请大家帮忙将这个策略集成到AI策略里面(我又来了)....


(1899) #1

选股条件:非ST、非创业板、总市值低于200亿、上市天数大于300

仓位条件:最大持仓个股数为10,最大持仓仓位为80%,单只个股最长持股时间为30个交易日

大盘(上证)买入风控:5日均量线上穿30日均量线、5日均线上穿30日均线、连续3日收红
大盘(上证)卖出风控:5日均线下穿30日均线、连续3日收绿、在30个交易日内最大回撤为5%

个股买入条件:
(1)5日均量线上穿35日均量线;
(2)连续5个及5个交易日以上震幅在15%以内;
(3)在5个交易日以内资金流入为正;
(4)若不满足买入条件,则即使模型选出个股来也不买入。

个股卖出条件:
(1)5日均量线开始向下;
(2)在3个交易日内资金流入为负;
(3)股价跌破5日均线

止盈条件:个股收益超过25%
止损条件:个股亏损超过10%

之所以说集成在AI策略里,是因为有一个疑问就是AI策略根据选取因子对个股进行打分,买入得分高的股票,换仓时卖出得分低的股票。而有时我更希望在买入得分高的股票情况下(排名前x名)且符合我的买入条件的股票,在卖出得分低的股票情况下(排名后y名)或者卖出符合卖出条件的股票(注意这两句话的逻辑)。这样的话就造成每次买入以及卖出的个股数量不同,于是:如果不符合买入条件,则可以不买入。


(1899) #2

集成到AI策略里哦 待做出以后长期保留,供平台参考。


(iQuant) #5

你好,在帖子里你已经有一个策略了,只是是一个传统的选股策略,包括风险控制和资金管理。平台的AI策略本身也是一个选股策略,也包括风险控制和资金管理,因此两者的一些思想应该是互相冲突的,那么到底选择哪一个呢?


(1899) #6

是这样的。第一条的选股条件我们是有办法在基础特征选取这个模块做到控制的。第二条的仓位条件也能放到AI策略里。
于是疑问(1):第三条的大盘风控如果作为前提条件,能不能放到回测交易前做一个if判断呢?
疑问(2):之所以写了传统的选股策略,就是想看看到底能不能在某些方面做到和AI策略的融合(就像我在文中提到的一样),如果能尝试融合的话,能够融合到什么程度。
我感觉这个两个疑问还是挺重要的。


(iQuant) #7

如果你提到的是这个条件,那么是可以很好的纳入AI策略的。均量线可以详细说明一下吗?


(1899) #8

就是5日平均交易量>30日平均交易量。


(iQuant) #9

好的。明白。
那我们今天简单实现下供你参考。


(1899) #10

好的 谢谢。你们真厉害,哈哈。


(1899) #11

这就相当于AI+择时了吧。


(iQuant) #12
克隆策略

仅作为例子,告诉大家如何在AI策略里融入一些传统量化思想,比如资金管理、风险控制(包括择时)。

In [8]:
benchmark_df = D.history_data(['000300.SHA'], '2010-01-01', '2017-10-01', ['close','volume','high','open'])
benchmark_df['ma_close_5'] = benchmark_df['close'].rolling(5).mean()
benchmark_df['ma_close_30'] = benchmark_df['close'].rolling(30).mean()
benchmark_df['ma_volume_5'] = benchmark_df['volume'].rolling(5).mean()
benchmark_df['ma_volume_30'] = benchmark_df['volume'].rolling(30).mean()
benchmark_df['close_1'] = benchmark_df['close'].shift(1)
benchmark_df['close_2'] = benchmark_df['close'].shift(2)
benchmark_df['open_1'] = benchmark_df['open'].shift(1)
benchmark_df['open_2'] = benchmark_df['open'].shift(2)
benchmark_df['highest'] = benchmark_df['high'].rolling(30).max()


def judge_direction(df):
    cond1 = df['ma_close_5'] >= df['ma_close_30']
    cond2 = df['ma_volume_5'] >= df['ma_volume_30']
    cond3 = df['close'] >= df['open'] and df['close_1'] >= df['open_1'] and df['close_2'] >= df['open_2'] 
    
    cond4 =  df['ma_close_5'] < df['ma_close_30']
    cond5 = df['close'] < df['open'] and df['close_1']  < df['open_1']  and df['close_2']  < df['open_2'] 
    cond6 = df['close'] / df['highest'] - 1 <= -0.1
    
    if  cond1 and cond2 and cond3:
        return 'Long'
    elif cond4 and cond5 and cond6 :
        return 'Short'  
    
benchmark_df['direction'] = benchmark_df.apply(judge_direction, axis=1)
time_select = benchmark_df[['date','direction']].set_index('date')
In [9]:
# 基础参数配置
class conf:
    start_date = '2010-01-01'
    end_date='2017-10-01'
    # split_date 之前的数据用于训练,之后的数据用作效果评估
    split_date = '2015-01-01'
    # D.instruments: https://bigquant.com/docs/data_instruments.html
    instruments = D.instruments(start_date, split_date)

