复制链接

克隆策略

使用深度学习技术预测股票价格¶

版本 v1.0

目录¶

### 深度学习策略的交易规则
### 策略构建步骤
### 策略的实现

正文¶

一、深度学习策略的交易规则¶

买入条件：预测的上涨概率>0.5，则买入或保持已有持仓。
卖出条件 :预测的上涨概率<0.5，则卖出已有股票。

二、策略构建步骤¶

1、确定股票池和数据起止时间¶

在证券代码列表m24和m28模块中输入要回测的单只股票，以及数据的起止日期(分别为训练集和验证集)。

2、确定因子¶

在输入特征列表m8模块中输入用于预测的N个因子表达式。

3、获取基础数据¶

通过基础特征数据抽取模块m22和m16获取指定股票池的基础数据，如收盘价等字段。

4、确定并计算模型标注¶

通过自动标注股票模块m21计算需要的标注指标，本例中首先计算未来10天收益，然后根据其正负来给每日数据标注1或0，来标识涨跌。

5、抽取因子数据¶

通过衍生数据抽取模块m23和m26计算因子数据。

6、合并标注与因子数据¶

通过连接数据m17模块合并因子数据和标注数据。

7、生成序列窗口滚动数据集¶

通过序列窗口滚动(深度学习)模块m25和m27将训练集和预测集的数据生成固定窗口长度的数据序列，为后续模型训练和预测做准备。

8、构建LSTM + CNN模型构架¶

在画布左侧模块列表中依次拖入输入层模块、Reshape层模块、Conv2D层模块、Reshape层模块、LSTM层模块、Dropout层模块和全连接层模块(两组)，构成深度学习网络构架，

最后通过“构建(深度学习)”模块组装各层。这里需要注意：

输入层的shape参数是窗口滚动数据集的大小 X 因子数量 , 本例为 50 行 X 5个因子

ReShape层的参数是窗口滚动数据集的大小 X 因子数量 X 1 ，本例为 50 行 X 5个因子 X1

Conv2D层中的 kernel_size参数是滑动窗口的尺寸，本例中使用 3行 X 5列的窗口, 每次滑动的步长为 1行 X 1列，卷积核数目为32，这里的窗口设置决定了后面ReShape层的参数

ReShape层中的target_shape 参数，这是由窗口滚动数据集 X 因子数量和 Conv2D层中设置的窗口尺寸以及步长决定的。本例中 50行 X 5因子的输入数据，使用 3行 X5列的窗口滑动取数据，

每次移动1行，共计可以得到48次数据(即可以通过滑动3行 X 5列的窗口48次来获取完整的数据)，因此target_shape= 48 X 卷积核数32

LSTM层的输出空间维度设置为卷积核数32，并设置激活函数

Dropout层是防止过度拟合采用的主动裁剪数据技术，这里设置rate 为0.8

全连接层共两层，第一层的输出空间维度与LSTM的输出维度保持一致为32，第二层将第一层的32维数据转变为1维数据输出，即获取预测的label值，此例为0到1之间的连续值，可以认为是上涨的概率。

9、训练深度学习模型¶

在画布左侧模块列表中拖入“训练(深度学习)”模块m6,设置属性中的优化器、目标函数、评估指标、每次训练的数据量batch_size、迭代次数epochs和GPU的数量以及日志输出频率。

10、使用深度学习模型预测¶

在画布左侧模块列表中拖入“预测(深度学习)”模块m7，并将“训练(深度学习)”模块m6的模型输出和验证集的序列窗口滚动数据集传给预测模块，通过预测模块即根据股票验证集的数据预测上涨的概率。

