Python 算法交易实验23 退而结网1

Python 算法交易实验23 退而结网1 说明

与其临渊羡鱼，不如退而结网

其实在5年之前，我就用不太一样的技术方法实现了对指数涨跌的有效预测。不过那时候虽然勉强做出来，但是其他方面的条件并不成熟，所以就封存了。

我觉得过去的实验有两点是很好的：

• 1 基础很简单。使用日线级别的的指数，数据很容易获取，运算量也相对小很多。
• 2 方法很独特。这样如果有效的话，在市场中很容易存活。（因为频谱不同）

过去无法应用的难点在于：

• 1 计算量很大。那时候我的机器只是一个小本本，现在不是问题了。
• 2 没有全栈能力，无法以服务的方式提供交易信号。现在也不是问题了。
• 3 复杂性。计算会在很多平行空间下搜索，很难管理。（现在有PM方法了）

所以这次打算把过去那套进行重构，上线。

当时研究的是军工指数，买入分级基金进行模拟。在指数趋势下跌的情况下，模型仍然是盈利的（没亏）。

内容

以复现为主，修补小的技术缺陷，沿用原来的框架和方法。

原来的研究结果既然是有效的，而且相对简单（毕竟那时候能力不如现在），那么：

• 第一步就是进行复现，不改变原有逻辑；
• 第二步再进行通用性拓展，用更高精度的数据，并进行更高级别的抽象进行强化；
• 第三步则是通过运筹方法，对资金的使用策略（包含止盈止损，缩短交易周期等），资产组合进行优化。

工程计划分为：数据源、持久化服务构建、训练三部分

1 数据源

之前买了tushare的会员，也做了一些程序的测试。我觉得这个级别的数据用这个接口是足够了。

目前的计划是每日收盘后获取当日收盘价，进行强化学习和预测。次日开盘时根据预测结果 *** 作。 因为颗粒度很粗，误差肯定是比较大的，不过因为基础是指数基金，又是个人的研究，所以可以接受。

数据源的更新也可以基于PM项目格式构建：

• 1 每日收盘后，对关注的指数基金自动发起若干次查询
  • 如果不成功会进行报警

2 持久化服务

服务分为几个功能模块：

• 1 提供和本地PM项目(数据更新以及模型训练）的IO。
• 2 维持和数据库的交互，存放获取的数据， 模型反馈的结果等。
• 3 通知服务。通过邮件/短消息的方式提示要进行的买卖 *** 作。
• 4 可视化结果。对各指数(基金）的 *** 作过程结果指标进行展示。

3 模型训练

以PM模型组织，多空间，多结构的模型和计算。

• 1 先以CPU方式运行(theano已经几乎淘汰，和GPU对接会有点麻烦)，有效后未来会转移到GPU计算。

4 时间

估计花2个月左右的时间(partime)，农历年之后上线。