当前位置： 首页 > wzjs >正文

产品包装设计素材网站制作网站的详细步骤

wzjs 2025/8/30 2:13:31
产品包装设计素材网站,制作网站的详细步骤,怎么做自己网站里的资讯,网站宣传的手段有哪些VectorBT量化入门系列：第六章 VectorBT实战案例：机器学习预测策略 本教程专为中高级开发者设计，系统讲解VectorBT技术在量化交易中的应用。通过结合Tushare数据源和TA-Lib技术指标，深度探索策略开发、回测优化与风险评估的核心方法…

VectorBT量化入门系列：第六章 VectorBT实战案例：机器学习预测策略

本教程专为中高级开发者设计，系统讲解VectorBT技术在量化交易中的应用。通过结合Tushare数据源和TA-Lib技术指标，深度探索策略开发、回测优化与风险评估的核心方法。从数据获取到策略部署，全面提升量化交易能力，助力开发者构建高效、稳健的交易系统。
文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。适合量化新手建立系统认知，为策略开发打下基础。

VectorBT

学习对象

  • 中高级水平的开发者和数据分析师
  • 具备 Python 编程基础和一定的数据分析能力
  • 对量化交易和金融数据处理有一定了解
  • 熟悉 A 股市场，了解 Tushare 数据源和 TA-Lib 技术指标

教程目标

  • 系统学习 VectorBT 技术，掌握其在量化交易中的应用
  • 熟练使用 Tushare 数据源获取 A 股市场数据，并使用 Parquet 文件存储
  • 掌握基于 VectorBT 的策略开发、回测和性能评估流程
  • 学会使用 TA-Lib 计算技术指标，并将其应用于交易策略
  • 理解并实现多因子策略、机器学习策略等高级策略
  • 掌握策略优化、风险管理以及策略组合的方法
  • 能够独立构建和评估量化交易策略，并部署到生产环境

教程目录

第一章 VectorBT基础与环境搭建

1.1 VectorBT简介与应用场景
1.2 环境搭建与依赖安装
1.3 数据源与Tushare集成
1.4 数据存储与Parquet文件格式

第二章 VectorBT核心功能与数据处理

2.1 数据加载与预处理
2.2 时间序列数据处理
2.3 技术指标计算与TA-Lib集成
2.4 数据可视化与探索性分析

第三章 VectorBT策略回测基础

3.1 策略定义与实现
3.2 回测流程与关键参数
3.3 性能评估指标与解读
3.4 策略优化与参数调整

第四章 高级策略开发与优化

4.1 多因子策略开发
4.2 机器学习策略集成
4.3 风险管理与交易成本模拟
4.4 策略组合与资产配置

第五章 VectorBT性能评估与分析

5.1 性能评估框架
5.2 统计指标与回测报告
5.3 敏感性分析与压力测试
5.4 策略对比与选择标准

第六章 VectorBT实战案例

6.1 策略逻辑
6.2 实现步骤
6.3 代码执行
6.4 结果分析

第六章 VectorBT实战案例：机器学习预测策略

本章将通过具体案例深入学习VectorBT的应用。我们将使用机器学习模型预测股票价格的走势。实现一个完整的股票交易策略流程，从数据预处理、特征工程、模型训练与验证、信号生成与调试到策略回测和过拟合检测。通过使用多种技术指标和LightGBM分类器，该策略能够生成有效的交易信号，并通过回测验证其性能。

LightGBM-VectorBT-6

6.1 策略逻辑

  • 使用历史数据训练机器学习模型。
  • 根据模型预测结果生成交易信号。

核心流程：

数据加载 -> 特征工程 -> 标签生成 -> 模型训练 -> 信号生成 -> 风险管理 -> 回测验证

数学公式：

持有期回报率

R t + 1 → t + H O L D I N G _ P E R I O D = C l o s e t + H O L D I N G _ P E R I O D O p e n t + 1 − 1 R_{t+1→t+HOLDING\_PERIOD} = \frac{Close_{t+HOLDING\_PERIOD}}{Open_{t+1}} - 1 Rt+1→t+HOLDING_PERIOD​=Opent+1​Closet+HOLDING_PERIOD​​−1

示例设置：

# 全局种子设置
np.random.seed(42)
random.seed(42)# 配置参数
HOLDING_PERIOD = 2  # 持有到 t+HOLDING_PERIOD 日收盘（跨交易日持仓）
LOOKBACK_WINDOW = 20  # 回看窗口