11、将预测结果与时间拼接¶

通过自定义模块m2将预测的每个滚动序列窗口的最后一个值最为当日的预测结果，并与预测集数据的时间列拼接，形成最终的每日预测结果。

12、根据模型预测结果构建策略¶

如果当日预测的上涨概率大于0.5，则保持持仓或买入
如果当日预测的上涨概率小于0.5，则卖出股票或保持空仓。

13、模拟回测¶

通过 trade 模块中的初始化函数定义交易手续费和滑点，通过 context.prediction 获取每日的上涨概率预测结果；
通过 trade 模块中的主函数(handle函数)查看每日的买卖交易信号，按照买卖原则执行相应的买入/卖出操作。

三、策略的实现¶

可视化策略实现如下：

In [9]:

# 本代码由可视化策略环境自动生成 2021年12月6日 22:12
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


# 用户的自定义层需要写到字典中，比如
# {
#   "MyLayer": MyLayer
# }
m6_custom_objects_bigquant_run = {
    
}

# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m2_run_bigquant_run(input_1, input_2, input_3):

    test_data = input_2.read_pickle()
    pred_label = input_1.read_pickle()
    pred_result = pred_label.reshape(pred_label.shape[0]) 
    dt = input_3.read_df()['date'][-1*len(pred_result):]
    pred_df = pd.Series(pred_result, index=dt)
    ds = DataSource.write_df(pred_df)
    
    return Outputs(data_1=ds)

# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m2_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m1_initialize_bigquant_run(context):
    # 加载预测数据
    context.prediction = context.options['data'].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))
# 回测引擎：每日数据处理函数，每天执行一次
def m1_handle_data_bigquant_run(context, data):
    # 按日期过滤得到今日的预测数据
    try:
        prediction = context.prediction[data.current_dt.strftime('%Y-%m-%d')]
    except KeyError as e:
        return
    
    instrument = context.instruments[0]
    sid = context.symbol(instrument)
    cur_position = context.portfolio.positions[sid].amount
    
    # 交易逻辑
    if prediction > 0.5 and cur_position == 0:
        context.order_target_percent(context.symbol(instrument), 1)
        print(data.current_dt, '买入！')
        
    elif prediction < 0.5 and cur_position > 0:
        context.order_target_percent(context.symbol(instrument), 0)
        print(data.current_dt, '卖出！')
    
# 回测引擎：准备数据，只执行一次
def m1_prepare_bigquant_run(context):
    pass

# 回测引擎：每个单位时间开始前调用一次，即每日开盘前调用一次。
def m1_before_trading_start_bigquant_run(context, data):
    pass


m3 = M.dl_layer_input.v1(
    shape='50,5',
    batch_shape='',
    dtype='float32',
    sparse=False,
    name=''
)

m13 = M.dl_layer_reshape.v1(
    inputs=m3.data,
    target_shape='50,5,1',
    name=''
)

m14 = M.dl_layer_conv2d.v1(
    inputs=m13.data,
    filters=32,
    kernel_size='3,5',
    strides='1,1',
    padding='valid',
    data_format='channels_last',
    dilation_rate='1,1',
    activation='relu',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m15 = M.dl_layer_reshape.v1(
    inputs=m14.data,
    target_shape='48,32',
    name=''
)

m4 = M.dl_layer_lstm.v1(
    inputs=m15.data,
    units=32,
    activation='tanh',
    recurrent_activation='hard_sigmoid',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    recurrent_initializer='Orthogonal',
    bias_initializer='Ones',
    unit_forget_bias=True,
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    recurrent_regularizer='None',
    recurrent_regularizer_l1=0,
    recurrent_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    recurrent_constraint='None',
    bias_constraint='None',
    dropout=0,
    recurrent_dropout=0,
    return_sequences=False,
    implementation='2',
    name=''
)

m11 = M.dl_layer_dropout.v1(
    inputs=m4.data,
    rate=0.4,
    noise_shape='',
    name=''
)

m10 = M.dl_layer_dense.v1(
    inputs=m11.data,
    units=32,
    activation='tanh',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m12 = M.dl_layer_dropout.v1(
    inputs=m10.data,
    rate=0.8,
    noise_shape='',
    name=''
)

