Python量化交易05——基于多因子选择和选股策略(随机森林，LGBM)
??參考書目:深入淺出Python量化交易實戰
在機器學習里面的X叫做特征變量，在統計學里面叫做協變量也叫自變量，在量化投資里面則叫做因子，所謂多因子就是有很多的特征變量。
本次帶來的就是多因子模型，并且使用的是機器學習的強大的非線性模型，集成學習里面的隨機森林和LGBM模型，帶來因子的選擇策略和股票的選擇策略。
由于股票數據的獲取都需要第三方庫或者是專業的量化投資框架，很多第三方庫某些功能需要收費（Tushare），而免費的一些庫（證券寶）獲取的數據特征變量又沒那么多。所以這里是用聚寬量化投資框架，是可以免費使用一些功能的（只需要注冊一個賬號）。這里獲取數據就采用聚寬平臺的功能了。
數據獲取
本次使用滬深300作為股票池，選獲取一些財務指標：
#創建query對象，指定獲取股票的代碼、市值、凈運營資本
#凈債務、產權比率、股東權益比率、營收增長率、換手率、
#市盈率（PE）、市凈率（PB）、市銷率（PS）、總資產收益率因子
?
?需要在聚寬的環境才能獲得上面的數據，本地Python是出不來的。
設置一下股票代碼作為索引，獲取一些時間格式。
#將股票代碼作為數據表的index df.index = df.code.values #使用del也可以刪除列 del df['code'] #下面來把時間變量都定義好 today = datetime.datetime.today() #設定3個時間差，分別是50天，1天和2天 delta50 = datetime.timedelta(days=50) delta1 = datetime.timedelta(days=1) delta2 = datetime.timedelta(days=2) #50日前作為一個歷史節點 history = today - delta50 #再計算昨天和2天前的日期 yesterday = today - delta1 two_days_ago = today - delta2再然后獲取一些技術指標數據：
#下面就獲取股票的動量線、成交量、累計能量線、平均差、
#指數移動平均、移動平均、乖離率等因子
#時間范圍都設為10天
這樣就獲得了很多X，即特征變量，即因子。
下面構建y，我們的響應變量是一個分類的變量，即是否獲得了超過市場的平均回報的收益率，是的話為1，不是為0 。
這里使用前一日的收盤價除以前50天的收盤價?然后減去1，作為收益率的值，計算出那些收益率大于均值的樣本股則y為1 ，否則為0 。
#獲取股票前一日的收盤價 df['close1']=list(get_price(stocks, end_date=yesterday, count = 1,fq='pre',panel=False)['close']) #獲取股票50日前的收盤價 df['close2']=list(get_price(stocks, end_date=history, count = 1,fq ='pre',panel=False)['close'])#計算出收益 df['return']=df['close1']/df['close2']-1 #如果收益大于平均水平，則標記為1 #否則標記為0 df['signal']=np.where(df['return']<df['return'].mean(),0,1) #檢查是否成功 df.head()?可以看到最后一列是我們的響應變量y。
模型構建
將X和y都準備好。劃分訓練集和測試集，導入隨機森林分類器。
#導入數據集拆分工具 from sklearn.model_selection import train_test_split #導入隨機森林分類器 from sklearn.ensemble import RandomForestClassifier #把因子值作為樣本的特征，所以要去掉剛剛添加的幾個字段 X = df.drop(['close1', 'close2', 'return', 'signal'], axis = 1) #把signal作為分類標簽 y = df['signal'] #將數據拆分為訓練集和驗證集 X_train,X_test,y_train,y_test=train_test_split(X,y,test_size = 0.2) #創建隨機森林分類器實例，指定random_state便于復現 clf = RandomForestClassifier(n_estimators=5000,random_state=100) #擬合訓練集數據 clf.fit(X_train, y_train) #查看分類器在訓練集和驗證集中的準確率 print(clf.score(X_train, y_train),clf.score(X_test, y_test))?
分類問題，所以采用隨機森林分類器，然后進行擬合和評價。
可以看到在訓練集上的準確率為100%，在測試集刪高的準確率為0.9333，說明模型的擬合效果很不錯。
?
?因子重要性
接下來使用隨機森林的變量的重要性排序，原理是基礎學習器決策樹分裂時，若一個變量分裂時讓損失函數下降得越多，說明這個變量越重要。
#為了便于觀察，我們創建一個數據表
#數據表有兩個字段，分別是特征名和重要性
#特征名就是因子的名稱
?可以看到最重要的變量是技術指標平均差。這也是肯定的，因為平均差里面包含了過去和現在的股價信息最多，和我們的響應變量最為相似。
畫圖更加直觀的查看變量重要性排序。
import seaborn as sns plt.figure(figsize=(6,4),dpi=128) sns.barplot(y=factor_weight['features'],x=factor_weight['importance'],orient="h") plt.xlabel('重要程度') plt.ylabel('因子名稱') plt.xticks(fontsize=10,rotation=35) plt.title("因子重要性對比") plt.show()?和上面結論一樣，技術指標平均差對我們的響應變量是否獲得超額回報的影響最大，然后是公司本身的財務指標，營業收入增長率，凈收運營資本等。
選股策略
接下來我們使用對于表格數據最強的機器學習方法，輕量梯度提升方法——LGBM模型，對我們的股票市值進行預測，然后選取實際值和預測值差距最大的股票作為選股策略。即選取價值被低估的股票。
此時y是股票市值，X是前面那些財務技術指標
X=df.iloc[:,1:-3] y=df.iloc[:,0]構建回歸器
from lightgbm import LGBMRegressor model = LGBMRegressor(n_estimators=100,objective='regression', random_state=0) model.fit(X, y) model.score(X, y)?整體模型的擬合優度為86%，還不錯。
用真實值減去預測值，然后進行排序，算的找出前10 的被低估的公司
diff = pd.DataFrame(np.array(y)-model.predict(X), index = y.index, columns = ['預測值和真實值的差值']) #將該數據表中的值，按生序進行排列 diff = diff.sort_values(by = '預測值和真實值的差值', ascending = True) #找到市值被低估最多的10只股票 diff.head(10)?前十都是被低估了，負得越多說明被低估的越厲害。
?受限于框架的使用，該策略我本人沒有進行回測檢驗其收益率。書上的收益率大概是年化6%，不高，但是也算不錯了。
（本案例僅作為策略研究，不構成任何投資意見。）
總結
以上是生活随笔為你收集整理的Python量化交易05——基于多因子选择和选股策略(随机森林，LGBM)的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 理解并实现 你自己的 订阅-发布模式
- 下一篇： 鱼c笔记——Python 的 GUI 编