基于ricequant隐马尔科夫模型量化交易

看到我这篇文章，相信您已经是有一定的数学基础的，隐马尔科夫模型的介绍这里不做赘述。

目录

ricequant研究平台训练模型

回测框架测试结果

ricequant研究平台训练模型

我们假设隐藏状态数量是6，即假设股市的状态有6种，虽然我们并不知道每种状态到底是什么，但是通过后面的图我们可以看出那种状态下市场是上涨的，哪种是震荡的，哪种是下跌的。可观测的特征状态我们选择了3个指标进行标示，进行预测的时候假设假设所有的特征向量的状态服从高斯分布，这样就可以使用 hmmlearn 这个包中的 GaussianHMM 进行预测了。下面我会逐步解释。

首先导入必要的包：

from hmmlearn.hmm import GaussianHMM
import numpy as np
from matplotlib import cm, pyplot as plt
import matplotlib.dates as dates
import pandas as pd
import datetime

测试时间从2005年1月1日到2015年12月31日，拿到每日沪深300的各种交易数据。

beginDate = '2005-01-01'
endDate = '2015-12-31'
n = 6 #6个隐藏状态
data = get_price('000300.XSHG',start_date=beginDate, end_date=endDate,frequency='1d')
data[0:9]

 拿到每日成交量和收盘价的数据。

volume = data['volume']
close = data['close']
logDel = np.log(np.array(data['high'])) - np.log(np.array(data['low']))
logDel

logRet_1 = np.array(np.diff(np.log(close)))#这个作为后面计算收益使用
logRet_5 = np.log(np.array(close[5:])) - np.log(np.array(close[:-5]))
logRet_5

logVol_5 = np.log(np.array(volume[5:])) - np.log(np.array(volume[:-5]))
logVol_5

logDel = logDel[5:]
logRet_1 = logRet_1[4:]
close = close[5:]
Date = pd.to_datetime(data.reset_index()["date"][5:])

合并成训练数据

A = np.column_stack([logDel,logRet_5,logVol_5])
A

将数据送入模型，进行6分类隐马尔科夫预测

model = GaussianHMM(n_components= n, covariance_type="full", n_iter=2000).fit(A)
hidden_states = model.predict(A)
hidden_states

将预测的6个分类图形画，从图中可观测出红色点阵代表牛市，绿色代表熊市，其他颜色反应微涨微跌的，震荡等市场格局

plt.figure(figsize=(25, 18)) 
for i in range(model.n_components):
    pos = (hidden_states==i)
    plt.plot_date(Date[pos],close[pos],'o',label='hidden state %d'%i,lw=2)
    #plt.legend(loc="left")

 

从图中可以比较明显的看出绿色的隐藏状态代表指数大幅上涨，浅蓝色和黄色的隐藏状态代表指数下跌。

为了更直观的表现不同的隐藏状态分别对应了什么，我们采取获得隐藏状态结果后第二天进行买入的操作，这样可以看出每种隐藏状态代表了什么。

从图中可以看出在状态3和状态4做多可以获得较高收益，状态1和状态2做空可以获得较小损失

long = (hidden_states==3) + (hidden_states == 4) #做多
short = (hidden_states==1) + (hidden_states == 2)  #做空
long = np.append(0,long[:-1]) #第二天才能操作
short = np.append(0,short[:-1]) #第二天才能操作

res['ret'] =  df.multiply(long) - df.multiply(short)  
plt.plot_date(Date,np.exp(res['ret'].cumsum()),'r-')

 

最后保存模型

#保存模型
import pickle

# 保存模型
with open('hmm.txt', 'wb') as f:
    pickle.dump(model, f)

# 读取模型
with open('hmm.txt', 'rb') as f:
    hmm = pickle.load(f)

回测框架测试结果

import pickle
from six import BytesIO
from rqfactor import *
import rqdatac
import datetime
import numpy as np
# 在这个方法中编写任何的初始化逻辑。context对象将会在你的算法策略的任何方法之间做传递。
def init(context):
    context.stocklist = []
    body = get_file('hmm.txt')
    context.dict_model = pickle.load(BytesIO(body))
    context.hs300 = "000300.XSHG"

# before_trading此函数会在每天策略交易开始前被调用，当天只会被调用一次
def before_trading(context):
    pass


# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新
def handle_bar(context, bar_dict):
    cnt = 16
    close = history_bars(context.hs300, cnt, '1d', 'close')
    high = history_bars(context.hs300, cnt, '1d', 'high')
    low = history_bars(context.hs300, cnt, '1d', 'low')
    volume = history_bars(context.hs300, cnt, '1d', 'volume')

    print(context.now)
    print(close)
    print(high)

    logDel = np.log(high) - np.log(low)
    logRet_5 = np.log(close[5:]) - np.log(close[:-5])
    logVol_5 = np.log(volume[5:]) - np.log(volume[:-5])
    logDel = logDel[5:]

    B = np.column_stack([logDel,logRet_5,logVol_5])
    ret = context.dict_model.predict(B)
    print(B)
    print(ret)

    if ret[-1] == 1 or ret[-1] == 2:
        for stock in context.portfolio.positions.keys():
            if context.portfolio.positions[stock].quantity > 0:
                order_target_percent(stock, 0)

    if ret[-1] == 3:
        order_target_percent(context.hs300, 1)

# after_trading函数会在每天交易结束后被调用，当天只会被调用一次
def after_trading(context):
    pass

隐马尔科夫过往10年收益曲线