    # 机器学习目标标注函数
    # 如下标注函数等价于 min(max((持有期间的收益 * 100), -20), 20) + 20 (后面的M.fast_auto_labeler会做取整操作)
    # 说明:max/min这里将标注分数限定在区间[-20, 20],+20将分数变为非负数 (StockRanker要求标注分数非负整数)
    label_expr = ['return * 100', 'where(label > {0}, {0}, where(label < -{0}, -{0}, label)) + {0}'.format(20)]
    # 持有天数,用于计算label_expr中的return值(收益)
    hold_days = 5

    # 特征 https://bigquant.com/docs/data_features.html,你可以通过表达式构造任何特征
    features = [
       'rank_pb_lf_0',
    ]

# 给数据做标注:给每一行数据(样本)打分,一般分数越高表示越好
m1 = M.fast_auto_labeler.v8(
    instruments=conf.instruments, start_date=conf.start_date, end_date=conf.split_date,
    label_expr=conf.label_expr, hold_days=conf.hold_days,
    benchmark='000300.SHA', sell_at='open', buy_at='open')
# 计算特征数据
m2 = M.general_feature_extractor.v5(
    instruments=conf.instruments, start_date=conf.start_date, end_date=conf.split_date,
    features=conf.features)
# 数据预处理:缺失数据处理,数据规范化,T.get_stock_ranker_default_transforms为StockRanker模型做数据预处理
m3 = M.transform.v2(
    data=m2.data, transforms=T.get_stock_ranker_default_transforms(),
    drop_null=True, astype='int32', except_columns=['date', 'instrument'],
    clip_lower=0, clip_upper=200000000)
# 合并标注和特征数据
m4 = M.join.v2(data1=m1.data, data2=m3.data, on=['date', 'instrument'], sort=True)
# StockRanker机器学习训练
m5 = M.stock_ranker_train.v3(training_ds=m4.data, features=conf.features)


## 量化回测 https://bigquant.com/docs/module_trade.html
# 回测引擎:准备数据,只执行一次
def prepare(context):
    # context.start_date / end_date,回测的时候,为trader传入参数;在实盘运行的时候,由系统替换为实盘日期
    n1 = M.general_feature_extractor.v5(
        instruments=D.instruments(),
        start_date=context.start_date, end_date=context.end_date,
        model_id=context.options['model_id'])
    n2 = M.transform.v2(
        data=n1.data, transforms=T.get_stock_ranker_default_transforms(),
        drop_null=True, astype='int32', except_columns=['date', 'instrument'],
        clip_lower=0, clip_upper=200000000)
    n3 = M.stock_ranker_predict.v2(model_id=context.options['model_id'], data=n2.data)
    context.instruments = n3.instruments
    context.options['predictions'] = n3.predictions

# 回测引擎:初始化函数,只执行一次
def initialize(context):
    # 加载预测数据
    context.ranker_prediction = context.options['predictions'].read_df()

    # 系统已经设置了默认的交易手续费和滑点,要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 预测数据,通过options传入进来,使用 read_df 函数,加载到内存 (DataFrame)
    # 设置买入的股票数量,这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重,如下的权重分配会使得靠前的股票分配多一点的资金,[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2

# 回测引擎:每日数据处理函数,每天执行一次
def handle_data(context, data):
    time_select = context.options['time_select']
    today_direction = time_select.ix[data.current_dt.strftime('%Y-%m-%d')].ix[0]
   
    positions = {e.symbol: p.cost_basis  for e, p in context.portfolio.positions.items()}
      
    if today_direction == 'Short':
        print('大盘择时应该空仓!')
        positions = {e.symbol: p.cost_basis  for e, p in context.portfolio.positions.items()}
        stock_hold = positions.keys()
        for sid in stock_hold:
            context.order_target(context.symbol(sid), 0)
            
        
    
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[
        context.ranker_prediction.date == data.current_dt.strftime('%Y-%m-%d')]

    # 1. 资金分配
    # 平均持仓时间是hold_days,每日都将买入股票,每日预期使用 1/hold_days 的资金
    # 实际操作中,会存在一定的买入误差,所以在前hold_days天,等量使用资金;之后,尽量使用剩余资金(这里设置最多用等量的1.5倍)
    is_staging = context.trading_day_index < context.options['hold_days'] # 是否在建仓期间(前 hold_days 天)
    cash_avg = context.portfolio.portfolio_value / context.options['hold_days']
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    positions = {e.symbol: p.amount * p.last_sale_price
                 for e, p in context.perf_tracker.position_tracker.positions.items()}