6.2 实现步骤

  1. 加载数据
def load_data(filepath):"""加载并预处理数据"""data = pd.read_parquet(filepath)print(f"Data Stock: {len(data)}")return data
  1. 特征工程
def create_features(data):"""为给定的数据集创建技术指标特征。使用closed="left"确保滚动窗口不包含当前数据滞后特征避免未来信息泄漏:param data: 包含OHLCV数据的DataFrame:return: 包含新增技术指标特征的DataFrame"""data = data.assign(returns=data["close"].pct_change().shift(1),volatility_5=lambda x: x["returns"].rolling(5, closed="left").std().shift(1),volume_change=lambda x: x["vol"].pct_change(3).shift(1),)# 有效技术指标（经实证检验的因子）data["macd"], data["macd_signal"], _ = talib.MACD(data["close"])data["macd"] = data["macd"].shift(1)data["obv"] = talib.OBV(data["close"], data["vol"]).shift(1)# 布林带特征upper, mid, lower = talib.BBANDS(data["close"], timeperiod=20)data["bb_width"] = ((upper - lower) / mid).shift(1)data["bb_position"] = ((data["close"] - lower) / (upper - lower)).shift(1)# 量价背离指标price_high = data["high"].rolling(5).mean().shift(1)volume_high = data["vol"].rolling(5).mean().shift(1)data["pv_divergence"] = (price_high.diff() * volume_high.diff() < 0).astype(int)return data.dropna()  # 删除残余缺失
  1. 标签工程
def create_labels(data):"""标签生成逻辑（严格时间对齐）：- 预测时间：`t`日- 买入时间：`t+1`开盘- 卖出时间：`t+HOLDING_PERIOD`收盘- 持仓天数：`HOLDING_PERIOD`- 时间轴：    t    t+1   t+HOLDING_PERIOD预测  买入   卖出- 持有期回报率：$ R_{t+1→t+HOLDING\_PERIOD} = \frac{Close_{t+HOLDING\_PERIOD}}{Open_{t+1}} - 1 $"""# 计算持有期收益（严格避免未来信息）buy_price = data["open"].shift(-1)  # t+1开盘价sell_price = data["close"].shift(-HOLDING_PERIOD)  # t+HOLDING_PERIOD收盘价future_returns = sell_price / buy_price - 1  # 持有期回报率# 生成预测概率标签data["target"] = np.where(future_returns > 0, 1, 0)return data.dropna()  # 删除含有NaN值的行
  1. 特征选择
def select_features(X_train, y_train):"""时间序列特征选择"""estimator = RandomForestClassifier(n_estimators=100,n_jobs=1,random_state=42,max_features="sqrt",  # 增加确定性)selector = RFE(estimator, n_features_to_select=5)selector.fit(X_train, y_train)return selector
  1. 模型训练
def train_model(X, y):"""训练模型并进行特征选择"""# 时间序列交叉验证tscv = TimeSeriesSplit(n_splits=5)callbacks = [lgb.early_stopping(stopping_rounds=50, first_metric_only=True, verbose=False),  # 早停回调lgb.log_evaluation(period=0),  # 禁用日志输出]def objective(trial):params = {"objective": "binary","metric": "auc","boosting_type": "goss","num_leaves": trial.suggest_int("num_leaves", 16, 64),"learning_rate": trial.suggest_float("lr", 0.02, 0.2, log=True),"max_depth": trial.suggest_int("max_depth", 3, 7),"min_child_samples": trial.suggest_int("min_child_samples", 20, 200),"reg_alpha": trial.suggest_float("reg_alpha", 1e-8, 10.0),"reg_lambda": trial.suggest_float("reg_lambda", 1e-8, 10.0),"feature_fraction": trial.suggest_float("feature_frac", 0.6, 0.95),"bagging_freq": trial.suggest_int("bagging_freq", 3, 7),"verbosity": -1,"force_col_wise": True,"random_state": 42,"num_threads": 1,"deterministic": True,}fold_scores = []  # 保存每一折的AUCfold_iterations = []  # 保存每个fold的最佳迭代次数for train_idx, valid_idx in tscv.split(X):# 分割数据X_train_fold, X_valid_fold = (X.iloc[train_idx],X.iloc[valid_idx],)y_train_fold, y_valid_fold = (y.iloc[train_idx],y.iloc[valid_idx],)# 特征选择selector = select_features(X_train_fold, y_train_fold)X_train_selected = selector.transform(X_train_fold)X_valid_selected = selector.transform(X_valid_fold)# 数据标准化scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train_selected)X_valid_scaled = scaler.transform(X_valid_selected)# 转换为LightGBM Datasettrain_data = lgb.Dataset(X_train_scaled, label=y_train_fold)valid_data = lgb.Dataset(X_valid_scaled, label=y_valid_fold, reference=train_data)# 训练模型（启用早停）model = lgb.train(params,train_data,valid_sets=[valid_data],callbacks=callbacks,num_boost_round=1000,)# 记录最佳迭代的AUCfold_scores.append(model.best_score["valid_0"]["auc"])# 记录最佳迭代次数fold_iterations.append(model.best_iteration)# 记录交叉验证的平均迭代次数trial.set_user_attr("avg_best_iteration", int(np.mean(fold_iterations)))# 返回平均AUC作为Optuna优化目标return np.mean(fold_scores)# 创建Optuna study并优化sampler = TPESampler(seed=42)  # 使用TPE采样器study = optuna.create_study(direction="maximize",sampler=sampler,pruner=optuna.pruners.MedianPruner(),  # n_warmup_steps=10)study.optimize(objective, n_trials=10, n_jobs=1, timeout=3600, show_progress_bar=True)  # 优化超参数 n_jobs=1, 禁用并行试验，保证结果可以复现best_auc = study.best_value  # 获取最优 