bins)， #按等宽做离散化，映射从0开始。bins可以是正整数，表示bins的数量；list，表示splits，e.g. [-2, 0, 2]，小于-2的数据将被映射为0，大于2的被映射为3，中间的分别为1和2
all_cbins(s, bins)， #按等频做离散化，映射从0开始。bins可以是正整数，表示bins的数量；list，表示每个bin里的数据比例

此处我们作如下标注：

# #号开始的表示注释
# 0. 每行一个，顺序执行，从第二个开始，可以使用label字段
# 1. 可用数据字段见https://bigquant.com/wiki/doc/-tOnkTw9FhH
#   添加benchmark_前缀，可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎https://bigquant.com/wiki/doc/yinzi-biaodashi-mGzCw6L5WQ

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
where(shift(close, -5) / shift(open, -1)>1,2,where(shift(close, -5) / shift(open, -1)>0,1,0))

同时在m20XGBoost参数字典中写入：

#写入我们分类的个数
{'num_class':3}

m20.feature_gains()

m20.predictions.read_df().head(10)

回归算法

同上，调用相同的代码，得到如下结论：

m20.feature_gains()

[details="运行结果"]

m20.predictions.read_df().head(10)

种算法的比较

通过使用不同的算法，平台可以实现不同的策略

• 排序可以将股票按照某个特征排序，进而达到筛选股票的目的
• 回归可以预测出股票收盘价等数据的走向，帮助选股
• 分类可以筛选出某个特征达到一定值的股票，过滤掉表现不好的股票

\

策略案例

https://bigquant.com/experimentshare/b564260a701d408f8d48ed503a212f43

https://bigquant.com/experimentshare/c6f6814d0efb4134b39f21800fc32ca4

\