【历史文档】策略-AI策略开发

由clearyf创建，最终由small_q更新于2024-05-15 09:33 被浏览 728 用户

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略：

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台：

https://bigquant.com/data/home

https://bigquant.com/wiki/doc/dai-PLSbc1SbZX

新版表达式算子：

https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS

新版因子平台：

https://bigquant.com/wiki/doc/bigalpha-EOVmVtJMS5

\

导语

区别于传统策略开发，AI策略开发是利用AI模型的预测结果构建策略逻辑。根据不同类型的AI模型，策略构建的方式也有所不同。本文主要向大家介绍一下常用的AI策略构建方法。

在AI模型的构建教程中，我们已经介绍了机器学习在分类、回归和排序三类典型应用场景中的应用，并针对这三类问题介绍了常用的AI算法模型和构建流程。

以股票策略为例，在量化交易中常见的应用场景和策略构建逻辑可以举例为：

我们分别介绍三类策略的逻辑构建。

\

排序问题的策略构建

首先，我们建立一个StockRanker排序模型，如下所示：

对于XGBoost等其他的排序模型也会得到类似的预测结果，这里以StockRanker模型为例。

获取预测数据：

根据预测数据结果我们可以看到，预测的排序列名为position

我们根据股票排名预测值，在每日轮仓中买入排名靠前的股票卖出排名靠后的股票。

回归问题的策略构建

首先，我们建立一个多层感知器回归模型，如下所示：

对于随机森林等其他的回归模型也会得到类似的预测结果，这里以多层感知器回归模型为例。

获取预测数据：

首先我们查看m4模块的预测数据

根据预测数据结果我们可以看到，预测的收益率列名为pred_label

我们根据预测收益率排序，在每日轮仓中买入排名靠前的股票卖出排名靠后的股票。 我们修改模板策略中的数据准备函数：

数据准备函数修改：

在数据准备函数中获取预测值并按pred_label列从大到小排序，之后的逻辑与排序策略类似，即买入收益率预测值高的股票，卖出收益率预测值低的股票。

# 回测引擎：初始化函数，只执行一次
def bigquant_run(context):
    # 加载预测数据
    context.ranker_prediction = context.options['data'].read_df().sort_values('pred_label',ascending=False)
    # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
    # 预测数据，通过options传入进来，使用 read_df 函数，加载到内存 (DataFrame)
    # 设置买入的股票数量，这里买入预测股票列表排名靠前的5只
    stock_count = 5
    # 每只的股票的权重，如下的权重分配会使得靠前的股票分配多一点的资金，[0.339160, 0.213986, 0.169580, ..]
    context.stock_weights = T.norm([1 / math.log(i + 2) for i in range(0, stock_count)])
    # 设置每只股票占用的最大资金比例
    context.max_cash_per_instrument = 0.2
    context.hold_days = 5

\

分类模型的策略构建

首先，我们建立一个随机森林分类模型，如下所示：

对于线性分类等其他的分类模型也会得到类似的预测结果，这里以随机森林分类模型结果为例。 在这个分类模型案例中，依据未来5日股票阶段收益率是否大于20%将标注设置为1和0两个类别。

自动标注模块：

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
where(shift(close, -5) / shift(open, -1)-1>0.2, 1, 0)

获取预测数据：

我们查看m6模块的预测数据

根据预测数据结果我们可以看到，预测的类别0(上涨)的概率列名为classes_prob_0

数据准备函数修改：

我们根据classes_prob_0列的值从高到低排序，即按照上涨概率从高到低排序。

    # 加载预测数据
    context.ranker_prediction = context.options['data'].read_df().sort_values('classes_prob_0',ascending=False)

\