    # 2. 生成卖出订单:hold_days天之后才开始卖出;对持仓的股票,按StockRanker预测的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
        # print('rank order for sell %s' % instruments)
        for instrument in instruments:
            context.order_target(context.symbol(instrument), 0)
            cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单:按StockRanker预测的排序,买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments = list(ranker_prediction.instrument[:len(buy_cash_weights)])
    max_cash_per_instrument = context.portfolio.portfolio_value * context.max_cash_per_instrument
    for i, instrument in enumerate(buy_instruments):
        if today_direction != 'Long':
            break
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - positions.get(instrument, 0):
            # 确保股票持仓量不会超过每次股票最大的占用资金量
            cash = max_cash_per_instrument - positions.get(instrument, 0)
        if cash > 0:
            context.order_value(context.symbol(instrument), cash)


# 调用交易引擎
m6 = M.trade.v2(
    instruments=None,
    start_date=conf.split_date,
    end_date=conf.end_date,
    prepare=prepare,
    initialize=initialize,
    handle_data=handle_data,
    order_price_field_buy='open',       # 表示 开盘 时买入
    order_price_field_sell='close',     # 表示 收盘 前卖出
    capital_base=1000000,               # 初始资金
    benchmark='000300.SHA',             # 比较基准,不影响回测结果
    # 通过 options 参数传递预测数据和参数给回测引擎
    options={'hold_days': conf.hold_days, 'model_id': m5.model_id,'time_select':time_select}
)
[2017-10-23 17:47:20.901240] INFO: bigquant: fast_auto_labeler.v8 开始运行..
[2017-10-23 17:47:20.911759] INFO: bigquant: 命中缓存
[2017-10-23 17:47:20.916840] INFO: bigquant: fast_auto_labeler.v8 运行完成[0.015618s].
[2017-10-23 17:47:20.924905] INFO: bigquant: general_feature_extractor.v5 开始运行..
[2017-10-23 17:47:20.927542] INFO: bigquant: 命中缓存
[2017-10-23 17:47:20.928853] INFO: bigquant: general_feature_extractor.v5 运行完成[0.003972s].
[2017-10-23 17:47:20.940678] INFO: bigquant: transform.v2 开始运行..
[2017-10-23 17:47:20.944825] INFO: bigquant: 命中缓存
[2017-10-23 17:47:20.946049] INFO: bigquant: transform.v2 运行完成[0.005402s].
[2017-10-23 17:47:20.955142] INFO: bigquant: join.v2 开始运行..
[2017-10-23 17:47:20.958464] INFO: bigquant: 命中缓存
[2017-10-23 17:47:20.959517] INFO: bigquant: join.v2 运行完成[0.004378s].
[2017-10-23 17:47:20.969646] INFO: bigquant: stock_ranker_train.v3 开始运行..
[2017-10-23 17:47:20.973076] INFO: bigquant: 命中缓存
[2017-10-23 17:47:20.974444] INFO: bigquant: stock_ranker_train.v3 运行完成[0.004799s].
[2017-10-23 17:47:21.005234] INFO: bigquant: backtest.v7 开始运行..
[2017-10-23 17:47:21.031176] INFO: bigquant: general_feature_extractor.v5 开始运行..
[2017-10-23 17:47:21.034786] INFO: bigquant: 命中缓存
[2017-10-23 17:47:21.035965] INFO: bigquant: general_feature_extractor.v5 运行完成[0.004852s].
[2017-10-23 17:47:21.048903] INFO: bigquant: transform.v2 开始运行..
[2017-10-23 17:47:21.051670] INFO: bigquant: 命中缓存
[2017-10-23 17:47:21.052734] INFO: bigquant: transform.v2 运行完成[0.003856s].
[2017-10-23 17:47:21.060009] INFO: bigquant: stock_ranker_predict.v2 开始运行..
[2017-10-23 17:47:21.067434] INFO: bigquant: 命中缓存
[2017-10-23 17:47:21.068633] INFO: bigquant: stock_ranker_predict.v2 运行完成[0.008625s].
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
大盘择时应该空仓!
[2017-10-23 17:47:57.072578] INFO: Performance: Simulated 672 trading days out of 672.
[2017-10-23 17:47:57.073790] INFO: Performance: first open: 2015-01-05 14:30:00+00:00
[2017-10-23 17:47:57.074571] INFO: Performance: last close: 2017-09-29 19:00:00+00:00
  • 收益率29.46%
  • 年化收益率10.17%
  • 基准收益率8.57%
  • 阿尔法0.06
  • 贝塔0.21
  • 夏普比率0.51
  • 收益波动率11.29%
  • 信息比率0.3
  • 最大回撤16.14%
[2017-10-23 17:47:59.563418] INFO: bigquant: backtest.v7 运行完成[38.558218s].

(yangziriver) #13

单这套策略,效果也不是很好,要结合其它的主要因子可能会更好。一些思路还是很有启发的。例如资金流入的判断。