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 [8]:

# 本代码由可视化策略环境自动生成 2022年6月3日 10:48
# 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
        #获取当日日期
    today = data.current_dt.strftime('%Y-%m-%d')
    stock_hold_now = [equity.symbol for equity in context.portfolio.positions ]
    #大盘风控模块，读取风控数据    
    benckmark_risk=context.benckmark_risk[today]
    context.symbol
    #当risk为1时，市场有风险，全部平仓，不再执行其它操作
    if benckmark_risk > 0:
        for instrument in stock_hold_now:
            context.order_target(symbol(instrument), 0)
        print(today,'大盘风控止损触发,全仓卖出')
        return
    # 交易逻辑
    if prediction > 0.52:
        context.order_target_percent(context.symbol(instrument), 1)
        print(data.current_dt, '买入！')
        
    elif prediction < 0.48 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):
    #在数据准备函数中一次性计算每日的大盘风控条件相比于在handle中每日计算风控条件可以提高回测速度
    # 多取50天的数据便于计算均值(保证回测的第一天均值不为Nan值)，其中context.start_date和context.end_date是回测指定的起始时间和终止时间
    start_date= (pd.to_datetime(context.start_date) - datetime.timedelta(days=50)).strftime('%Y-%m-%d') 
    df=DataSource('bar1d_index_CN_STOCK_A').read(start_date=start_date,end_date=context.end_date,fields=['close'])
    benckmark_data=df[df.instrument=='000001.HIX']
    #计算上证指数5日涨幅
    benckmark_data['ret5']=benckmark_data['close']/benckmark_data['close'].shift(5)-1
    #计算大盘风控条件，如果5日涨幅小于-4%则设置风险状态risk为1，否则为0
    benckmark_data['risk'] = np.where(benckmark_data['ret5']<-0.04,1,0)
    #修改日期格式为字符串(便于在handle中使用字符串日期索引来查看每日的风险状态)
    benckmark_data['date']=benckmark_data['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
    #设置日期为索引
    benckmark_data.set_index('date',inplace=True)
    #把风控序列输出给全局变量context.benckmark_risk
    context.benckmark_risk=benckmark_data['risk']

# 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='L1L2',
    kernel_regularizer_l1=0,
    kernel_regularizer_l2=0,
    bias_regularizer='L1L2',
    bias_regularizer_l1=0,
    bias_regularizer_l2=0,
    activity_regularizer='L1L2',
    activity_regularizer_l1=0,
    activity_regularizer_l2=0,
    kernel_constraint='min_max_norm',
    bias_constraint='min_max_norm',
    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=0.3,
    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=0.3,
    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
low_1
low_0
(open_0/open_1-1)*10
(volume_0/volume_1-1)*10
fs_fixed_assets_0
industry_sw_level1_0
fs_fixed_assets_disp_0
market_cap_float_0"""
)

m28 = M.instruments.v2(
    start_date=T.live_run_param('trading_date', '2019-06-02'),
    end_date=T.live_run_param('trading_date', '2022-06-02'),
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m16 = M.general_feature_extractor.v7(
    instruments=m28.data,
    features=m8.data,
    start_date='',
    end_date='',
    before_start_days=0
)

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

m29 = M.chinaa_stock_filter.v1(
    input_data=m26.data,
    index_constituent_cond=['全部'],
    board_cond=['全部'],
    industry_cond=['全部'],
    st_cond=['正常'],
    delist_cond=['非退市'],
    output_left_data=True
)

m31 = M.winsorize.v6(
    input_data=m29.data,
    columns_input='fs_fixed_assets_0',
    median_deviate=3
)

m33 = M.standardlize.v9(
    input_1=m31.data,
    standard_func='ZScoreNorm',
    columns_input='fs_fixed_assets_0'
)

m37 = M.filter.v3(
    input_data=m33.data,
    expr='fs_fixed_assets_0-fs_fixed_assets_disp_0>0',
    output_left_data=True
)

m20 = M.dropnan.v1(
    input_data=m37.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=''
)

m24 = M.instruments.v2(
    start_date='2013-01-01',
    end_date='2019-06-2',
    market='CN_STOCK_A',
    instrument_list='',
    max_count=0
)

m22 = M.general_feature_extractor.v7(
    instruments=m24.data,
    features=m8.data,
    start_date='',
    end_date='',
    before_start_days=0
)

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

m19 = M.chinaa_stock_filter.v1(
    input_data=m23.data,
    index_constituent_cond=['全部'],
    board_cond=['全部'],
    industry_cond=['全部'],
    st_cond=['正常'],
    delist_cond=['非退市'],
    output_left_data=True
)

m30 = M.winsorize.v6(
    input_data=m19.data,
    columns_input='fs_fixed_assets_0',
    median_deviate=3
)

m32 = M.standardlize.v9(
    input_1=m30.data,
    standard_func='ZScoreNorm',
    columns_input='fs_fixed_assets_0'
)

m34 = M.neutralize.v12(
    input_1=m32.data,
    market_value_key=False,
    industry_output_key=False,
    market_col_name='market_cap_float_0',
    industry_sw_col_name='industry_sw_level1_0'
)

m36 = M.filter.v3(
    input_data=m34.data,
    expr='fs_fixed_assets_0-fs_fixed_assets_disp_0>0',
    output_left_data=True
)

m18 = M.dropnan.v1(
    input_data=m36.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=50,
    custom_objects=m6_custom_objects_bigquant_run,
    n_gpus=1,
    verbose='2:每个epoch输出一行记录'
)

m7 = M.dl_model_predict.v1(
    trained_model=m6.data,
    input_data=m27.data,
    batch_size=10240,
    n_gpus=0,
    verbose='1:输出进度条记录'
)

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'
)

[2022-06-03 10:40:52.686983] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.061819s].

