在AI策略中使用滚动训练

由clearyf创建，最终由clearyf更新于2024-05-15 02:10 被浏览 252 用户

导语

为了能更简单、更灵活同时在回测和实盘模拟中无缝支持滚动训练和模型自动更新，我们增加了滚动运行支持，并优化了相应模块。

使用模板新建一个策略：策略 > 新建 > 可视化AI策略

如下三步即可增加滚动训练支持：

添加滚动运行配置模块：
- 连接滚动运行模块和证券代码列表模块
- 设置滚动运行的参数，可以设置训练更新周期等，默认配置对应的是每365天更新一次模型，最少要有730天的数据才开始训练
- 清除证券代码列表配置的开始时间和结束时间，以使用来自滚动配置的时间
- 模拟实盘中自动更新模型：将滚动运行配置的结束日期绑定到实盘日期
添加滚动运行到模型训练上：
- 如上图连接：StockRanker训练 -> 滚动运行 -> Trade(回测/模拟)，注意 StockRanker训练到滚动运行的连接是在延迟运行输出端口上
- StockRanker配置：勾选延迟运行，为了支持滚动运行和最小的代码改动，平台增加了对模块延迟运行的支持，可以将模块打包作为参数传入其他模块，并在其中调用。这里我们将配置好的 StockRanker训练打包到滚动运行中，由滚动决定模块的调用方式。
- 因为使用了滚动训练，所以我们可以使用更多的回测数据了，这里可以把开始时间设置的更早一些。预测模块已经内建了对滚动训练的支持。同时对于较早的数据，而没有模型可用时，会自动跳过。
添加滚动预测：
- 如上图连接模块
- 勾选 StockRanker预测延迟运行

注意：我们优化了模块时间的配置，不再需要在自动数据标注、基础特征抽取和Trade模块里重复配置时间。可视化策略开发模板已经更新。如果您的策略是以前生成的，您需要将自动数据标注、基础特征抽取和Trade模块的开始日期和结束日期参数设置为空。

滚动训练示意图 滚动运行详解

金融数据属于时间序列数据，数据之间具有自相关性，因此不能采取经典机器学习的交叉验证的方式，对训练集进行随机划分。这里，我们建议采取滚动训练方式。滚动训练依赖于滚动运行模块，我们分别介绍不使用滚动运行和使用滚动运行，加深大家对滚动运行模块的理解。

不使用滚动运行如果我们不使用滚动运行，回测区间为2015.1.1到2017.10.01，那么模型只会在训练集上训练模型，然后对验证集数据进行预测，这样只会有一次训练一次预测。时间较远的数据做训练来预测最近的数据可能效果不是很理想。此外，不同时期市场状况和结构也不一致，因此需要采取滚动运行。
使用滚动运行使用滚动运行，我们就可以及时更新模型，用最近的数据来预测数据，这样从策略开发逻辑和实盘交易的角度看比较合理。假设参数配置是这样，开始日期为2010-1-1，结束日期为2017-10-01，其中，回测区间为2012.1.1到2017.10.1，最小数据天数为730，最大数据天数为1095，更新天数为365。

登录github后可查看