AUCbest_params = study.best_params  # 获取最优参数best_params.update({"objective": "binary","metric": "auc","boosting_type": "goss","verbosity": -1,"force_col_wise": True,"random_state": 42,"num_threads": 1,"deterministic": True,})# 输出最佳参数print("最佳参数:", best_params)print("最佳AUC:", best_auc)# 划分训练集和测试集split_idx = int(len(X) * 0.8)X_train, X_test = X.iloc[:split_idx], X.iloc[split_idx:]y_train, y_test = y.iloc[:split_idx], y.iloc[split_idx:]best_selector = select_features(X_train, y_train)X_train = best_selector.transform(X_train)X_test = best_selector.transform(X_test)# 标准化：仅在训练数据上拟合，避免泄露scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train)# 训练最终模型（可关闭早停，使用更多迭代）final_model = lgb.train(best_params,lgb.Dataset(X_train_scaled, label=y_train),num_boost_round=study.best_trial.user_attrs["avg_best_iteration"],)# 选择特征print(f"Selected features: {best_selector.feature_names_in_}")# 过拟合检查print("\n过拟合检测:")print(f"Train AUC: {roc_auc_score(y_train, final_model.predict(X_train)):.4f}")print(f"Test AUC: {roc_auc_score(y_test, final_model.predict(X_test)):.4f}")return final_model, best_selector, scaler
  1. 调试信号生成
def debug_signal_generation(data):"""打印关键指标的统计信息，用于调试信号生成过程。:param data: 包含预测概率和其他指标的DataFrame"""# 打印关键指标分布print("\n信号生成关键指标统计：")print(f"预测概率 > 0.5 的比例: {len(data[data['pred_proba'] > 0.5])/len(data):.2%}")print(f"成交量过滤触发比例: {len(data[data['vol'] > data['vol'].rolling(20).mean()])/len(data):.2%}")print(f"处于200日均线上方比例: {len(data[data['close'] > data['close'].rolling(200).mean()])/len(data):.2%}")
  1. 交易信号生成
def generate_signals(model, selector, scaler, data):"""生成带持仓周期管理的交易信号"""data = data.copy()# 特征处理X = selector.transform(data[selector.feature_names_in_])X_scaled = scaler.transform(X)data["pred_proba"] = model.predict(X_scaled)print("\n预测概率分布:")print(data["pred_proba"].describe())# 调试信号生成debug_signal_generation(data)# 生成交易信号：简单实现示例data["entry_signal"] = np.where(data["pred_proba"] > data["pred_proba"].mean(), 1, 0)# 遍历数据，为每个买入信号设置对应的卖出信号，t+HOLDING_PERIOD收盘卖出data["exit_signal"] = 0valid_dates = data.index  # 确保索引已排序for entry_idx in data[data["entry_signal"] == 1].index:current_pos = valid_dates.get_loc(entry_idx)exit_pos = current_pos + HOLDING_PERIODif exit_pos < len(valid_dates):exit_idx = valid_dates[exit_pos]data.loc[exit_idx, "exit_signal"] = 1# 信号可视化检查print("\n信号统计:")print(f"做多信号数量: {data['entry_signal'].sum()}")print(f"做空信号数量: {data['exit_signal'].sum()}")return data
  1. 风险控制
def apply_risk_management(data):"""简单波动率仓位控制实现逻辑：1. 计算最近20个交易日的波动率中位数2. 当当前波动率超过中位数时，仓位降至50%3. 否则保持80%仓位"""data = data.copy()# 计算波动率阈值（使用滞后数据避免未来信息）data["vol_threshold"] = (data["volatility_5"].shift(1)  # 使用t-1日数据计算.rolling(20, min_periods=5).median()  # 20日波动率中位数)# 动态仓位设置data["position_size"] = np.where(data["volatility_5"] > data["vol_threshold"],0.5,  # 高波动时50%仓位0.8,  # 正常情况80%仓位)# 强制仓位范围限制data["position_size"] = data["position_size"].clip(0.3, 0.8)return data
  1. 回测引擎
def backtest_strategy(data):"""执行回测"""pf = vbt.Portfolio.from_signals(close=data["close"],open=data["open"],  # 使用开盘价作为买入价格entries=data["entry_signal"] == 1,exits=data["exit_signal"] == 1,freq="1D",init_cash=1e5,  # 初始资金 10万fees=0.0005,  # 佣金万五slippage=0.0015,  # 滑点千1.5size_type="percent",size=data["position_size"],  # 动态仓位大小sl_stop=0.05,  # 固定止损)return pf
  1. 结果分析
def plot_results(pf):"""可视化策略绩效结果"""pf.plot(subplots=["orders", "trade_pnl", "cum_returns", "drawdowns"]).show()
  1. 主程序
if __name__ == "__main__":# 数据准备data = load_data("./data/600000.SH.parquet")data = create_features(data)data = create_labels(data)# 按时间分割数据集split_date = pd.to_datetime("2024-01-01")train_data = data[data.index < split_date]test_data = data[data.index >= split_date]# 检查标签分布print(f"Trant Data: {len(train_data)}")print(train_data["target"].value_counts())print(f"Test Data: {len(test_data)}")print(test_data["target"].value_counts())# 特征指标features = ["volatility_5","volume_change","macd","obv","bb_width","bb_position","pv_divergence",]# 模型训练model, selector, scaler = train_model(train_data[features], train_data["target"])# 信号生成data = generate_signals(model, selector, scaler, test_data)data = apply_risk_management(data)# 回测执行pf = backtest_strategy(data)# 结果分析print("\n策略绩效:")print(pf.stats())# 可视化plot_results(pf)

