150-AI选股策略

由qxiao创建，最终由qxiao更新于2024-12-31 03:01 被浏览 63 用户

策略介绍

本策略通过选择多维度的因子，使用AI算法来预测股票的未来表现并进行排序。这里使用算法StockRanker，BigQuant 平台开发的一种先进的机器学习算法，专门用于量化选股排序学习，通过在多个因子/特征的数据上训练，旨在从大量股票中识别并排序那些未来表现可能最优异的股票。

策略思想

策略基于以下几个核心思想：

特征选择：输入对股票价格有显著影响的多维度因子，包括估值、成长、财务、杠杆、市场及技术指标方面的因子
预测目标：预测未来 5 日收益率
数据抽取和处理：抽取和处理数据
模型训练：应用StockRanker算法，训练模型来预测股票未来上涨概率。StockRanker返回一个相对分数(score)，分数越大，预测未来涨幅越大。注意此 score 绝对值没有意义。
回测与交易：设置调仓周期，根据仓位目标，发出交易信号

策略实现&代码

在BigQuant平台可以非常容易的将量化+AI结合起来。如下是策略代码，可以克隆策略进入 AIStudio 运行和调优.

https://bigquant.com/codesharev3/b014c802-f7eb-464c-bf62-3735c4807dc2

策略理解

该可视化策略主要由两个部分组成，左半边抽取训练数据集，用于算法模型训练；右半边抽取预测数据集，用于模型预测结果，最后进行回测交易。

基础选股模块

m1、m15代码列表模块实现选股操作，m1抽取2018-01-01到2020-12-31的数据用于训练数据集，m15抽取2021-01-01到2021-12-31的数据用于预测数据集
- 交易市场：选择中国A股市场
- m1、m15的输出连接到m3、m5、m16的第一个输入

因子特征选择

在m2输入特征列表模块实现因子输入
使用 cn_stock_prefactors 预计算因子表中数据作为基础数据，从中选择多因子提取

预测目标

m4输入特征列表模块实现数据标注，添加了 label 数据列
label 列的计算
- m_lead(close, 5) / m_lead(open, 1) 未来第5天的收盘价除以明天的开盘价，即对应的是明天开盘买入，5个交易日后收盘卖出
- c_quantile_cont(_future_return, 0.01) 和 c_quantile_cont(_future_return, 0.99) 计算未来收益的 1% 和 99% 分位值
- clip(_future_return, _future_return_1pct, _future_return_99pct) 根据分位值裁剪数据，即裁剪极值
- all_cbins(_clipped_return, 20) AS _label 将数据等分为 20 组，即离散化
- if( m_lead(high, 1) = m_lead(low, 1), NULL, _label) as label 过滤掉一字涨停的情况

数据抽取

m3、m5在抽取训练数据集的因子特征、标签label，用于算法模型训练
m16在抽取预测数据集的因子特征，用于获得预测结果
开始日期、结束日期一般不需要指定，使用代码列表里的日期。历史数据向前取数 90天，用于部分算子需要更多历史数据

数据连接和缺失值处理

m8 DAI数据连接模块实现训练数据集的因子特征和标签label的合并连接
- 连接方式：inner内连接，基于两个表中的date、instrument列进行连接，只保留在两个表中都匹配的记录
m12和m16对数据进行缺失值处理

模型训练

m7 StockRanker 训练用于模型训练，输入数据中的label作为预测目标，其他列(除date instrument 外)作为特征输入。
- StockRanker算法原理，可以参考论文 From RankNet to LambdaRank to LambdaMART: An Overview
- 学习算法：排序，相关技术请搜索 learning to rank
- 叶节点数量：30。StockRanker会构建多棵二叉树，这里表示每棵树的最大叶节点数量。一般情况下，这个值越大，在训练集上拟合越好，也可能在训练数据上过度拟合
- 每叶节点最小样本数：1000。这里表示每个叶节点最小需要1000个数据样本支持。一般情况下，这个值越大，泛化性能越好
- 树的数量：20。StockRanker会训练多棵树，后面的树不断拟合前面训练的残差，以期逐步减少训练损失，最后收敛。一般情况下，这个值越大，在训练集上拟合越好，也可能在训练数据上过度拟合
- 学习率：0.1。机器学习学习率。经验参数。
- 特征值离散化数量：对于每个特征，StockRanker会将其分组离散化。一般情况下，这个值越小，泛化行越好，但也可能学习不够
- 特征列采样率和数据行采样率，在训练每棵树时，使用多少比例的特征（列）和数据样本（行），为1表示每次都适应全部数据。小于1，表示随机抽样一部分。一般情况下，这个值越小，泛化行越好，但也可能学习不够
- NDCG base，请搜索 NDCG。对应下面的1部分，这个值越大，表示顺序的影响越小。

