实战量化投资大赛之一_baseline

1. 说明

 昨天在群里看到了：凤凰金融量化投资大赛，详情见： http://www.dcjingsai.com/common/cmpt/%E5%87%A4%E5%87%B0%E9%87%91%E8%9E%8D%E9%87%8F%E5%8C%96%E6%8A%95%E8%B5%84%E5%A4%A7%E8%B5%9B_%E7%AB%9E%E8%B5%9B%E4%BF%A1%E6%81%AF.html 看了一下数据，大概是利用过去两年Ｎ支股票的数据，预测未来半年的走势，然后再从这Ｎ支股票里选出20-50支作为组合，看谁的组合半年后收益最大，以此排名．数据包含股票代码，收盘价，和八十多个脱敏后的特征．

2. 一些想法

 我关注的一支股票，昨天跌停了，今天该买还是该卖？单看涨跌和趋势线是没法判断．涨跌和很多因素有关，比如跌停日的交易量，消息面，基本面，外盘，大盘涨跌，近期趋势．一般跌停次日的涨跌的概率等等，人基本是通过这些因素综合判断．
 估计上述的很多成分被包含在比赛提供的80多个特征之中（毕竟是专业人士给出的数据）．于是特征工程就简单了很多，可以更多地关注模型．当然像标准化，移动平均线这些特征还是需要做．
 再看模型，预测未来半年走势，是时序问题，提供的多个特征，可以使用决策树分类或回归．提交的结果又用到排序．最近时序和特征的比赛特别多，前一段的盐城上牌，汽车销售，正在进行中的阿里妈妈转化率都是．
 此题是对股票数据的一种呈现方式，以此类推，只要我们有基本面，技术面，消息面的大量数据，也可以构造类似的问题．比如说，把涨跌看成二分类问题，用历史数据训练，可能将命中率从0.5提高到0.6，看起来提升不大，但是如果机构有大量资金，可以购买几十上百支股票组合，并且有一个较长的交易时间段，那么算法的提升对应的就是收益，这也是大数定律的含义．

3. 一种简单的方案

 今天做了一种非常简单的方案，线上得分48左右，下面介绍一下原理．

(1) 数据

 每个CSV代表一天的数据，按照从1-488的从小到大的时间序列顺序排列．文件中，第一列是股票代码，第二列是收盘价，后面是脱敏特征．
 首先是把所有数据都放在一起，如果还存成csv的话，大概185M，总共有934支股票，取每天各股的均值，作为大盘指数看待，整体走势如下：

这种情况不太常见，股票在三个月内涨了一倍，又迅速跌回原位．看了其中几支股票，和大盘走势都比较相似．

(2) 分析

 先分析一下，争取最大程度地简化问题．因为不能空仓，无论大盘是涨是跌，手里必须拿着至少20支股票．就算未来半年暴跌，大家也必须持有．所以这个题的目标是不一定能赢利，但需要跑赢大盘，跑赢其他人，可以看作各股和大盘之间的关系．
 当然大盘的趋势对选股也有影响，比如在下降趋势中就趋向更保守的操作．选股个数在20-50之间，预测的股票个数越多，算法越保守，因为排在后面的趋势没那么明显． 本次的具体解决方案是：取出大盘指数，然后挑选和大盘相比走势最强的20支股票，整个过程中只用了线性拟合，也没拆分训练测试集，只是最最简单的方法．

(3) 去掉大盘趋势

 实验证明，去掉大趋势时，除法比减法效果更好．因为对不同股票作归一化不太容易，这里选择了除法．下面四条曲线中，红色是大盘走势，蓝色为某股走势，黄色为该股减大盘，绿色为该股除大盘，相对的，绿色曲线更能表征该个股的特征，去除大盘的因素，绿线趋势向上，其斜率即紫色线．

 计算周期不一定是两年，可以是一年，半年等等，计算出它的斜率，再比较出斜率最大的前20，就是该模型的结果． 这个模型也有些问题，比如，选出来的很多是次新股，另外，还要考虑当前的价格是不是太贵了，如果最终价格离直线太远，是不是趋势已改变．这些在后期做模型的时候，都需要抽象成特征．目前，这些我都通过图观察出来的，并且在程序里直接加了判断．

 话说，这比赛奖金不高．要是真能搞出几个靠谱的模型，谁还在意奖金？有时候一开始玩就不由自主地看得重排名．这个比赛争取用开放的心态来做，不用别人的baseline，自己的东西也不藏着掖着，边做边写文档．比赛的官方交流是QQ群，貌似还不是只针对这个比赛的，看看有没有也想玩的，咱们­建个钉钉群？