【历史文档】策略-AI量化策略开发进阶

修改训练集、测试集时间

金融市场不同时期具有不同的市场风格，比如15年之前，中小创涨得不错，17年以来白马股表现喜人。因此我们可以通过修改开始结束日期来确定不同的训练集和测试集。如图1所示。
通过表达式引擎构建衍生因子 构建衍生因子属于特征工程内容，平台的表达式引擎能够快速支持大量复杂的衍生因子。当我们评估一个人身体状况时，如果给了身高、体重数据，其实并不难很好地进行判断，但是如果我们构建一个新的特征——身高体重比（身高除以比重），此时对身体状况的判断可能有所帮助，而且这个特征对模型的贡献得分应该大于身高和体重。此外，数据也需要进行一些处理，比如销售净利率特征（fs_net_profit_margin_0），该特征能够表示公司的盈利能力，但是不同的行业周期、不同的季度变动是很大的，因此一家公司盈利能力怎么样可能还需考虑其所在的行业，因此销售净利率/所在行业平均销售盈利率这一衍生特征可能更好。更多表达式引擎的运用可以参考：bigexpr。

经行业调整过的销售净利特征率：

fs_net_profit_margin_0/group_mean(industry_sw_level1_0, fs_net_profit_margin_0)

将“经行业调整过的销售净利特征率”也加入 输入特征列表 模块

修改数据标注

数据标注非常重要，重要性并不亚于特征抽取，也称构建因子。如果抽取特征大多为价量特征，那么最好是通过短期的收益率来标注股票。如果抽取的特征是财务报表中的数据，比如市盈率、净资产收益率、资产负债率，因为这类因子更新很慢，一个季度才会有所调整，因此需用长期的数据，例如未来90天收益率对股票进行标注。因此数据标注和特征抽取紧密相连，具有逻辑的一致性。这里我们的标注是未来90天收益率。

    shift(close, -90) / shift(open, -1)

图2：修改数据标注{w:100}{w:100}

平台目前提供了一个数据过滤模块，以便快速对数据集进行过滤。当我们需要根据某个特征来过滤时，首先应该在 输入特征列表 这个模块输入该特征。这里我们以过滤掉上市不足120个自然日的股票举例。图3：过滤数据集{w:100}{w:100}

自定义模块

虽然在画布的左侧有不少数据和模块可供选择（平台已封装好，可直接使用），但是机器学习和量化研究会面临各种各样的需求，因此不能单单靠封装好了的模块，在此我们可以使用 自定义模块。以去除数据集里面创业板的股票举例说明。因为创业板的股票以3开头，所以将股票代码以3开头的股票去掉即可，关于自定义模块如何使用可以参考：自定义模块创建。
加入固定百分比止损

虽然我们的模板策略是AI量化选股策略，但是我们依然可以将其与人工逻辑信号相结合，比如加入止盈止损、修改资金分配、加入大盘择时等等，这些都是在 Trade(交易/回测)模块里的主函数（handle_data）里实现。这里我们简单加一个固定百分比止损的例子。具体方法是将止损的代码加入Trade(交易/回测)模块主函数。如图5：

策略回测结果

图6：策略回测曲线{w:100}{w:100}