【原】年化25%——從零開始打造一套支持機器學(xué)習(xí)的量化投資平臺

AI量化實驗室 2023-10-12 發(fā)布于北京

展開全文

在AI量化系統(tǒng)里，最重要的是策略，策略的核心是因子。

在作為投研的基礎(chǔ)框架，數(shù)據(jù)以及好用的回測系統(tǒng)是必要的。在線版本的回測平臺，像聚寬更偏向傳統(tǒng)的量化分析，就是自己手動寫規(guī)則。BigQuant支持機器學(xué)習(xí)相關(guān)的算法。但每一次策略都得自己手動寫，還需要調(diào)試，很麻煩。二是使用在線的平臺，策略的安全性存疑，三是自己不動手，調(diào)包的話很難真正理解到位。

基于以上之原因，我們自己從零開始打造一套支持機器學(xué)習(xí)的量化投資平臺。

一個回測包含如下主要步驟：

一、加載數(shù)據(jù)

二、因子標(biāo)注

（三）、對數(shù)據(jù)打label——機器學(xué)習(xí)算法需要；深度強化學(xué)習(xí)需要定義reward。

四、交易規(guī)則——傳統(tǒng)量化；機器學(xué)習(xí)是自動從數(shù)據(jù)中學(xué)習(xí)。

五、模型交易

六、結(jié)果評估

【加載數(shù)據(jù)】

先看加載數(shù)據(jù)，數(shù)據(jù)格式是pandas的dataframe。把多支證券的數(shù)據(jù)合成一個總的dataframe，按日期正序。

【因子標(biāo)注】

在昨天的模型里有排序因子動量（13），均線（13）需要標(biāo)注。

基于我們自研的表達(dá)式引擎，很容易定義出這兩個因子指標(biāo)，13日動量與13日均線。

 df = FactorUtils.build_factors(df, [('ma_13', 'Ema($close,13)'),
                                            ('mom_13','Mom($close,13)'),
                                            ('buy_signal','$ma_13-$close>=0'),
                                            ('sell_signal','$ma_13-$close<0')])

【交易規(guī)則】

$ma_13-$close>=0，意為13日均線在收盤價之上即為“買入信號”，反之為賣出信號。

【規(guī)則策略】

一個“大小盤輪動”策略，滬深300指數(shù)與創(chuàng)業(yè)板指數(shù)輪動。20天動量大于0.02時買入，20天動量小于-0.02時賣出。

config = BacktestConfig()
config.universe = ['000300.SH', '399006.SZ']
config.benchmarks = ['000300.SH','399006.SZ']
config.start = '20130101'
config.factors = [('mom_20','Mom($close,20)'),
                ('buy_signal','$mom_20>0.02'),
                ('sell_signal','$mom_20<-0.02')]

e = Backtest(config=config)
print(e.df)

buy_signal = Signal(signals=['buy_signal'],max_match_count=-1)
sell_signal = Signal(signals=['sell_signal'],max_match_count=-1)
sorter = Sorter(sorter='mom_20',ascending=False,max_hold=1)
s = Strategy('動量策略', e, algo_list=[SelectWhere(buy_signal=buy_signal, sell_signal=sell_signal,sorter=sorter), WeightEqually()])
e.run([s])
df_rates = e.get_results()