6.3 代码执行

import random
import lightgbm as lgb
import numpy as np
import optuna
import pandas as pd
import talib
import vectorbt as vbt
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import RFE
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import TimeSeriesSplit
from sklearn.preprocessing import StandardScaler
from optuna.samplers import TPESampler# 该策略采用机器学习驱动的量化交易框架，核心流程如下：
# 数据加载 -> 特征工程 -> 标签生成 -> 模型训练 -> 信号生成 -> 风险管理 -> 回测验证# 全局种子设置
np.random.seed(42)
random.seed(42)# 配置参数
HOLDING_PERIOD = 2  # 持有到 t+HOLDING_PERIOD 日收盘（跨交易日持仓）
LOOKBACK_WINDOW = 20  # 回看窗口# ==================== 加载数据 ====================
def load_data(filepath):"""加载并预处理数据"""data = pd.read_parquet(filepath)print(f"Data Stock: {len(data)}")return data# ==================== 特征工程 ====================
def create_features(data):"""为给定的数据集创建技术指标特征。使用closed="left"确保滚动窗口不包含当前数据滞后特征避免未来信息泄漏:param data: 包含OHLCV数据的DataFrame:return: 包含新增技术指标特征的DataFrame"""data = data.assign(returns=data["close"].pct_change().shift(1),volatility_5=lambda x: x["returns"].rolling(5, closed="left").std().shift(1),volume_change=lambda x: x["vol"].pct_change(3).shift(1),)# 有效技术指标（经实证检验的因子）data["macd"], data["macd_signal"], _ = talib.MACD(data["close"])data["macd"] = data["macd"].shift(1)data["obv"] = talib.OBV(data["close"], data["vol"]).shift(1)# 布林带特征upper, mid, lower = talib.BBANDS(data["close"], timeperiod=20)data["bb_width"] = ((upper - lower) / mid).shift(1)data["bb_position"] = ((data["close"] - lower) / (upper - lower)).shift(1)# 量价背离指标price_high = data["high"].rolling(5).mean().shift(1)volume_high = data["vol"].rolling(5).mean().shift(1)data["pv_divergence"] = (price_high.diff() * volume_high.diff() < 0).astype(int)return data.dropna()  # 删除残余缺失# ==================== 标签工程 ====================
def create_labels(data):"""标签生成逻辑（严格时间对齐）：- 预测时间：`t`日- 买入时间：`t+1`开盘- 卖出时间：`t+HOLDING_PERIOD`收盘- 持仓天数：`HOLDING_PERIOD`- 时间轴：    t    t+1   t+HOLDING_PERIOD预测  买入   卖出- 持有期回报率：$ R_{t+1→t+HOLDING\_PERIOD} = \frac{Close_{t+HOLDING\_PERIOD}}{Open_{t+1}} - 1 $"""# 计算持有期收益（严格避免未来信息）buy_price = data["open"].shift(-1)  # t+1开盘价sell_price = data["close"].shift(-HOLDING_PERIOD)  # t+HOLDING_PERIOD收盘价future_returns = sell_price / buy_price - 1  # 持有期回报率# 生成预测概率标签data["target"] = np.where(future_returns > 0, 1, 0)return data.dropna()  # 删除含有NaN值的行# ==================== 特征选择 ====================
def select_features(X_train, y_train):"""时间序列特征选择"""estimator = RandomForestClassifier(n_estimators=100,n_jobs=1,random_state=42,max_features="sqrt",  # 增加确定性)selector = RFE(estimator, n_features_to_select=5)selector.fit(X_train, y_train)return selector# ==================== 模型训练 ====================
def train_model(X, y):"""训练模型并进行特征选择"""# 时间序列交叉验证tscv = TimeSeriesSplit(n_splits=5)callbacks = [lgb.early_stopping(stopping_rounds=50, first_metric_only=True, verbose=False),  # 早停回调lgb.log_evaluation(period=0),  # 禁用日志输出]def objective(trial):params = {"objective": "binary","metric": "auc","boosting_type": "goss","num_leaves": trial.suggest_int("num_leaves", 16, 64),"learning_rate": trial.suggest_float("lr", 0.02, 0.2, log=True),"max_depth": trial.suggest_int("max_depth", 3, 