模型预测

m13 StockRanker 预测用于模型预测，基于训练出来的模型，对输入的预测数据集进行目标预测
模型预测股票未来上涨概率，StockRanker返回一个相对分数(score)，分数越大，预测未来涨幅越大（此 score 绝对值没有意义）。

回测交易

m7 BigTrader 回测和交易，每5日调仓，开盘买入，收盘卖出。

初始化函数：主要代码

# 交易引擎：初始化函数, 只执行一次
def bigquant_run(context):
    import math
    import numpy as np

    from bigtrader.finance.commission import PerOrder

    # 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))
    # 预测数据, 通过 options 传入进来, 使用 read_df 函数, 加载到内存 (DataFrame)
    # 设置买入的股票数量, 这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重, 如下的权重分配会使得靠前的股票分配多一点的资金, [0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = np.array(
        [1 / math.log(i + 2) for i in range(0, stock_count)]
    )
    context.stock_weights = context.stock_weights / context.stock_weights.sum()

    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2
    context.options["hold_days"] = 5

K线处理函数：主要代码

# 回测引擎：每日数据处理函数, 每天执行一次
def bigquant_run(context, data):
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.data[
        context.data.date == data.current_dt.strftime("%Y-%m-%d")
    ]

    # 1. 资金分配
    # 平均持仓时间是hold_days, 每日都将买入股票, 每日预期使用 1/hold_days 的资金
    # 实际操作中, 会存在一定的买入误差, 所以在前hold_days天, 等量使用资金；之后, 尽量使用剩余资金（这里设置最多用等量的1.5倍）
    is_staging = (
        context.trading_day_index < context.options["hold_days"]
    )  # 是否在建仓期间（前 hold_days 天）
    cash_avg = context.portfolio.portfolio_value / context.options["hold_days"]
    cash_for_buy = min(context.portfolio.cash, (1 if is_staging else 1.5) * cash_avg)
    cash_for_sell = cash_avg - (context.portfolio.cash - cash_for_buy)
    positions = {
        e: p.amount * p.last_sale_price for e, p in context.portfolio.positions.items()
    }

    # 2. 生成卖出订单：hold_days天之后才开始卖出；对持仓的股票, 按机器学习算法预测的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e: e for e, p in context.portfolio.positions.items()}
        instruments = list(
            reversed(
                list(
                    ranker_prediction.instrument[
                        ranker_prediction.instrument.apply(lambda x: x in equities)
                    ]
                )
            )
        )

        for instrument in instruments:
            context.order_target(instrument, 0)
            cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单：按机器学习算法预测的排序, 买入前面的stock_count只股票
    buy_cash_weights = context.stock_weights
    buy_instruments = list(ranker_prediction.instrument[: len(buy_cash_weights)])
    max_cash_per_instrument = (
        context.portfolio.portfolio_value * context.max_cash_per_instrument
    )
    for i, instrument in enumerate(buy_instruments):
        cash = cash_for_buy * buy_cash_weights[i]
        if cash > max_cash_per_instrument - positions.get(instrument, 0):
            # 确保股票持仓量不会超过每次股票最大的占用资金量
            cash = max_cash_per_instrument - positions.get(instrument, 0)
        if cash > 0:
            context.order_value(instrument, cash)

更多关于回测的说明可以参考预备知识回测部分

文档

AI StockRanker耍单票策略