股票量化分析模型系列之--顶层设计思想

转载请注明出处​

设计思想

创业初期，有太多的事情需要做，分身乏术，很抱歉让各位看官久等了。

 

接下来的一段时间里，我将按照下面的思路，对模型的测试结果展开分析。在分析测试报告之前，先把模型的顶层思路呈现给大家。

 

先看下图，这是整个模型的工作流程，与其说是模型，不如说是一个框架。

 

​​​​​​​

 

 

为什么要这样设计

 

第1个原因：

 

金融市场变幻莫测，历史会重演，但是历史不会简单的重复。一个成功的模型，必须能够深刻洞察数据背后隐藏的，最简单、最核心、最普适的规律，它才有可能在较长时间内，在不同的市场条件下拥有较好的表现。模型发现并遵循的规律越复杂，再次发生的可能性越小。

 

第2个原因

 

正如文章开头所言，这样的设计，它已经不是一个简单的量化策略，而是更加抽象，它只提供了一个解决问题的整理思路和流程，具体怎么做，并没有涉及。如果我们某一天突然有一个idea,我们只需要按照这个流程去改动需要改的模块就可以快速验证我们想法，并且很快你就可以得到初步结论。这么做的原因很简单，因为所有的AI模型都需要数据搜集==》数据预处理==》特征工程==》模型实现==》训练与测试==》测试优化，并且有理由相信，在A模型中使用到的特征，我们很可能在B模型中也要用到，或者换句话说，总有一些显而易见但却非常重要的特征是不得不考虑进去的，比如对于日k线来说，它的开盘涨幅、最高涨幅、最低涨幅、收盘涨幅，不管对数据怎么变换，总得体现在你的特征当中，或者你有一天突然发现，不需要使用这些数据，仅仅使用当天的气温、降雨量、风向等等数据就可以得到非常棒的效果，那你当然可以拍着胸脯说，我不需要那些特征！所以这样设计的另一个原因是，为我们某一天突然脑洞大开敞开方便之门，充分的准备工作可以保证你在idea消失之前快速的捕捉到它，快速的验证它，完善它，甚至最终，否定它。

 

 

第三个原因

 

一般来说，一个模型不可能只做了一次特征工程，只做了一次训练和测试，他就表现的很好，不在需要进行迭代优化了，尤其是在金融领域这样与人类生产和生活息息相关，每时每刻都在变化的数据处理中。正如第二个原因提到的，最顶层的规则其实是为你自己选定一个特殊的题目，比如，你想对MACD金叉进行分析，或者对KDJ进行分析，或者布林线，均线等等，这个环节其实是给AI模型搜集数据，满足特定条件的数据，它比你把所有的数据不经过滤，全部输给AI模型去训练，要好很多。插一句题外话，其实在这个尝试之前，我已经花费了很多时间精力这样做，结果一无所获。所以这一个非常重要的原因是，让你的AI模型术业有专攻，一个特定的模型，他只需要从某一个特殊的角度，分析和处理一类具有某些共同特征的信号，事实证明，这条路举的了明显的进展。

 

好了，今天先分享下面要分享的模型测试结果的顶层设计思想，希望你能从中得到启发，并用在你的具体实践当中。

 

对模型的分析将从以下一个层面逐一展开，在一篇文章中写不完，也不大可能有太多人能一口气把分析内容全部读完。

下面分享一下之前训练的模型在上涨19年2-3月份上涨行情中的大致表现，以及5月份震荡行情中的表现，深入细致的分析我们放在下一篇文章

各列的含义从左到右如下

 

挺别扭的，本来想直接更换各列的名称，但是输出到控制台以后是这样的

更加别扭，简单解释一下这一张表中几个重要的数据，具体解读和详细分析我们放在下一篇文章。

信号类别这里，1类是模型觉得可以买入的信号，0类是模型认为不能买入的信号，-1类是模型拿不是否应该买入的信号，所以我们在这一篇文章中只需要关心1类就行了，模型认为可以买进的信号中，有35.25%的信号在10天内涨幅超过15%，有53.28%的信号10天内涨幅超过10%，有73.77%的信号在10天内涨幅超过了5%。震荡行情中的表现下一篇再贴，差劲一些。

 

相关文章将首发在公众号和个人网站，欢迎关注和交流