[2022-06-03 10:40:52.910105] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.119771s].

[2022-06-03 10:40:53.015958] INFO: moduleinvoker: dl_layer_conv2d.v1 运行完成[0.074482s].

[2022-06-03 10:40:53.127428] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.078536s].

[2022-06-03 10:40:53.618760] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.415089s].

[2022-06-03 10:40:53.690747] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.008547s].

[2022-06-03 10:40:53.744546] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.031965s].

[2022-06-03 10:40:53.775738] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.008652s].

[2022-06-03 10:40:53.826627] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.02349s].

[2022-06-03 10:40:53.976668] INFO: moduleinvoker: cached.v3 开始运行..

[2022-06-03 10:40:54.070732] INFO: moduleinvoker: cached.v3 运行完成[0.094082s].

[2022-06-03 10:40:54.076851] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.236257s].

[2022-06-03 10:40:54.103223] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-06-03 10:40:54.112454] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.115908] INFO: moduleinvoker: input_features.v1 运行完成[0.012689s].

[2022-06-03 10:40:54.130197] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-06-03 10:40:54.162035] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.167076] INFO: moduleinvoker: instruments.v2 运行完成[0.036895s].

[2022-06-03 10:40:54.260828] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-06-03 10:40:54.307064] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.309443] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.048885s].

[2022-06-03 10:40:54.364092] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-06-03 10:40:54.381157] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.383936] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.019858s].

[2022-06-03 10:40:54.411370] INFO: moduleinvoker: chinaa_stock_filter.v1 开始运行..

[2022-06-03 10:40:54.440799] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.445365] INFO: moduleinvoker: chinaa_stock_filter.v1 运行完成[0.033991s].

[2022-06-03 10:40:54.477495] INFO: moduleinvoker: winsorize.v6 开始运行..

[2022-06-03 10:40:54.503009] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.505905] INFO: moduleinvoker: winsorize.v6 运行完成[0.028399s].

[2022-06-03 10:40:54.572094] INFO: moduleinvoker: standardlize.v9 开始运行..

[2022-06-03 10:40:54.587933] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.591477] INFO: moduleinvoker: standardlize.v9 运行完成[0.019382s].

[2022-06-03 10:40:54.660084] INFO: moduleinvoker: filter.v3 开始运行..

[2022-06-03 10:40:54.681759] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.684058] INFO: moduleinvoker: filter.v3 运行完成[0.023982s].

[2022-06-03 10:40:54.778251] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-06-03 10:40:54.796767] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:54.811945] INFO: moduleinvoker: dropnan.v1 运行完成[0.033684s].

[2022-06-03 10:40:54.943207] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-06-03 10:40:55.061589] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.068384] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.125192s].

[2022-06-03 10:40:55.089051] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-06-03 10:40:55.100690] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.103182] INFO: moduleinvoker: instruments.v2 运行完成[0.014108s].

[2022-06-03 10:40:55.187526] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-06-03 10:40:55.207389] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.218881] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.03134s].

[2022-06-03 10:40:55.256822] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-06-03 10:40:55.276413] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.278782] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.021964s].

[2022-06-03 10:40:55.375794] INFO: moduleinvoker: chinaa_stock_filter.v1 开始运行..

[2022-06-03 10:40:55.419650] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.422840] INFO: moduleinvoker: chinaa_stock_filter.v1 运行完成[0.047097s].

[2022-06-03 10:40:55.482226] INFO: moduleinvoker: winsorize.v6 开始运行..

[2022-06-03 10:40:55.495401] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.497903] INFO: moduleinvoker: winsorize.v6 运行完成[0.015673s].

[2022-06-03 10:40:55.545508] INFO: moduleinvoker: standardlize.v9 开始运行..

[2022-06-03 10:40:55.578285] INFO: moduleinvoker: 命中缓存

[2022-06-03 10:40:55.581832] INFO: moduleinvoker: standardlize.v9 运行完成[0.036198s].

[2022-06-03 10:40:55.663177] INFO: moduleinvoker: filter.v3 开始运行..

[2022-06-03 10:40:55.804090] INFO: filter: 使用表达式 fs_fixed_assets_0-fs_fixed_assets_disp_0>0 过滤

[2022-06-03 10:40:59.638763] INFO: filter: 过滤 /data, 35240/431507/466747

[2022-06-03 10:40:59.707706] INFO: moduleinvoker: filter.v3 运行完成[4.0445s].

[2022-06-03 10:40:59.723373] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-06-03 10:41:00.253530] INFO: dropnan: /data, 35240/35240

[2022-06-03 10:41:00.423353] INFO: dropnan: 行数: 35240/35240

[2022-06-03 10:41:00.443897] INFO: moduleinvoker: dropnan.v1 运行完成[0.720513s].

[2022-06-03 10:41:00.489725] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-06-03 10:41:30.698696] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[30.208972s].

[2022-06-03 10:41:30.934153] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2022-06-03 10:41:32.237715] INFO: dl_model_train: 准备训练，训练样本个数：35240，迭代次数：50

[2022-06-03 10:41:32.247048] ERROR: moduleinvoker: module name: dl_model_train, module version: v1, trackeback: KeyError: 'y'

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-8-f91bc5ebc472> in <module>
    377 )
    378 
--> 379 m6 = M.dl_model_train.v1(
    380     input_model=m5.data,
    381     training_data=m25.data,

KeyError: 'y'