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模块中输入要回测的单只股票，以及数据的起止日期(含训练集和验证集)。

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¶

通过自定义模块m23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¶

通过自定义模块m16计算需要的标注指标，本例中首先计算未来10天收益df['return']，然后根据df['return']的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、划分训练集和预测集¶

通过数据过滤模块m19和m20中设置的日期范围划分训练集数据和预测集数据。

8、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。

9、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。

10、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。

11、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。

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 [6]:

# 本代码由可视化策略环境自动生成 2019年4月3日 15:45
# 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。


# 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 m23_run_bigquant_run(input_1, input_2, input_3):
    fields = ['open','high','low','close','volume']
    input_1_df = input_1.read_pickle()
    ins = input_1_df['instruments']
    start_date = input_1_df['start_date']
    end_date = input_1_df['end_date']
    df = D.history_data(ins, start_date, end_date, fields)     
    data_1 = DataSource.write_df(df)
    return Outputs(data_1=data_1, data_2=None, data_3=None)

# 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 m23_post_run_bigquant_run(outputs):
    return outputs

# 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 m16_run_bigquant_run(input_1, input_2, input_3):
    input_ds = input_1
    df = input_ds.read_df()
    df['return'] = (df.close.shift(-10)/df.close - 1)
    df['label'] = np.where(df['return'] > 0, 1, 0)
    ds = DataSource.write_df(df[['date','instrument','label']])
    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 m16_post_run_bigquant_run(outputs):
    return outputs

# 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):
    input_series = input_1
    input_df = input_2
    test_data = input_df.read_pickle()
    pred_label = input_series.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)
    
    pred_label = np.where(pred_label>0.5,1,0)
    labels = test_data['y']
    print('准确率%s'%(np.mean(pred_label==labels)))
    
    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：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：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='0',
    name=''
)

m11 = M.dl_layer_dropout.v1(
    inputs=m4.data,
    rate=0.8,
    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/shift(close,1)-1)*10
(high/shift(high,1)-1)*10
(low/shift(low,1)-1)*10
(open/shift(open,1)-1)*10
(volume/shift(volume,1)-1)*10"""
)

m24 = M.instruments.v2(
    start_date='2015-01-01',
    end_date='2018-10-30',
    market='CN_STOCK_A',
    instrument_list='600009.SHA',
    max_count=0
)

m23 = M.cached.v3(
    input_1=m24.data,
    run=m23_run_bigquant_run,
    post_run=m23_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m16 = M.cached.v3(
    input_1=m23.data_1,
    run=m16_run_bigquant_run,
    post_run=m16_post_run_bigquant_run,
    input_ports='',
    params='{}',
    output_ports=''
)

m26 = M.derived_feature_extractor.v3(
    input_data=m23.data_1,
    features=m8.data,
    date_col='date',
    instrument_col='instrument',
    drop_na=False,
    remove_extra_columns=False,
    user_functions={}
)

m17 = M.join.v3(
    data1=m16.data_1,
    data2=m26.data,
    on='date,instrument',
    how='inner',
    sort=True
)

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

m19 = M.filter.v3(
    input_data=m18.data,
    expr='date<\'2017-03-01\'',
    output_left_data=False
)

m25 = M.dl_convert_to_bin.v2(
    input_data=m19.data,
    features=m8.data,
    window_size=50,
    feature_clip=5,
    flatten=False,
    window_along_col='instrument'
)

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,
    n_gpus=1,
    verbose='1:输出进度条记录'
)

m20 = M.filter.v3(
    input_data=m18.data,
    expr='date>\'2017-03-01\'',
    output_left_data=False
)

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='instrument'
)

m7 = M.dl_model_predict.v1(
    trained_model=m6.data,
    input_data=m27.data,
    batch_size=10240,
    n_gpus=2,
    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=m24.data,
    options_data=m2.data_1,
    start_date='2017-04-01',
    end_date='',
    handle_data=m1_handle_data_bigquant_run,
    prepare=m1_prepare_bigquant_run,
    initialize=m1_initialize_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=''
)

[2019-04-03 15:44:14.407894] INFO: bigquant: cached.v3 开始运行..