m9 = M.dl_layer_dense.v1(
    inputs=m12.data,
    units=1,
    activation='sigmoid',
    use_bias=True,
    kernel_initializer='glorot_uniform',
    bias_initializer='Zeros',
    kernel_regularizer='None',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='None',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='None',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='None',
    bias_constraint='None',
    name=''
)

m5 = M.dl_model_init.v1(
    inputs=m3.data,
    outputs=m9.data
)

m8 = M.input_features.v1(
    features="""(close_0/close_1-1)*10
(high_0/high_1-1)*10
(low_0/low_1-1)*10
(open_0/open_1-1)*10
(volume_0/volume_1-1)*10"""
)

m24 = M.instruments.v2(
    start_date='2017-06-02',
    end_date='2017-10-30',
    market='CN_STOCK_A',
    instrument_list='600009.SHA',
    max_count=0
)

m21 = M.advanced_auto_labeler.v2(
    instruments=m24.data,
    label_expr="""# #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/docs/develop/datasource/deprecated/history_data.html
#   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/docs/develop/bigexpr/usage.html>`_

# 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, -10) / close -1>0,1,0)

# 过滤掉一字涨停的情况 (设置label为NaN，在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
    start_date='',
    end_date='',
    benchmark='000300.SHA',
    drop_na_label=True,
    cast_label_int=True,
    user_functions={}
)

m22 = M.general_feature_extractor.v7(
    instruments=m24.data,
    features=m8.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m23 = M.derived_feature_extractor.v3(
    input_data=m22.data,
    features=m8.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m17 = M.join.v3(
    data1=m21.data,
    data2=m23.data,
    on='date',
    how='inner',
    sort=True
)

m18 = M.dropnan.v1(
    input_data=m17.data
)

m25 = M.dl_convert_to_bin.v2(
    input_data=m18.data,
    features=m8.data,
    window_size=50,
    feature_clip=5,
    flatten=False,
    window_along_col=''
)

m6 = M.dl_model_train.v1(
    input_model=m5.data,
    training_data=m25.data,
    optimizer='Adam',
    loss='binary_crossentropy',
    metrics='accuracy',
    batch_size=2048,
    epochs=10,
    custom_objects=m6_custom_objects_bigquant_run,
    n_gpus=1,
    verbose='1:输出进度条记录'
)

m28 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2019-02-11'),
    end_date=T.live_run_param('trading_date', '2019-08-01'),
    market='CN_STOCK_A',
    instrument_list='600009.SHA',
    max_count=0
)

m16 = M.general_feature_extractor.v7(
    instruments=m28.data,
    features=m8.data,
    start_date='',
    end_date='',
    before_start_days=90
)

m26 = M.derived_feature_extractor.v3(
    input_data=m16.data,
    features=m8.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m20 = M.dropnan.v1(
    input_data=m26.data
)

m27 = M.dl_convert_to_bin.v2(
    input_data=m20.data,
    features=m8.data,
    window_size=50,
    feature_clip=5,
    flatten=False,
    window_along_col=''
)

m7 = M.dl_model_predict.v1(
    trained_model=m6.data,
    input_data=m27.data,
    batch_size=10240,
    n_gpus=0,
    verbose='2:每个epoch输出一行记录'
)

m2 = M.cached.v3(
    input_1=m7.data,
    input_2=m27.data,
    input_3=m20.data,
    run=m2_run_bigquant_run,
    post_run=m2_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m1 = M.trade.v4(
    instruments=m28.data,
    options_data=m2.data_1,
    start_date='',
    end_date='',
    initialize=m1_initialize_bigquant_run,
    handle_data=m1_handle_data_bigquant_run,
    prepare=m1_prepare_bigquant_run,
    before_trading_start=m1_before_trading_start_bigquant_run,
    volume_limit=0.025,
    order_price_field_buy='open',
    order_price_field_sell='close',
    capital_base=1000000,
    auto_cancel_non_tradable_orders=True,
    data_frequency='daily',
    price_type='真实价格',
    product_type='股票',
    plot_charts=True,
    backtest_only=False,
    benchmark='000300.HIX'
)

[2019-12-25 17:03:43.097180] INFO: bigquant: cached.v3 开始运行..