7),"min_child_samples": trial.suggest_int("min_child_samples", 20, 200),"reg_alpha": trial.suggest_float("reg_alpha", 1e-8, 10.0),"reg_lambda": trial.suggest_float("reg_lambda", 1e-8, 10.0),"feature_fraction": trial.suggest_float("feature_frac", 0.6, 0.95),"bagging_freq": trial.suggest_int("bagging_freq", 3, 7),"verbosity": -1,"force_col_wise": True,"random_state": 42,"num_threads": 1,"deterministic": True,}fold_scores = []  # 保存每一折的AUCfold_iterations = []  # 保存每个fold的最佳迭代次数for train_idx, valid_idx in tscv.split(X):# 分割数据X_train_fold, X_valid_fold = (X.iloc[train_idx],X.iloc[valid_idx],)y_train_fold, y_valid_fold = (y.iloc[train_idx],y.iloc[valid_idx],)# 特征选择selector = select_features(X_train_fold, y_train_fold)X_train_selected = selector.transform(X_train_fold)X_valid_selected = selector.transform(X_valid_fold)# 数据标准化scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train_selected)X_valid_scaled = scaler.transform(X_valid_selected)# 转换为LightGBM Datasettrain_data = lgb.Dataset(X_train_scaled, label=y_train_fold)valid_data = lgb.Dataset(X_valid_scaled, label=y_valid_fold, reference=train_data)# 训练模型（启用早停）model = lgb.train(params,train_data,valid_sets=[valid_data],callbacks=callbacks,num_boost_round=1000,)# 记录最佳迭代的AUCfold_scores.append(model.best_score["valid_0"]["auc"])# 记录最佳迭代次数fold_iterations.append(model.best_iteration)# 记录交叉验证的平均迭代次数trial.set_user_attr("avg_best_iteration", int(np.mean(fold_iterations)))# 返回平均AUC作为Optuna优化目标return np.mean(fold_scores)# 创建Optuna study并优化sampler = TPESampler(seed=42)  # 使用TPE采样器study = optuna.create_study(direction="maximize",sampler=sampler,pruner=optuna.pruners.MedianPruner(),  # n_warmup_steps=10)study.optimize(objective, n_trials=10, n_jobs=1, timeout=3600, show_progress_bar=True)  # 优化超参数 n_jobs=1, 禁用并行试验，保证结果可以复现best_auc = study.best_value  # 获取最优 AUCbest_params = study.best_params  # 获取最优参数best_params.update({"objective": "binary","metric": "auc","boosting_type": "goss","verbosity": -1,"force_col_wise": True,"random_state": 42,"num_threads": 1,"deterministic": True,})# 输出最佳参数print("最佳参数:", best_params)print("最佳AUC:", best_auc)# 划分训练集和测试集split_idx = int(len(X) * 0.8)X_train, X_test = X.iloc[:split_idx], X.iloc[split_idx:]y_train, y_test = y.iloc[:split_idx], y.iloc[split_idx:]best_selector = select_features(X_train, y_train)X_train = best_selector.transform(X_train)X_test = best_selector.transform(X_test)# 标准化：仅在训练数据上拟合，避免泄露scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train)# 训练最终模型（可关闭早停，使用更多迭代）final_model = lgb.train(best_params,lgb.Dataset(X_train_scaled, label=y_train),num_boost_round=study.best_trial.user_attrs["avg_best_iteration"],)# 选择特征print(f"Selected features: {best_selector.feature_names_in_}")# 过拟合检查print("\n过拟合检测:")print(f"Train AUC: {roc_auc_score(y_train, final_model.predict(X_train)):.4f}")print(f"Test AUC: {roc_auc_score(y_test, final_model.predict(X_test)):.4f}")return final_model, best_selector, scaler# ==================== 调试信号生成 ====================