[2019-04-03 15:44:14.417255] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.418980] INFO: bigquant: cached.v3 运行完成[0.01109s].

[2019-04-03 15:44:14.422109] INFO: bigquant: input_features.v1 开始运行..

[2019-04-03 15:44:14.426917] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.428335] INFO: bigquant: input_features.v1 运行完成[0.006221s].

[2019-04-03 15:44:14.431304] INFO: bigquant: instruments.v2 开始运行..

[2019-04-03 15:44:14.435869] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.437343] INFO: bigquant: instruments.v2 运行完成[0.006021s].

[2019-04-03 15:44:14.441735] INFO: bigquant: cached.v3 开始运行..

[2019-04-03 15:44:14.447139] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.448712] INFO: bigquant: cached.v3 运行完成[0.006973s].

[2019-04-03 15:44:14.453391] INFO: bigquant: cached.v3 开始运行..

[2019-04-03 15:44:14.458779] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.460327] INFO: bigquant: cached.v3 运行完成[0.006925s].

[2019-04-03 15:44:14.463434] INFO: bigquant: derived_feature_extractor.v3 开始运行..

[2019-04-03 15:44:14.468879] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.470505] INFO: bigquant: derived_feature_extractor.v3 运行完成[0.007068s].

[2019-04-03 15:44:14.473430] INFO: bigquant: join.v3 开始运行..

[2019-04-03 15:44:14.478229] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.479756] INFO: bigquant: join.v3 运行完成[0.006323s].

[2019-04-03 15:44:14.482677] INFO: bigquant: dropnan.v1 开始运行..

[2019-04-03 15:44:14.487429] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.488713] INFO: bigquant: dropnan.v1 运行完成[0.006032s].

[2019-04-03 15:44:14.491138] INFO: bigquant: filter.v3 开始运行..

[2019-04-03 15:44:14.495289] INFO: bigquant: 命中缓存

[2019-04-03 15:44:14.496613] INFO: bigquant: filter.v3 运行完成[0.00547s].

[2019-04-03 15:44:14.501947] INFO: bigquant: dl_convert_to_bin.v2 开始运行..

[2019-04-03 15:44:14.724117] INFO: bigquant: dl_convert_to_bin.v2 运行完成[0.222167s].

[2019-04-03 15:44:14.727410] INFO: bigquant: dl_model_train.v1 开始运行..

[2019-04-03 15:44:15.485686] INFO: dl_model_train: 准备训练，训练样本个数：523，迭代次数：10

[2019-04-03 15:44:22.498110] INFO: dl_model_train: 训练结束，耗时：7.01s

[2019-04-03 15:44:22.591624] INFO: bigquant: dl_model_train.v1 运行完成[7.864199s].

[2019-04-03 15:44:22.595198] INFO: bigquant: filter.v3 开始运行..

[2019-04-03 15:44:22.863877] INFO: filter: 使用表达式 date>'2017-03-01' 过滤

[2019-04-03 15:44:23.161430] INFO: filter: 过滤 /data, 407/0/931

[2019-04-03 15:44:23.170852] INFO: bigquant: filter.v3 运行完成[0.575637s].

[2019-04-03 15:44:23.177018] INFO: bigquant: dl_convert_to_bin.v2 开始运行..

[2019-04-03 15:44:23.355143] INFO: bigquant: dl_convert_to_bin.v2 运行完成[0.178113s].

[2019-04-03 15:44:23.360747] INFO: bigquant: dl_model_predict.v1 开始运行..

[2019-04-03 15:44:24.966724] INFO: bigquant: dl_model_predict.v1 运行完成[1.605968s].

[2019-04-03 15:44:24.973690] INFO: bigquant: cached.v3 开始运行..

[2019-04-03 15:44:25.272001] INFO: bigquant: cached.v3 运行完成[0.298296s].

[2019-04-03 15:44:25.306608] INFO: bigquant: backtest.v8 开始运行..