[2019-12-25 17:03:43.163841] INFO: bigquant: cached.v3 运行完成[0.066663s].

[2019-12-25 17:03:43.166828] INFO: bigquant: input_features.v1 开始运行..

[2019-12-25 17:03:43.360921] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.363001] INFO: bigquant: input_features.v1 运行完成[0.196099s].

[2019-12-25 17:03:43.366549] INFO: bigquant: instruments.v2 开始运行..

[2019-12-25 17:03:43.477476] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.479269] INFO: bigquant: instruments.v2 运行完成[0.112714s].

[2019-12-25 17:03:43.481732] INFO: bigquant: advanced_auto_labeler.v2 开始运行..

[2019-12-25 17:03:43.507546] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.509044] INFO: bigquant: advanced_auto_labeler.v2 运行完成[0.027321s].

[2019-12-25 17:03:43.540133] INFO: bigquant: general_feature_extractor.v7 开始运行..

[2019-12-25 17:03:43.570372] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.572034] INFO: bigquant: general_feature_extractor.v7 运行完成[0.031913s].

[2019-12-25 17:03:43.574517] INFO: bigquant: derived_feature_extractor.v3 开始运行..

[2019-12-25 17:03:43.601498] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.603093] INFO: bigquant: derived_feature_extractor.v3 运行完成[0.02857s].

[2019-12-25 17:03:43.605492] INFO: bigquant: join.v3 开始运行..

[2019-12-25 17:03:43.636502] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.638231] INFO: bigquant: join.v3 运行完成[0.032726s].

[2019-12-25 17:03:43.640528] INFO: bigquant: dropnan.v1 开始运行..

[2019-12-25 17:03:43.668224] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.669868] INFO: bigquant: dropnan.v1 运行完成[0.029315s].

[2019-12-25 17:03:43.703403] INFO: bigquant: dl_convert_to_bin.v2 开始运行..

[2019-12-25 17:03:43.742831] INFO: bigquant: 命中缓存

[2019-12-25 17:03:43.744461] INFO: bigquant: dl_convert_to_bin.v2 运行完成[0.041069s].

[2019-12-25 17:03:43.746493] INFO: bigquant: dl_model_train.v1 开始运行..

[2019-12-25 17:03:44.186790] INFO: dl_model_train: 准备训练，训练样本个数：102，迭代次数：10

[2019-12-25 17:03:51.730037] INFO: dl_model_train: 训练结束，耗时：7.54s

[2019-12-25 17:03:51.926376] INFO: bigquant: dl_model_train.v1 运行完成[8.179867s].

[2019-12-25 17:03:51.930317] INFO: bigquant: instruments.v2 开始运行..

[2019-12-25 17:03:51.957151] INFO: bigquant: 命中缓存

[2019-12-25 17:03:51.958847] INFO: bigquant: instruments.v2 运行完成[0.028513s].

[2019-12-25 17:03:51.986376] INFO: bigquant: general_feature_extractor.v7 开始运行..

[2019-12-25 17:03:52.012364] INFO: bigquant: 命中缓存

[2019-12-25 17:03:52.013933] INFO: bigquant: general_feature_extractor.v7 运行完成[0.02757s].

[2019-12-25 17:03:52.016067] INFO: bigquant: derived_feature_extractor.v3 开始运行..

[2019-12-25 17:03:52.045989] INFO: bigquant: 命中缓存

[2019-12-25 17:03:52.047599] INFO: bigquant: derived_feature_extractor.v3 运行完成[0.031512s].

[2019-12-25 17:03:52.049875] INFO: bigquant: dropnan.v1 开始运行..

[2019-12-25 17:03:52.076936] INFO: bigquant: 命中缓存

[2019-12-25 17:03:52.078471] INFO: bigquant: dropnan.v1 运行完成[0.028595s].