def debug_signal_generation(data):"""打印关键指标的统计信息，用于调试信号生成过程。:param data: 包含预测概率和其他指标的DataFrame"""# 打印关键指标分布print("\n信号生成关键指标统计：")print(f"预测概率 > 0.5 的比例: {len(data[data['pred_proba'] > 0.5])/len(data):.2%}")print(f"成交量过滤触发比例: {len(data[data['vol'] > data['vol'].rolling(20).mean()])/len(data):.2%}")print(f"处于200日均线上方比例: {len(data[data['close'] > data['close'].rolling(200).mean()])/len(data):.2%}")# ==================== 交易信号生成 ====================
def generate_signals(model, selector, scaler, data):"""生成带持仓周期管理的交易信号"""data = data.copy()# 特征处理X = selector.transform(data[selector.feature_names_in_])X_scaled = scaler.transform(X)data["pred_proba"] = model.predict(X_scaled)print("\n预测概率分布:")print(data["pred_proba"].describe())# 调试信号生成debug_signal_generation(data)# 生成交易信号：简单实现示例data["entry_signal"] = np.where(data["pred_proba"] > data["pred_proba"].mean(), 1, 0)# 遍历数据，为每个买入信号设置对应的卖出信号，t+HOLDING_PERIOD收盘卖出data["exit_signal"] = 0valid_dates = data.index  # 确保索引已排序for entry_idx in data[data["entry_signal"] == 1].index:current_pos = valid_dates.get_loc(entry_idx)exit_pos = current_pos + HOLDING_PERIODif exit_pos < len(valid_dates):exit_idx = valid_dates[exit_pos]data.loc[exit_idx, "exit_signal"] = 1# 信号可视化检查print("\n信号统计:")print(f"做多信号数量: {data['entry_signal'].sum()}")print(f"做空信号数量: {data['exit_signal'].sum()}")return data# ==================== 风险控制 ====================
def apply_risk_management(data):"""简单波动率仓位控制实现逻辑：1. 计算最近20个交易日的波动率中位数2. 当当前波动率超过中位数时，仓位降至50%3. 否则保持80%仓位"""data = data.copy()# 计算波动率阈值（使用滞后数据避免未来信息）data["vol_threshold"] = (data["volatility_5"].shift(1)  # 使用t-1日数据计算.rolling(20, min_periods=5).median()  # 20日波动率中位数)# 动态仓位设置data["position_size"] = np.where(data["volatility_5"] > data["vol_threshold"],0.5,  # 高波动时50%仓位0.8,  # 正常情况80%仓位)# 强制仓位范围限制data["position_size"] = data["position_size"].clip(0.3, 0.8)return data# ==================== 回测引擎 ====================
def backtest_strategy(data):"""执行回测"""pf = vbt.Portfolio.from_signals(close=data["close"],open=data["open"],  # 使用开盘价作为买入价格entries=data["entry_signal"] == 1,exits=data["exit_signal"] == 1,freq="1D",init_cash=1e5,  # 初始资金 10万fees=0.0005,  # 佣金万五slippage=0.0015,  # 滑点千1.5size_type="percent",size=data["position_size"],  # 动态仓位大小sl_stop=0.05,  # 固定止损)return pf# ==================== 结果分析 ====================
def plot_results(pf):"""可视化策略绩效结果"""pf.plot(subplots=["orders", "trade_pnl", "cum_returns", "drawdowns"]).show()# ==================== 主程序 ====================
if __name__ == "__main__":# 数据准备# 000858.SZ# 600000.SH# 600036.SH# 600519.SHdata = load_data("./data/600000.SH.parquet")data = create_features(data)data = create_labels(data)# 按时间分割数据集split_date = pd.to_datetime("2024-01-01")train_data = data[data.index < split_date]test_data = data[data.index >= split_date]# 检查标签分布print(f"Trant Data: {len(train_data)}")print(train_data["target"].value_counts())print(f"Test Data: {len(test_data)}")print(test_data["target"].value_counts())features = ["volatility_5","volume_change","macd","obv","bb_width","bb_position","pv_divergence",]# 模型训练model, selector, scaler = train_model(train_data[features], train_data["target"])# 信号生成data = generate_signals(model, selector, scaler, test_data)data = apply_risk_management(data)# 回测执行pf = backtest_strategy(data)# 结果分析print("\n策略绩效:")print(pf.stats())# 可视化plot_results(pf)

