强化学习入门：基于Q-learning算法的日内择时策略初窥
—— 本篇文章 by 。大咖
本篇文章所使用的数据，来源于JQData本地量化金融数据库。
下面我将粗略的介绍一个强化学习在证券市场中应用的简单实例。
关于强化学习的算法理论及发展历史，我们不做过多的解释。我们可以很容易在互联网上找到强化学习的理论知识，虽然可能都是一些只言片语，但对于初学者来说基本也就够用了。到目前为止，还没有出现广受业内好评的中文教材，更多的参考资料还是英文版的。例如，Richard S.Sutton和Andrew G.Barto所著的《Reinforcement Learning: An Introduction》。这是比较好的强化学习教材，想要系统的、深入的学习强化学习，这本书值得一看。虽然国内学术界有很多关于强化学习的文章，但它们都看起来比较专业，我不建议初学者一上来就开始啃理论。最好的学习方式是你先入门，弄懂强化学习可以干什么？然后应用一些简单的算法搭建一个你当前正想解决的问题，再不断的去改进你的算法，并在这个过程中深入地学习。对于这篇文章而言，我们假设你已经有了一些强化学习的基础知识了，这里只是给出了一个十分简单的关于量化分析的应用demo而已。
作为量化分析领域的专业人员，我们可能对用强化学习解决玩游戏、找宝藏的Demo不感兴趣。我们更希望能够有一个简单的强化学习demo：当输入K线数据，就可以告诉我什么时候该买，什么时候该卖，即使给出的买卖点并不准确，但我们总算可以看看强化学习模型是怎么给出这个买卖点的。这篇文章就做了这样一个demo，主要是想介绍怎样在构建证券市场构建一个简单的强化学习模型。
强化学习相比于神经网络等常见的机器学习算法而言，强化学习更灵活多变。深度神经网络、卷积神经网络已经算是比较难的算法了，但对于应用人员来说，你只需要搞懂输入输出基本就能用了。但强化学习完全不行，必须要对特征的问题抽象建模，这往往是最难的。怎样从一堆证券数据中抽象各种各样的状态，以及这些状态是怎么转换的，怎么定义动作、回报等等。这些问题直接决定你的模型的质量。
在这篇文章中，我们需要解决的问题是：怎么利用一天内的48根5分钟的K线数据探索在每个5分钟结束的时候，我们是该买入（B），还是该卖出（S），或者是继续观望（W），并用一段时间内所有的5分钟数据训练这个模型，看哪个时间点最适合买入，哪个时间点最适合卖出。我们以时间点作为一个状态标识，则状态(S)转移就比较好定义了：935（早上9点35，这个时间点产生了第一根K线）->940->945->…->1455->1500，状态s->s’可以采取的动作(A)包含B、S、W。我们使用Q-learning算法来解决这个问题。因此，Q表应该是这样的：
关于Reward，我们是这样定义的：未来一段时间的收益率，比如未来3根K的涨跌幅。有了这些之后，我们基本就可以开始着手编写程序了。
首先创建一个环境类：
times = [935, 940, 945, 950, 955, 1000, 1005, 1010, 1015,
1020, 1025, 1030, 1035, 1040, 1045, 1050, 1055,
1100, 1105, 1110, 1115, 1120, 1125, 1130, 1305,
1310, 1315, 1320, 1325, 1330, 1335, 1340, 1345,
1350, 1355, 1400, 1405, 1410, 1415, 1420, 1425,
1430, 1435, 1440, 1445, 1450, 1455, 1500]
class Market:
def __init__(self, data):
self.action_space = ['B', 'S', 'W'] # 买进、卖出、观望
self.n_actions = len(self.action_space)
self.data = data # 935 940 ... 1500 48根K线的数据
self.time = 935
pass
def step(self, action):
# 要知道当前在那个状态即时间点,用下一时间点的R（收益）作为
# 当前采取action的reward
tix = times.index(self.time)
nix = tix + 1
if self.time == 1500:
reward = 0
done = True
s_ = 'terminal'