[2019-04-03 15:44:25.310282] INFO: bigquant: biglearning backtest:V8.1.11

[2019-04-03 15:44:25.311997] INFO: bigquant: product_type:stock by specified

[2019-04-03 15:44:30.802091] INFO: bigquant: 读取股票行情完成:628

[2019-04-03 15:44:30.829380] INFO: algo: TradingAlgorithm V1.4.10

[2019-04-03 15:44:30.950969] INFO: algo: trading transform...

[2019-04-03 15:44:31.204706] INFO: algo: handle_splits get splits [dt:2017-08-24 00:00:00+00:00] [asset:Equity(0 [600009.SHA]), ratio:0.9882099126332605]

[2019-04-03 15:44:31.206468] INFO: Position: position stock handle split[sid:0, orig_amount:33000, new_amount:33393.0, orig_cost:30.28002702066339, new_cost:29.92, ratio:0.9882099126332605, last_sale_price:36.87999363789555]

[2019-04-03 15:44:31.207960] INFO: Position: after split: asset: Equity(0 [600009.SHA]), amount: 33393.0, cost_basis: 29.92,             last_sale_price: 37.31999969482422

[2019-04-03 15:44:31.209479] INFO: Position: returning cash: 26.36

[2019-04-03 15:44:31.846564] INFO: algo: handle_splits get splits [dt:2018-08-23 00:00:00+00:00] [asset:Equity(0 [600009.SHA]), ratio:0.9900703412737303]

[2019-04-03 15:44:31.848456] INFO: Position: position stock handle split[sid:0, orig_amount:33393.0, new_amount:33727.0, orig_cost:29.92, new_cost:29.62, ratio:0.9900703412737303, last_sale_price:57.83000848272584]

[2019-04-03 15:44:31.850185] INFO: Position: after split: asset: Equity(0 [600009.SHA]), amount: 33727.0, cost_basis: 29.62,             last_sale_price: 58.40999984741211

[2019-04-03 15:44:31.851676] INFO: Position: returning cash: 52.43

[2019-04-03 15:44:31.963208] INFO: Performance: Simulated 385 trading days out of 385.

[2019-04-03 15:44:31.965006] INFO: Performance: first open: 2017-04-05 09:30:00+00:00

[2019-04-03 15:44:31.966448] INFO: Performance: last close: 2018-10-30 15:00:00+00:00

[2019-04-03 15:44:33.462868] INFO: bigquant: backtest.v8 运行完成[8.156248s].

Epoch 1/10
523/523 [==============================] - 2s 3ms/step - loss: 1.0792 - acc: 0.4818
Epoch 2/10
523/523 [==============================] - 0s 574us/step - loss: 1.0034 - acc: 0.4933
Epoch 3/10
523/523 [==============================] - 0s 588us/step - loss: 1.0716 - acc: 0.4914
Epoch 4/10
523/523 [==============================] - 0s 586us/step - loss: 1.0058 - acc: 0.5124
Epoch 5/10
523/523 [==============================] - 0s 563us/step - loss: 1.0928 - acc: 0.4818
Epoch 6/10
523/523 [==============================] - 0s 584us/step - loss: 0.9313 - acc: 0.5201
Epoch 7/10
523/523 [==============================] - 0s 724us/step - loss: 0.9981 - acc: 0.5124
Epoch 8/10
523/523 [==============================] - 0s 563us/step - loss: 1.0129 - acc: 0.4704
Epoch 9/10
523/523 [==============================] - 0s 561us/step - loss: 0.8987 - acc: 0.5392
Epoch 10/10
523/523 [==============================] - 0s 452us/step - loss: 1.0076 - acc: 0.5048

DataSource(96b48e995b284a02b368395acdc7c448, v3)

准确率0.5872235872235873

2017-04-05 15:00:00+00:00 买入！

收益率61.27%
年化收益率36.73%
基准收益率-10.01%
阿尔法0.42
贝塔0.81
夏普比率0.96
胜率1.0
盈亏比0.0
收益波动率36.51%
信息比率0.08
最大回撤29.6%