6.4 结果分析

Data Stock: 3596
Trant Data: 3320
target
0    1765
1    1555
Name: count, dtype: int64
Test Data: 242
target
1    129
0    113
Name: count, dtype: int64最佳参数: {'num_leaves': 30, 'lr': 0.06695552617031866, 'max_depth': 5, 'min_child_samples': 72, 'reg_alpha': 6.118528951105265, 'reg_lambda': 1.3949386151254795, 'feature_frac': 0.7022506269873263, 'bagging_freq': 4, 'objective': 'binary', 'metric': 'auc', 'boosting_type': 'goss', 'verbosity': -1, 'force_col_wise': True, 'random_state': 42, 'num_threads': 1, 'deterministic': True}
最佳AUC: 0.5476021776135598
Selected features: ['volatility_5' 'volume_change' 'macd' 'obv' 'bb_width' 'bb_position''pv_divergence']过拟合检测:
Train AUC: 0.4930
Test AUC: 0.4848预测概率分布:
count    242.000000
mean       0.426774
std        0.095937
min        0.211996
25%        0.356984
50%        0.419012
75%        0.491315
max        0.729235
Name: pred_proba, dtype: float64信号生成关键指标统计：
预测概率 > 0.5 的比例: 23.14%
成交量过滤触发比例: 39.67%
处于200日均线上方比例: 17.77%信号统计:
做多信号数量: 115
做空信号数量: 115策略绩效:
Start                               2024-01-02 00:00:00
End                                 2024-12-31 00:00:00
Period                                242 days 00:00:00
Start Value                                    100000.0
End Value                                 115254.345896
Total Return [%]                              15.254346
Benchmark Return [%]                          55.909091
Max Gross Exposure [%]                        80.670607
Total Fees Paid                             1845.762877
Max Drawdown [%]                               5.532785
Max Drawdown Duration                  58 days 00:00:00
Total Trades                                         24
Total Closed Trades                                  24
Total Open Trades                                     0
Open Trade PnL                                      0.0
Win Rate [%]                                  54.166667
Best Trade [%]                                 6.547092
Worst Trade [%]                               -4.102633
Avg Winning Trade [%]                          3.123334
Avg Losing Trade [%]                          -1.189157
Avg Winning Trade Duration    7 days 01:50:46.153846153
Avg Losing Trade Duration     2 days 06:32:43.636363636
Profit Factor                                  2.304125
Expectancy                                   635.597746
Sharpe Ratio                                   1.954995
Calmar Ratio                                   4.315798
Omega Ratio                                    1.457148
Sortino Ratio                                  3.287022
dtype: object

