Python量化交易05——基于多因子选择和选股策略(随机森林，LGBM)

  参考书目:深入浅出Python量化交易实战

在机器学习里面的X叫做特征变量，在统计学里面叫做协变量也叫自变量，在量化投资里面则叫做因子，所谓多因子就是有很多的特征变量。

本次带来的就是多因子模型，并且使用的是机器学习的强大的非线性模型，集成学习里面的随机森林和LGBM模型，带来因子的选择策略和股票的选择策略。

由于股票数据的获取都需要第三方库或者是专业的量化投资框架，很多第三方库某些功能需要收费（Tushare），而免费的一些库（证券宝）获取的数据特征变量又没那么多。所以这里是用聚宽量化投资框架，是可以免费使用一些功能的（只需要注册一个账号）。这里获取数据就采用聚宽平台的功能了。

数据获取

本次使用沪深300作为股票池，选获取一些财务指标：

#创建query对象，指定获取股票的代码、市值、净运营资本
#净债务、产权比率、股东权益比率、营收增长率、换手率、
#市盈率（PE）、市净率（PB）、市销率（PS）、总资产收益率因子

#还是先导入jqdata和技术分析工具import jqdatafrom jqlib.technical_analysis import *#同样选择沪深300成分股做股票池stocks = get_index_stocks('000300.XSHG')q = query(valuation.code, valuation.market_cap,           balance.total_current_assets- balance.total_current_liability,        balance.total_liability- balance.total_assets,           balance.total_liability/balance.equities_parent_company_owners,        (balance.total_assets-balance.total_current_assets)/balance.total_assets,        balance.equities_parent_company_owners/balance.total_assets,        indicator.inc_total_revenue_year_on_year,           valuation.turnover_ratio,        valuation.pe_ratio,           valuation.pb_ratio,           valuation.ps_ratio,indicator.roa).filter(     valuation.code.in_(stocks))#将获得的因子值存入一个数据表df = get_fundamentals(q, date = None)#把数据表的字段名指定为对应的因子名df.columns = ['code', '市值', '净营运资本',               '净债务', '产权比率','非流动资产比率',              '股东权益比率', '营收增长率'          ,'换手率','PE','PB','PS','总资产收益率']#检查结果df.head()

​

 需要在聚宽的环境才能获得上面的数据，本地python是出不来的。

设置一下股票代码作为索引，获取一些时间格式。

#将股票代码作为数据表的indexdf.index = df.code.values#使用del也可以删除列del df['code']#下面来把时间变量都定义好today = datetime.datetime.today()#设定3个时间差，分别是50天，1天和2天delta50 = datetime.timedelta(days=50)delta1 = datetime.timedelta(days=1)delta2 = datetime.timedelta(days=2)#50日前作为一个历史节点history = today - delta50#再计算昨天和2天前的日期yesterday = today - delta1two_days_aGo = today - delta2

再然后获取一些技术指标数据：

#下面就获取股票的动量线、成交量、累计能量线、平均差、
#指数移动平均、移动平均、乖离率等因子
#时间范围都设为10天

df['动量线']=list(MTM(df.index, two_days_ago, timeperiod=10, unit = '1d',                    include_now = True, fq_ref_date = None).values())df['成交量']=list(VOL(df.index, two_days_ago, M1=10 ,unit = '1d', include_now = True,                    fq_ref_date = None)[0].values())df['累计能量线']=list(OBV(df.index,check_date=two_days_ago, timeperiod=10).values())df['平均差']=list(DMA(df.index, two_days_ago, N1 = 10, unit = '1d', include_now = True,                    fq_ref_date = None)[0].values())df['指数移动平均']=list(EMA(df.index, two_days_ago, timeperiod=10, unit = '1d', include_now = True,                       fq_ref_date = None).values())df['移动平均']=list(MA(df.index, two_days_ago, timeperiod=10, unit = '1d', include_now = True,                    fq_ref_date = None).values())df['乖离率']=list(BIAS(df.index,two_days_ago, N1=10, unit = '1d', include_now = True,                     fq_ref_date = None)[0].values())#把数据表中的空值用0来代替df.fillna(0,inplace=True)#检查是否成功df.head()

这样就获得了很多X，即特征变量，即因子。

下面构建y，我们的响应变量是一个分类的变量，即是否获得了超过市场的平均回报的收益率，是的话为1，不是为0 。

这里使用前一日的收盘价除以前50天的收盘价 然后减去1，作为收益率的值，计算出那些收益率大于均值的样本股则y为1 ，否则为0 。

#获取股票前一日的收盘价df['close1']=list(get_price(stocks, end_date=yesterday,                        count = 1,fq='pre',panel=False)['close'])#获取股票50日前的收盘价df['close2']=list(get_price(stocks,  end_date=history,                        count = 1,fq ='pre',panel=False)['close'])#计算出收益df['return']=df['close1']/df['close2']-1#如果收益大于平均水平，则标记为1#否则标记为0df['signal']=np.where(df['return']

#导入数据集拆分工具from sklearn.model_selection import train_test_split#导入随机森林分类器from sklearn.ensemble import RandomForestClassifier#把因子值作为样本的特征，所以要去掉刚刚添加的几个字段X = df.drop(['close1', 'close2', 'return', 'signal'], axis = 1)#把signal作为分类标签y = df['signal']#将数据拆分为训练集和验证集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size = 0.2)#创建随机森林分类器实例，指定random_state便于复现clf = RandomForestClassifier(n_estimators=5000,random_state=100)#拟合训练集数据clf.fit(X_train, y_train)#查看分类器在训练集和验证集中的准确率print(clf.score(X_train, y_train),      clf.score(X_test, y_test))

factor_weight = pd.DataFrame({'features':list(X.columns), 'importance':clf.feature_importances_}).sort_values(    #这里根据重要程度降序排列，一遍遍找到重要性最高的特征    by='importance', ascending = False)#检查结果factor_weight

import seaborn as snsplt.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('因子名称')plt.xticks(fontsize=10,rotation=35)plt.title("因子重要性对比")plt.show()

X=df.iloc[:,1:-3]y=df.iloc[:,0]

from lightgbm import LGBMRegressORModel = LGBMRegressor(n_estimators=100,objective='regression', random_state=0)model.fit(X, y)model.score(X, y)

diff = pd.DataFrame(np.array(y)-model.predict(X), index = y.index, columns = ['预测值和真实值的差值'])#将该数据表中的值，按生序进行排列diff = diff.sort_values(by = '预测值和真实值的差值', ascending = True)#找到市值被低估最多的10只股票diff.head(10)