QT_Test

本测试旨在重现一套比较简单且完备的量化框架，该框架基于现代投资组合理论，并应用主流的机器学习算法（SVM）进行分析。 旨在初步形成一个量化投资的思路，辅助构建科学合理的投资策略。

Anticipate Process

Preparation

• SQL Queries
• Initial Capital of Loopback Test (optional, default = 1 M)

Input

• Stock Pool
• Base Stock Index
• Interval of Loopback Test
• Windows of Preproession (optional, default = 365)
• Windows of Loopback Trainning Test (optional, default = 90)
• Windows of Loopack Portfolio (optional, default = year)
• Change Frequency of Portfolio (optional, default =5)

Main Program

$ python Init_StockALL_Sp.py
$ python stock_index_pro.py
$ python main_pro.py

Output

• Daily Trading Data in Stock Pool and Base Index
• Result of SVM Model Evaluation
• The Capital Situation during Loopback Test
• The Stocks Holding in Last Loopback Test Day
• Effect Index of Quantization
• Visualization of Return and Withdrawal

Dependencies

测试使用的Python版本：3.6.8

测试使用的Anaconda版本：1.9.6

Installation or Upgrade for Tushare

$ pip install tushare
$ pip install tushare --upgrade

Import Tushare

import tushare as ts

tushare版本需大于1.2.10

Set Token

ts.set_token('your token')

完成调取tushare数据凭证的设置，通常只需要设置一次

Initialize Pro API

pro = ts.pro_api()
# 或者在初始化中直接设置token
pro = ts.pro_api('your token')

Main Data API

pro.daily()       # 获取日K数据（未赋权）
pro.index_daily() # 获取指数行情
pro.trade_cal()   # 获取交易日历

Package

Time Handle

import datetime

MySql Handle

import pymysql.cursors
import sqlalchemy

Data Handle

import numpy as np
import pandas as pd
from sklearn import svm
import pylab as *
import math

设计过程

数据采集预处理后建模

• 基于Tushare进行交易数据采集（股票，指数）
• 简单数据预处理，生成训练集
• 利用SVM算法进行建模，并预测涨跌情况，准备开发择时策略

模型评估和仓位管理

• 测试区间内评估指标的计算，包括：Precision，Recall，F1，Negative_Accuracy等值
• 基于马科维茨理论的仓位管理分配，取次最小的特征值和特征向量（最佳收益方向）

模拟交易测试及回测

• 模拟交易，包括：获取资金账户数据，执行买卖操作，更新持仓天数及买卖逻辑，更新资产表数据等
• 策略框架下，进行回测并计时
• 计算并返回量化策略评估指标：Return，Withdrawal，Sharp，Risk，IR及Tracking Error等
• 对于Return，Withdrawal的可视化展示

阅读完整版