導(dǎo)讀：通常情況下，我們使用線性去回歸因子數(shù)據(jù)，用來解釋因子對于收益的貢獻(xiàn)程度。但事實情況下，此類方法過于簡單，且市場收益并不一定與各類因子線性相關(guān)，難以達(dá)到預(yù)期效果。眾所周知，樹是機(jī)器學(xué)習(xí)中的一類算法，決策樹算法則是其中的基礎(chǔ)，而隨機(jī)森林則是利用多棵決策樹對樣本進(jìn)行訓(xùn)練并預(yù)測的一種算法。它們不同于支持向量機(jī)，KNN等需要大量數(shù)據(jù)前處理，且能處理復(fù)雜問題。

一、 決策樹概念

分類決策樹的核心思想就是在一個數(shù)據(jù)集中找到一個最優(yōu)特征，然后從這個特征的選值中找一個最優(yōu)候選值，根據(jù)這個最優(yōu)候選值將數(shù)據(jù)集分為兩個子數(shù)據(jù)集，然后遞歸上述操作，直到滿足指定條件為止。

決策樹示例圖

二、因子選取

我們從趨勢類，反趨勢類，量價指標(biāo)，壓力支撐型，成交量，超買超賣，擺動型，強(qiáng)弱型，日期類10個維度共選取了39個技術(shù)因子作為特征值，并與橫截面下的未來收益做合并，以方便數(shù)據(jù)處理。

技術(shù)因子列表

三、決策樹策略

我們選取的時間為2017-01-01到2019-01-21，這段時間基本處于熊市階段，我們使用train_test_split將樣本數(shù)據(jù)劃分為二，我們從中發(fā)現(xiàn)整體數(shù)據(jù)的正向樣本（即收益數(shù)據(jù)大于某特定值）為0.02347312703583062，而在測試集中的正向樣本為0.023768322475570033，兩者數(shù)據(jù)相似，與此同時，我們可以開始進(jìn)行訓(xùn)練數(shù)據(jù)的步驟。

clf=tree.DecisionTreeClassifier(criterion='gini',max_features='sqrt',max_depth=100,class_weight='balanced')clf.fit(x_train,y_train)

代碼展示

我們可以看到在criterion中我們選取了gini，這是基尼不純度，可以理解為對數(shù)據(jù)集進(jìn)行隨機(jī)分類，分類錯誤出現(xiàn)的概率的期望。其中數(shù)據(jù)純度越高，基尼不純度越低。

公式展示

其次，在max_features參數(shù)，我們選取特征數(shù)量的sqrt作為節(jié)點分裂時使用的特征數(shù)量。在max_depth參數(shù)，我們選取120作為基礎(chǔ)模型的最大深度，如果不選取，模型會進(jìn)行到最深部分，容易產(chǎn)生過擬合。在class_weight部分，即類別權(quán)重，由于正向樣本無論在整體數(shù)據(jù)還是測試數(shù)據(jù)都表現(xiàn)特別稀少，如果每個數(shù)據(jù)等權(quán)，則不合適，故我們使用 'balanced'，其表示為類別的權(quán)重與樣本所占比例成反比。

接下來，我們畫出特征值在訓(xùn)練時各個因子的重要程度對比圖，我們可以看出srmi和mfi指標(biāo)重要性極大。

 因子的重要程度對比圖

緊接著我們開始基于訓(xùn)練集訓(xùn)練好的模型，使用決策樹對測試集的數(shù)據(jù)進(jìn)行驗證，我們從滬深300中選取相應(yīng)股票，并結(jié)合對比滬深300本身的指數(shù)凈值數(shù)據(jù)，畫出相應(yīng)圖像。

data_300 = get_price(['000300.SH'], start_date, end_date, '1d', ['close'], True, None, is_panel=1)['close']data_300.columns=['close300']data_300['return300']=data_300['close300'].pct_change()data_300['net_value']=(1+data_300['return300']).cumprod()df_portfolio['HS300']=data_300.ix[df_portfolio.index,'net_value']df_portfolio[['strategy_return','HS300']].plot(figsize=(20,8))plt.title('Decision Tree Strategy',y=1.05,size=25)

 代碼展示

我們對股票使用的方式是等權(quán)買入，并持有一段固定時間，下圖藍(lán)線表示決策樹策略凈值曲線，綠線表示為滬深300作為基準(zhǔn)的凈值曲線。

 決策樹策略凈值曲線

四、 隨機(jī)森林策略

隨機(jī)森林是指利用多棵決策樹對樣本進(jìn)行訓(xùn)練并預(yù)測的一種算法，它是一種平均法得到的集成模型。也就是說隨機(jī)森林算法是一個包含多個決策樹的算法，其輸出的類別是由個別決策樹輸出的類別的眾樹來決定的，也就是說它要求的基礎(chǔ)模型，即多個決策樹模型，必須是低偏差，高方差的強(qiáng)模型。

隨機(jī)森林模型示意圖

我們依舊選取的時間為2017-01-01到2019-01-21。并開始進(jìn)行訓(xùn)練數(shù)據(jù)的步驟。其中，我們選擇20作為n_estimators的值，即基礎(chǔ)模型（決策樹）的數(shù)量。

clf_randomforest=RandomForestClassifier(n_estimators=20,criterion='gini',max_features='sqrt',max_depth=100,class_weight='balanced')clf_randomforest.fit(x_train,y_train)

 代碼展示

我們在訓(xùn)練數(shù)據(jù)的同時，畫出特征值在訓(xùn)練時各個因子的重要程度對比圖，我們可以看出srmi、kdj_k、dpo和bias四個技術(shù)指標(biāo)重要性極大。

    因子的重要程度對比圖

我們將訓(xùn)練好的隨機(jī)森林模型運(yùn)用到劃分出來的測試數(shù)據(jù)上進(jìn)行驗證，并相應(yīng)地畫出相關(guān)凈值曲線圖。

predict=clf_randomforest.predict(x_test)data_total.ix[x_test.index,'predict']=predictdata_holding=pd.DataFrame({i:data_total.predict.groupby(level=0).apply(lambda x:x.shift(i)) for i in range(1,6)})data_holding['total']=data_holding.sum(axis=1)data_total['flag_holding']=data_holding.total>0

  代碼展示

我們對股票使用的方式是等權(quán)買入，并持有一段固定時間，下圖藍(lán)線表示隨機(jī)森林模型凈值曲線，綠線表示為滬深300作為基準(zhǔn)的凈值曲線。

 隨機(jī)森林模型凈值曲線

結(jié)束語：無論在決策樹模型，還是在此基礎(chǔ)之上的隨機(jī)森林模型都可以利用多個技術(shù)面因子進(jìn)行有效選股判斷，但所選因子應(yīng)該來自于多個維度，以分散集中風(fēng)險。我們在實驗的過程中循環(huán)劃分訓(xùn)練和測試數(shù)據(jù)，發(fā)現(xiàn)bias，srmi因子經(jīng)常表現(xiàn)突出，重要性明顯。策略表現(xiàn)也在18年以后有顯著超額收益。