[量化学堂-机器学习]StockRanker模型可视化

ai
stockranker
标签: #<Tag:0x00007f5bf92bb680> #<Tag:0x00007f5bf92bb540>

(iQuant) #1

导语:本文介绍了如何用BigQuant的策略生成器进行StockRanker模型可视化。


在策略生成器中,可以直接菜单化操作的方式新建一个StockRanker实验,通过plot_model我们可以看到StockRanker模型是什么样子的,这样就能够完全透明的将模型可视化的展示出来,包括结构和参数等信息。

# m6 = M.stock_ranker_train.v2
m6.plot_model()

一般情况下AI机器在大量数据上训练出来的模型会远比人做出来的复杂,这也是AI有更好的效果的原因之一。

如图1这个模型有20棵决策树组成,每棵决策树最多有30个叶节点。给定一个样本,每个决策树会对样本打分(分数为样本根据判定条件到达的叶节点的值);最后的分数是所有决策树打分的总和。决策树的结构、判定条件和叶节点的分数等等都是由机器学习算法在大量数据上学习出来的。


$$图1 \ \ 决策树$$


附件:StockRanker训练模型

克隆策略
In [10]:
# 基础参数配置
class conf:
    start_date = '2010-01-01'
    end_date='2017-07-19'
    # split_date 之前的数据用于训练,之后的数据用作效果评估
    split_date = '2015-01-01'
    # D.instruments: https://bigquant.com/docs/data_instruments.html
    instruments = D.instruments(start_date, end_date)

    # 机器学习目标标注函数
    # 如下标注函数等价于 min(max((持有期间的收益 * 100), -20), 20) + 20 (后面的M.fast_auto_labeler会做取整操作)
    # 说明:max/min这里将标注分数限定在区间[-20, 20],+20将分数变为非负数 (StockRanker要求标注分数非负整数)
    label_expr = ['return * 100', 'where(label > {0}, {0}, where(label < -{0}, -{0}, label)) + {0}'.format(20)]
    # 持有天数,用于计算label_expr中的return值(收益)
    hold_days = 5

    # 特征 https://bigquant.com/docs/data_features.html,你可以通过表达式构造任何特征
    features = [
        'close_5/close_0',  # 5日收益
        'close_10/close_0',  # 10日收益
        'close_20/close_0',  # 20日收益
        'avg_amount_0/avg_amount_5',  # 当日/5日平均交易额
        'avg_amount_5/avg_amount_20',  # 5日/20日平均交易额
        'rank_avg_amount_0/rank_avg_amount_5',  # 当日/5日平均交易额排名
        'rank_avg_amount_5/rank_avg_amount_10',  # 5日/10日平均交易额排名
        'rank_return_0',  # 当日收益
        'rank_return_5',  # 5日收益
        'rank_return_10',  # 10日收益
        'rank_return_0/rank_return_5',  # 当日/5日收益排名
        'rank_return_5/rank_return_10',  # 5日/10日收益排名
        'pe_ttm_0',  # 市盈率TTM
    ]

# 给数据做标注:给每一行数据(样本)打分,一般分数越高表示越好
m1 = M.fast_auto_labeler.v8(
    instruments=conf.instruments, start_date=conf.start_date, end_date=conf.end_date,
    label_expr=conf.label_expr, hold_days=conf.hold_days,
    benchmark='000300.SHA', sell_at='open', buy_at='open')
# 计算特征数据
m2 = M.general_feature_extractor.v5(
    instruments=conf.instruments, start_date=conf.start_date, end_date=conf.end_date,
    features=conf.features)
# 数据预处理:缺失数据处理,数据规范化,T.get_stock_ranker_default_transforms为StockRanker模型做数据预处理
m3 = M.transform.v2(
    data=m2.data, transforms=T.get_stock_ranker_default_transforms(),
    drop_null=True, astype='int32', except_columns=['date', 'instrument'],
    clip_lower=0, clip_upper=200000000)
# 合并标注和特征数据
m4 = M.join.v2(data1=m1.data, data2=m3.data, on=['date', 'instrument'], sort=True)