[2019-12-25 17:03:52.104474] INFO: bigquant: dl_convert_to_bin.v2 开始运行..

[2019-12-25 17:03:52.132071] INFO: bigquant: 命中缓存

[2019-12-25 17:03:52.133753] INFO: bigquant: dl_convert_to_bin.v2 运行完成[0.029305s].

[2019-12-25 17:03:52.135765] INFO: bigquant: dl_model_predict.v1 开始运行..

[2019-12-25 17:03:53.030851] INFO: bigquant: dl_model_predict.v1 运行完成[0.895042s].

[2019-12-25 17:03:53.036693] INFO: bigquant: cached.v3 开始运行..

[2019-12-25 17:03:53.654081] INFO: bigquant: cached.v3 运行完成[0.617397s].

[2019-12-25 17:03:53.683034] INFO: bigquant: backtest.v8 开始运行..

[2019-12-25 17:03:53.685553] INFO: bigquant: biglearning backtest:V8.3.2

[2019-12-25 17:03:53.686639] INFO: bigquant: product_type:stock by specified

[2019-12-25 17:03:53.809947] INFO: bigquant: cached.v2 开始运行..

[2019-12-25 17:03:53.855070] INFO: bigquant: 命中缓存

[2019-12-25 17:03:53.856789] INFO: bigquant: cached.v2 运行完成[0.046833s].

[2019-12-25 17:03:53.883275] INFO: algo: TradingAlgorithm V1.6.2

[2019-12-25 17:03:53.945105] INFO: algo: trading transform...

[2019-12-25 17:03:54.214663] INFO: Performance: Simulated 119 trading days out of 119.

[2019-12-25 17:03:54.216016] INFO: Performance: first open: 2019-02-11 09:30:00+00:00

[2019-12-25 17:03:54.217100] INFO: Performance: last close: 2019-08-01 15:00:00+00:00

[2019-12-25 17:03:56.141149] INFO: bigquant: backtest.v8 运行完成[2.458093s].

Train on 102 samples
Epoch 1/10
102/102 [==============================] - 5s 48ms/sample - loss: 1.1517 - accuracy: 0.4020
Epoch 2/10
102/102 [==============================] - 0s 4ms/sample - loss: 0.9214 - accuracy: 0.4412
Epoch 3/10
102/102 [==============================] - 0s 3ms/sample - loss: 0.9762 - accuracy: 0.5196
Epoch 4/10
102/102 [==============================] - 0s 3ms/sample - loss: 0.9106 - accuracy: 0.5392
Epoch 5/10
102/102 [==============================] - 0s 3ms/sample - loss: 1.1175 - accuracy: 0.4216
Epoch 6/10
102/102 [==============================] - 0s 3ms/sample - loss: 0.8045 - accuracy: 0.5588
Epoch 7/10
102/102 [==============================] - 0s 3ms/sample - loss: 0.9153 - accuracy: 0.4902
Epoch 8/10
102/102 [==============================] - 0s 2ms/sample - loss: 0.9243 - accuracy: 0.4412
Epoch 9/10
102/102 [==============================] - 0s 3ms/sample - loss: 0.8818 - accuracy: 0.4706
Epoch 10/10
102/102 [==============================] - 0s 3ms/sample - loss: 0.8439 - accuracy: 0.5588

176/176 - 0s
DataSource(1fca7cfe8a5d4a7d97e7f8fe4b9bac4eT, v3)

2019-02-11 15:00:00+00:00 买入！

收益率63.37%
年化收益率182.77%
基准收益率17.12%
阿尔法0.78
贝塔0.89
夏普比率2.88
胜率1.0
盈亏比0.0
收益波动率37.57%
信息比率0.15
最大回撤7.97%

bigcharts-data-start/{"__id":"bigchart-9ab00c6dc88b4a989be91e174d37d0ee","__type":"tabs"}/bigcharts-data-end