作为平台的铁杆用户，本文主要分享下使用StockRanker模型来实盘交易的一些经验。
在机器学习领域，预测的结果依赖于：数据、算法和特征，因此真正好的策略一定是特征选择和特征构建非常好。
平台的StockRanker模型策略生成器只是搭建了一个策略框架，输入不同的特征就可以看到不同的策略效果。去年的时候，我构造出了大约10个特征进行回测，从12年到16年底，平均年化收益达到了76%，因此就打算先用一部分小资金实盘，进一步验证特征的有效性。
因为政策原因，目前国内股票实盘交易接口并没有开放，因此量化平台都不会说自己平台上可以实盘交易，免得监管部门叫去喝茶。于是只有手动下单，好在股票持仓时间不是很短，因此手动交易完全没有问题。
那接下来需要做什么呢？
首先，弄明白策略的交易逻辑
-
进场逻辑：StockRanker是一个股票排序模型，根据历史数据对全市场所有股票进行排序，优先买入排序靠前的股票。
-
出场逻辑：优先卖出排序靠后的股票。
-
stock_num参数，该参数表明每天买入的股票数量。（我的策略stock_num = 5 ）
-
hold_days参数，表明买入的股票理论上持有hold_days是最好的，因为每天都要预测排序，每天都会有买入，相当于每天买入的金额就等于本金除以hold_days。
-
stock_weights参数，表明每天要买入的股票各自的权重，排序靠前的股票权重越大，并非等权重买入。
接着，整理出第二天的买入股票列表、卖出列表
n1 = M.general_feature_extractor.v5(
instruments=D.instruments(),
start_date='2017-06-21', end_date='2017-06-21',
model_id=m5.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=m5.model_id, data=n2.data)
n3.predictions.read_df()
买入股票列表截图为：
则第二天买入的股票为002134、603268、600590、603398、000033，越靠前权重越大。
卖出的股票列表也比较好整理，就是降序排列就行。
卖出股票截图如下：
优先卖出的股票就是：601788、600793、000993、002651、002307…依次往后数
然后，确定交易时间
因为在策略中， order_price_field_buy=‘open’，表明买入股票是在开盘时买入，为了能在开盘顺利买入，可在9:25之前委托下单，下单价格为昨日收盘价*1.05，这样可以保证成交。如果遇到当天推荐买入的股票停牌或者涨停，那么当天就可以不用交易该股票了。
因为在策略中，order_price_field_sell=‘close’，表明回测中卖出股票是在收盘的时候完成的，因此可以在14:57的时候卖出股票，为保证成交，可以按最新价*0.98下单，如果股票停牌或者跌停，那么可以不用下单，反正也成交不了。
最后，资金管理有一些注意
在资金管理这块，为保证账户每日可用资金相等，可以做一些计算，代码里是这样实现的：
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)
这样控制以后，每天买入的股票金额大致相等。当偶尔遇到账户现金多的时候，就可以不用卖出股票。