# print('time is over.')
else:
reward = self.data.R.iloc[nix]
done = False
s_ = times[nix]
if action == 'B':
pass
elif action == 'S':
# 当R为-的时候，选择S，应该是正奖励
reward = reward * -1
else:
# 选择观望，既不亏损也不会盈利，但会损失机会成本
# 我们当前对观望的决策持客观态度，reward=0，这
# 可能需要在不同的大盘行情下适时调整
reward = 0
pass
self.time = s_
return s_, reward, done
pass
def reset(self):
self.time = 935
return self.time
pass
然后创建Q-learning算法类（或者称这个类为一个Agent）：
class QLearning:
#Agent
def __init__(self, actions, q_table=None, learning_rate=0.01,
discount_factor=0.9, e_greedy=0.1):
self.actions = actions # action 列表
self.lr = learning_rate # 学习速率
self.gamma = discount_factor # 折扣因子
self.epsilon = e_greedy # 贪婪度
# 列是action。
if q_table is None:
self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float32) # Q 表
else:
self.q_table = q_table
# 检测 q_table 中有没有这个 state
# 如果还没有当前 state, 那我们就插入一组全 0 数据, 作为这个 state 的所有 action 的初始值
def check_state_exist(self, state):
# state对应每一行，如果不在Q表中。
if state not in self.q_table.index:
# 插入一组全 0 数据，给每个action赋值为0
self.q_table = self.q_table.append(
pd.Series(
[0] * len(self.actions),
index=self.q_table.columns,
name=state,
)
)
# 根据 state 来选择 action
def choose_action(self, state):
self.check_state_exist(state) # 检测此 state 是否在 q_table 中存在
# 选行为，用 Epsilon Greedy 贪婪方法
if np.random.uniform() < self.epsilon:
# 随机选择 action
action = np.random.choice(self.actions)
else: # 选择 Q 值最高的 action
state_action = self.q_table.loc[state, :]
# 同一个 state, 可能会有多个相同的 Q action 值, 所以我们乱序一下
state_action = state_action.reindex(np.random.permutation(state_action.index))
# 每一行中取到Q值最大的那个
action = state_action.idxmax()
return action
# 学习。更新 Q 表中的值
def learn(self, s, a, r, s_):
# s_是下一个状态
self.check_state_exist(s_) # 检测 q_table 中是否存在 s_
# Q(S,A) <- Q(S,A)+a*[R+v*max(Q(S',a))-Q(S,A)]
q_predict = self.q_table.loc[s, a] # 根据 Q 表得到的 估计（predict）值
# q_target 是现实值
if s_ != 'terminal': # 下个 state 不是 终止符
q_target = r + self.gamma * self.q_table.loc[s_, :].max()
else:
q_target = r # 下个 state 是 终止符
# 更新 Q 表中 state-action 的值
self.q_table.loc[s, a] += self.lr * (q_target - q_predict)
最后就是创建一个文件来协调上面两个类开始工作：
def update(data, q_table=None):
env = Market(data)
RL = QLearning(actions=env.action_space, q_table=q_table)
for episode in range(100):
# 初始化 state（状态）
state = env.reset()
step_count = 0 # 记录走过的步数
while True:
# 更新可视化环境
# env.render()
# RL 大脑根据 state 挑选 action
action = RL.choose_action(str(state))
# 探索者在环境中实施这个 action, 并得到环境返回的下一个 state, reward 和 done (是否到了1500)
state_, reward, done = env.step(action)
step_count += 1 # 增加步数
# 机器人大脑从这个过渡（transition） (state, action, reward, state_) 中学习
RL.learn(str(state), action, reward, str(state_))
# 机器人移动到下一个 state
state = state_
# 如果时间到了1500, 这回合就结束了，或者是某个止损条件达到了
if done:
# print("回合 {} 结束. 总步数 : {}\n".format(episode + 1, step_count))
break
# print('模拟交易结束了。')
# print('\nQ 表:')
# print(RL.q_table)
return RL.q_table
def train():
code = '000001' # 上证指数
sd = dt.datetime(2018, 10, 1)
ed = dt.datetime(2018, 11, 1)
# 我已经把从jqdata读取到了数据存在了本地，这里只是读取出来
data = md().read_data('index_min5', stock_code=code,
date={'gte': sd, 'lt': ed},
field={'_id': 0, 'time': 1, 'close': 1, 'date': 1})
data = data.sort_values(['date', 'time'], ascending=False)
# 计算每根K线收盘时未来三根K线的涨跌幅
data['R'] = (data.close.shift(3) / data.close - 1) * 100
data.fillna(0, inplace=True)
data = data.round({'R': 3})
data = data.sort_values(['date', 'time'], ascending=True)
qtb = None
for k, g in data.groupby(['date']):
print('train to:', k)
try:
# 开始一天一天的训练
qtb = update(g, qtb)
except Exception as e:
ExceptionInfo(e)
print('\nQ 表:')
print(qtb)
qtb['time'] = qtb.index
qtb.to_csv(path_or_buf='E:\wv\ReinfL\model_param\qtb({})_{}.csv'.
format(code, sd.strftime('%Y_%m_%d')), index=False)
pass
train()