策略整合并模板化 | 从零实现AI量化回测平台 #5

今天的核心任务要走通机器学习模型，在金融标注数据的应用。

昨天我们已经完成数据集的分割。

数据集准备好了之后，进入模型训练。

def fit(self, df,
        num_boost_round=1000,
        early_stopping_rounds=50,
        verbose_eval=20,
        evals_result=dict(),
        **kwargs):

    dtrain, dvalid = self._prepare_data(df, '2016-01-01')

    params = {"objective": 'mse', "verbosity": -1}
    self.model = lgb.train(
        params,
        dtrain,
        num_boost_round=num_boost_round,
        valid_sets=[dtrain, dvalid],
        valid_names=["train", "valid"],
        early_stopping_rounds=early_stopping_rounds,
        verbose_eval=verbose_eval,
        evals_result=evals_result,
        **kwargs
    )
    evals_result["train"] = list(evals_result["train"].values())[0]
    evals_result["valid"] = list(evals_result["valid"].values())[0]

然后就是预测得分。

def predict(self):
    if self.model is None:
        raise ValueError("model is not fitted yet!")
    return pd.Series(self.model.predict(self.df_valid['feature'].values), index=self.df_valid.index)

模型的训练与预测的代码非常简洁，与sklearn的api相类似，就是把设定相关参数，然后总能得到结果，但结果有没有效就未可知了，这一步只能算是走通了流程而已。

机器学习模型难处不在于模型的应用，而在于理解模型，参数调优，数据预处理，特征工程这些。

先来了解一下lightGBM。

说lightGBM前，一定要提GBDT（Gradient Boosting Decision Tree，梯度提升决策树），因为lightGBM只是GBDT的一种实现。

GBDT主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。

在LightGBM提出之前，最有名的GBDT工具就是XGBoost。相比于XGBoost，LightGBM在不损失准确性的前提下，加速了训练过程。

基础组件均已“成型”，再来思考一个平台整合的事情。

1、GUI界面输入task的参数，以及task可以持久化的参数，生成yaml文件。

2、读取gui界面动态参数以及yaml的文件配置，生成任务。可一次加载多个任务。

3、Task加Runtime Config生成TaskConfig交给回测引擎。

可以内置常用的策略模板，比如“买入并持有（定期再平衡）”、“按规则——轮动模型”、“机器学习——轮动模型”，并不需要开放algo级别的能力。

4、回测引擎根据任务特点，技术分析型是直接loop出结果；机器学习型的训练模型并预测得到pred_score后，运行loop。

5、回测结果持有化供分析。

6、加载持有化的回测结果，可视化回测结果。

这三段是独立通过“持久化”的中间态文件来交换信息，可以复用，在开发上也便于调试。

三大宽基指数，等权组合加年度再平衡，年化可以达到14%，当然最大回撤比较大。

在自研的algo模块的基础上，封装出常用的策略模板。

class StrategyBuyHold(Strategy):
    #params={period=1...N,可选；}
    def __init__(self, name, params={}):
        algo_period = None
        if 'period' in params.keys():
            algo_period = RunPeriod(period=params['period'])
        else:
            algo_period = RunOnce()
        algo_list = [
            algo_period,
            SelectAll(),
            WeightEqually()
        ]
        super(StrategyBuyHold, self).__init__(name,algo_list)

这个策略仅需要一个参数：period，默认值是None。

task = {
    'name': '三大指数，年度再平衡',
    'strategy': 'buy&hold',
    'params': {
        'period': 252,
    }
}

轮动策略也比较简单：

class StrategyRolling(Strategy):

    def __init__(self, name, params={}):
        algo_list = [
            SelectBySignal(signal_buy=params['signal_buy'],signal_sell=params['signal_sell']),
            SelectTopK(K=params['K'], col=params['sort_by']),
            WeightEqually()
        ]
        super(StrategyRolling, self).__init__(name,algo_list=algo_list)

参数配置如下：

task_mom = {
    'name': '三大指数-动量轮动',
    'strategy': 'rolling',
    'params': {
        'K': 2,
        'sort_by': '五日动量'
    }
}

知识星球：AI量化投资实验室，交流最前沿人工智能与量化投资的资讯与技术。