# 训练数据集
m5_training = M.filter.v2(data=m4.data, expr='date < "%s"' % conf.split_date)
# 评估数据集
m5_evaluation = M.filter.v2(data=m4.data, expr='"%s" <= date' % conf.split_date)
# StockRanker机器学习训练
m6 = M.stock_ranker_train.v3(training_ds=m5_training.data, features=conf.features)
[2017-07-20 11:39:13.630497] INFO: bigquant: fast_auto_labeler.v8 start ..
[2017-07-20 11:39:13.633376] INFO: bigquant: hit cache
[2017-07-20 11:39:13.637674] INFO: bigquant: fast_auto_labeler.v8 end [0.007199s].
[2017-07-20 11:39:13.643768] INFO: bigquant: general_feature_extractor.v5 start ..
[2017-07-20 11:39:13.645508] INFO: bigquant: hit cache
[2017-07-20 11:39:13.646379] INFO: bigquant: general_feature_extractor.v5 end [0.002588s].
[2017-07-20 11:39:13.656035] INFO: bigquant: transform.v2 start ..
[2017-07-20 11:39:13.658065] INFO: bigquant: hit cache
[2017-07-20 11:39:13.658829] INFO: bigquant: transform.v2 end [0.002798s].
[2017-07-20 11:39:13.664468] INFO: bigquant: join.v2 start ..
[2017-07-20 11:39:13.666044] INFO: bigquant: hit cache
[2017-07-20 11:39:13.667241] INFO: bigquant: join.v2 end [0.002768s].
[2017-07-20 11:39:13.671594] INFO: bigquant: filter.v2 start ..
[2017-07-20 11:39:13.672965] INFO: bigquant: hit cache
[2017-07-20 11:39:13.673641] INFO: bigquant: filter.v2 end [0.002046s].
[2017-07-20 11:39:13.678026] INFO: bigquant: filter.v2 start ..
[2017-07-20 11:39:13.679482] INFO: bigquant: hit cache
[2017-07-20 11:39:13.680164] INFO: bigquant: filter.v2 end [0.002137s].
[2017-07-20 11:39:13.687280] INFO: bigquant: stock_ranker_train.v3 start ..
[2017-07-20 11:39:13.688784] INFO: bigquant: hit cache
[2017-07-20 11:39:13.689642] INFO: bigquant: stock_ranker_train.v3 end [0.002335s].

可视化查看模型

In [11]:
# 每一个节点都可以点击展开
m6.plot_model()

对评估集做预测

In [12]:
m7 = M.stock_ranker_predict.v2(model_id=m6.model_id, data=m5_evaluation.data)
[2017-07-20 11:39:13.721570] INFO: bigquant: stock_ranker_predict.v2 start ..
[2017-07-20 11:39:13.744314] INFO: bigquant: hit cache
[2017-07-20 11:39:13.745629] INFO: bigquant: stock_ranker_predict.v2 end [0.024104s].

执行回测

In [13]:
# 回测引擎:初始化函数,只执行一次
def initialize(context):
    # 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)
    context.ranker_prediction = context.options['ranker_prediction'].read_df()
    # 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 = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2

# 回测引擎:每日数据处理函数,每天执行一次
def handle_data(context, data):
    # 按日期过滤得到今日的预测数据
    ranker_prediction = context.ranker_prediction[context.ranker_prediction.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.symbol: p.amount * p.last_sale_price         for e, p in context.perf_tracker.position_tracker.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StockRanker预测的排序末位淘汰
    if not is_staging and cash_for_sell > 0:
        equities = {e.symbol: e for e, p in context.perf_tracker.position_tracker.positions.items()}
        instruments = list(reversed(list(ranker_prediction.instrument[ranker_prediction.instrument.apply(
                lambda x: x in equities and not context.has_unfinished_sell_order(equities[x]))])))
        # print('rank order for sell %s' % instruments)
        for instrument in instruments:
            context.order_target(context.symbol(instrument), 0)
            cash_for_sell -= positions[instrument]
            if cash_for_sell <= 0:
                break

    # 3. 生成买入订单:按StockRanker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(context.symbol(instrument), cash)

# 调用回测引擎
m8 = M.trade.v2(
    instruments=m7.instruments,
    start_date=m7.start_date,
    end_date=m7.end_date,
    initialize=initialize,
    handle_data=handle_data,
    order_price_field_buy='open',       # 表示 开盘 时买入
    order_price_field_sell='close',     # 表示 收盘 前卖出
    capital_base=1000000,               # 初始资金
    benchmark='000300.SHA',             # 比较基准,不影响回测结果
    # 通过 options 参数传递预测数据和参数给回测引擎
    options={'ranker_prediction': m7.predictions, 'hold_days': conf.hold_days}
)
[2017-07-20 11:39:13.917933] INFO: bigquant: backtest.v7 start ..
[2017-07-20 11:39:13.920362] INFO: bigquant: hit cache
  • 收益率207.47%
  • 年化收益率58.56%
  • 基准收益率3.88%
  • 阿尔法0.57
  • 贝塔0.95
  • 夏普比率1.42
  • 收益波动率38.07%
  • 信息比率2.16
  • 最大回撤55.02%
[2017-07-20 11:39:15.714039] INFO: bigquant: backtest.v7 end [1.796057s].

本文由BigQuant宽客学院推出,版权归BigQuant所有,转载请注明出处。


【宽客学院】StockRanker结果解读
社区干货与精选整理(持续更新中...)
(DANNIKMAO) #2

决策树的叶子上的数据怎么理解?类似多因子模型的权重系数吗?


(神龙斗士) #3

叶节点不是权重,是最终得分。对于分类来说,即是类别。


(cwxuzhou) #4

请问stockranker模型是使用sklearn中的哪个算法呢?是Decision Trees算法吗?


(神龙斗士) #5

可以看看GBDT在排序学习的应用


(Aaron7) #6

请问新的lightgbm里那个LGBMRanker是不是可以用


(a20180322) #7

这个环节,请问打分标准是什么?为什么选择’close_20/close_0’作为每颗树第一个条件,用其它条件放到第一是否会对最后总分数产生影响


(ypf007) #8

是lambdaMART吗?? 你用的是什么排序算法


(ypf007) #9

可以用,但是效果不怎么好