总结

通过本章，你已经学习了以下内容：

  1. 数据加载与预处理

    • 数据加载: 使用Parquet格式高效读取数据，支持列式存储优化。

    • 特征工程: 集成TA-Lib技术指标（MACD、OBV、布林带等），并严格通过shift(1)避免未来信息泄露。例如：

      data["macd"] = data["macd"].shift(1)  # 滞后一期

    • 标签生成: 基于持有期收益的二分类标签，确保时间对齐：

      buy_price = data["open"].shift(-1)  # t+1日开盘价买入
sell_price = data["close"].shift(-HOLDING_PERIOD)  # t+HOLDING_PERIOD收盘卖出

  2. 模型训练与优化

    • 特征选择: 采用递归特征消除（RFE）筛选5个关键特征，降低过拟合风险。
    • 超参数优化: 使用Optuna框架进行贝叶斯优化，结合时间序列交叉验证（TSCV）确保时序依赖性。
    • 模型选择: LightGBM分类器，兼顾效率与精度，启用deterministic=True保证可复现性。

  3. 信号生成与风控

    • 信号逻辑: 基于预测概率动态生成买卖信号，并严格限制持仓周期。
    • 仓位管理: 波动率驱动的动态仓位调整（50%-80%），结合固定止损（5%）控制下行风险。

  4. 回测验证

    • 实盘细节: 考虑交易成本（佣金0.05%+滑点0.15%），使用vectorbt进行事件驱动回测。

风险提示与免责声明
本文内容基于公开信息研究整理，不构成任何形式的投资建议。历史表现不应作为未来收益保证，市场存在不可预见的波动风险。投资者需结合自身财务状况及风险承受能力独立决策，并自行承担交易结果。作者及发布方不对任何依据本文操作导致的损失承担法律责任。市场有风险，投资须谨慎。

http://www.dtcms.com/wzjs/538902.html

相关文章：

  • 常州市网站优化莱芜区宣传部网站
  • 廊坊中小企业网站制作济南商城网站制作
  • 南京网站建设索q.479185700北京互联网公司聚集地
  • 池州家居网站建设怎么样宁波网站排名优化公司
  • 小企业网站建设怎么做好网站服务器建立
  • 室内设计师第一网站做自己网站彩票
  • 网站设计基本要素dw个人网站模板下载
  • 电子商务网站建设书2免费做网站
  • 可以做旅行计划的网站删除wordpress缓存文件
  • 驻马店做网站多少钱dede网站安全设置
  • 百度上面如何做网站门户网站广告的特点有
  • 网站开发如何处理兼容性问题南京网站关键词优化咨询
  • 创意字体设计网站常州网约车驾驶员资格证网上报名
  • 自己怎么做网站赚钱吗wordpress5.0中文
  • 网站开发工资有多少企业品牌推广营销方案
  • dedecms 网站还原数据之后 乱码网站运行环境
  • 厦门网站搜索引擎优化wordpress 购物网站
  • 网站空间域名续费清丰网站建设公司
  • 可以直接进入的网站正能量大豆网网站建设公司下载
  • 肇庆建站模板源码免费的网站程序
  • 网站排名怎么做wordpress官网入口
  • 做网站的人会不会拿走我的网站工装装修
  • 推广普通话作文300字实时seo排名点击软件
  • 做免费资料分享网站会不会涉及版权荆州做网站
  • 建设部的官方网站婚庆网站html模板
  • 中国化学第九建设公司网站重庆市招投标公共资源交易中心
  • 公司网站开发实例本地创建wordpress
  • 微信网站登录直播app软件开发需要多少钱
  • 字牌标识公司网站网站编号 6019垂直电商平台有哪些
  • 前端网站默认登录怎么做做游戏人设计网站