Python金融數(shù)據分析與挖掘（微課版） 課件 10-3.量化投資策略設計與實現(xiàn)

第10章

股票價格形態(tài)聚類與收益分析函數(shù)定義及使用方法訓練樣本與預測樣本的構建量化投資策略設計函數(shù)定義及使用方法第10章

將以上介紹的股票價格形態(tài)特征提取定義為函數(shù)FR1defFR1(DA,t_trd1,t_trd2,num):

#輸入：

#DA--2017年股票交易數(shù)據

#t_trd1--聚類數(shù)據區(qū)間開始日期

#t_trd2--聚類數(shù)據區(qū)間結束日期

#num--基于總體規(guī)模與投資效率指標的綜合評價方法提取樣本個數(shù)

#輸出：

#Data--形態(tài)特征數(shù)據

#KeyData--關鍵價格點數(shù)據

#KeyData_index--關鍵價格點對應序號函數(shù)定義及使用方法第10章

將以上介紹的形態(tài)特征聚類與收益率計算定義為函數(shù)FR2defFR2(DA,Data,KeyData,KeyData_index,s_trd1,s_trd2,class_num):

#輸入：

#DA--2017年股票交易數(shù)據

#Data--形態(tài)特征數(shù)據

#KeyData--關鍵價格點數(shù)據

#KeyData_index--關鍵價格點對應序號

#s_trd1--收益率計算持有期開始日期

#s_trd2--收益率計算持有期結束日期

#class_num--聚類個數(shù)

#輸出：

#Data_c--形態(tài)特征數(shù)據+聚類結果列

#KeyData_c--關鍵價格點數(shù)據+聚類結果列

#KeyData_index_c--關鍵價格點對應序號+聚類結果列

#D--每只股票代碼、所屬聚類類別、收益率組成的數(shù)據框

#list_cr--每類股票的總收益訓練樣本與預測樣本的構建第10章

選用2017年5月1日—2017年7月31日和2017年6月1日—2017年8月31日兩個計算周期的交易數(shù)據提取股票價格形態(tài)特征進行聚類，并分別以2017年8月1日—2017年8月31日和2017年9月1日—2017年9月30日兩個持有期計算每個類別的平均收益率，如果類平均收益率排名前5，則該類中所有股票記為+1類，否則記為?1類，并以此構建訓練樣本。importpandasaspdDA=pd.read_excel('DA.xlsx')R1=FR1(DA,'2017-05-01','2017-07-31',400)R2=FR2(DA,R1[0],R1[1],R1[2],'2017-08-01','2017-08-31',20)dt1=R2[0]

#2017年5月1日至2017年7月31日的股票價格形態(tài)特征數(shù)據+聚類結果列cr1=pd.Series(R2[4])#對應每類的平均收益率crr=cr1.sort_values(ascending=False)#對類平均收益率序列cr1按降序排序cr=list(crr.index)

#取對應的類編號（排序后的數(shù)據）foriinrange(len(crr)):

#類平均收益率排名前5的類中所有股票標記為1

ifi<5:

dt1[dt1[:,len(dt1[0,:])-1]==cr[i],len(dt1[0,:])-1]=1

#（聚類結果列變?yōu)橐蜃兞?1）dt1[dt1[:,len(dt1[0,:])-1]!=1,len(dt1[0,:])-1]=-1

#（聚類結果列變?yōu)橐蜃兞?1）訓練樣本與預測樣本的構建第10章

R1=FR1(DA,'2017-06-01','2017-08-31',400)R2=FR2(DA,R1[0],R1[1],R1[2],'2017-09-01','2017-09-30',20)dt2=R2[0]

#2017年6月1日至2017年8月31日的股票價格形態(tài)特征數(shù)據+聚類結果列cr2=pd.Series(R2[4])crr=cr2.sort_values(ascending=False)cr=list(crr.index)foriinrange(len(crr)):ifi<5:dt2[dt2[:,len(dt2[0,:])-1]==cr[i],len(dt2[0,:])-1]=1

#（聚類結果列變?yōu)橐蜃兞?1）dt2[dt2[:,len(dt2[0,:])-1]!=1,len(dt2[0,:])-1]=-1

#（聚類結果列變?yōu)橐蜃兞?1）#構造訓練樣本importnumpyasnpdt=np.vstack((dt2,dt1))x=dt[:,1:-1]#訓練樣本的Xy=dt[:,len(dt[0,:])-1]#訓練樣本的Y訓練樣本與預測樣本的構建第10章

對于預測樣本，選用的是2017年7月1日—2017年9月30日的交易數(shù)據計算形態(tài)特征，這里調用前面定義的FR1函數(shù)來實現(xiàn)。#預測樣本的構建R1=FR1(DA,'2017-07-01','2017-09-30',400)dt3=R1[0]x1=dt3[:,1:]#交易數(shù)據為2017年7月1日～2017年9月30日的股票價格形態(tài)特征數(shù)據量化投資策略設計第10章

根據前面構建的訓練樣本和預測樣本，利用支持向量機模型進行訓練和預測，如果預測結果為+1，表示該只股票在未來一個月內可能獲得比較好的收益，對該只股票以持有期為2017年10月1日—2017年10月31日進行計算投資收益率（期初收盤價買入，期末收盤價賣出），最終將所有預測結果為+1的股票收益率求和，即得到投資策略的總收益率，并以同期的滬深300指數(shù)收益率作為基準進行比較。fromsklearnimportsvmclf=svm.SVC()clf.fit(x,y)res=clf.predict(x1)#支持向量機預測結果code=dt3[res==1,0]list_r=[]#預定義列表,用于存放預測結果為+1的股票收益率list_code=[]#預定義列表,用于存放預測結果為+1的股票代碼foriinrange(len(code)):

I1=DA['Trddt'].values>='2017-10-01'

I2=DA['Trddt'].values<='2017-10-31'

I3=DA['Stkcd'].values==code[i]

I=I1&I2&I3

dta=DA.iloc[I,[2]]['Clsprc'].values

iflen(dta)>1:

r=(dta[len(dta)-1]-dta[0])/dta[0]

list_r.append(r)

list_code.append(code[i])result={'code':list_code,'r':list_r}result=pd.DataFrame(result)#結果整理total_r=sum(list_r)

#總收益率####滬深300指數(shù)同期收益率的計算indx300=pd.read_excel('index300.xlsx')I1=indx300['Idxtrd01'].values>='2017-10-01'I2=indx300['Idxtrd01'].values<='2017-10-31'In=I1&I2da=indx300.loc[In,'Idxtrd05'].valuesindex300_r=(da[len(da)-1]-da[0])/da[0]量化投資策略設計第10章

其中dt3為待預測的形態(tài)特征數(shù)據集，res為支持向量機的預測結果。例如，行序號為10、13的股票代碼000333和002517的股票預測結果為+1，表示未來持有期為1個月可能獲得較好的收益。事實result已