5-【官方】百战程序员_IT在线教育培训机构


xxxxxxxxxx
#导入数据包
import pandas as pd   
import numpy as np
import math    
from sklearn.svm import SVR   
from sklearn.model_selection import GridSearchCV  
from sklearn.model_selection import learning_curve
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import RandomForestRegressor
import jqdata


# 编写初始化函数
def initialize(context):
    # 为全局变量赋值
    '''
    股票交易的频率为6天，即每6个交易日进行一次
    机器学习算法（每6个交易日进行一次调仓，将不在机器学习算法选出的股票卖出）
    '''
    g.days = 6
    g.refresh_rate = 6
    g.stocknum = 5  # 持有股票个数为5
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式（真实价格）
    set_option('use_real_price',True)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order','error')
    # 指定周期性交易函数
    run_daily(trade,'every_bar')
    
    
# 自定义交易函数
def trade(context):
    # 如果g.days能整除6，就运行if下面的代码，否则直接运行最后一句，即g.days = g.days + 1
    if g.days % 6 == 0:
        '''
        利用get_index_stocks ()函数可以获取一个指数给定日期在平台可交易的成分股列表,
        在这里获得的是沪深300成分股,日期为默认日期
        '''
        sample = get_index_stocks('000300.XSHG', date = None)
        q = query(valuation.code, valuation.market_cap, balance.total_assets - balance.total_liability,
                  balance.total_assets / balance.total_liability, income.net_profit, income.net_profit + 1, 
                  indicator.inc_revenue_year_on_year, balance.development_expenditure).filter(valuation.code.in_(sample))

        df = get_fundamentals(q, date = None)
        #列表的列头名
        df.columns = ['code', 'log_mcap', 'log_NC', 'LEV', 'NI_p', 'NI_n', 'g', 'log_RD']
        #调用numpy中的log函数和abs函数,为列表有各列赋值
        df['log_mcap'] = np.log(df['log_mcap'])
        df['log_NC'] = np.log(df['log_NC'])
        df['NI_p'] = np.log(np.abs(df['NI_p']))
        df['NI_n'] = np.log(np.abs(df['NI_n'][df['NI_n']<0]))
        df['log_RD'] = np.log(df['log_RD'])
        df.index = df.code.values    #设置表的索引为股票代码值
        del df['code']  # 删除股票代码列
        # 调用fillna方法将其Nan全部填充为0
        df = df.fillna(0)
        # 如果表中的数据大于10000，则修改为10000
        df[df>10000] = 10000
        # 如果表中的数据小于-10000，则修改为-10000
        df[df<-10000] = -10000
        # 不同行业的行业代码
        industry_set = ['801010', '801020', '801030', '801040', '801050', '801080', '801110', '801120', '801130', 
                  '801140', '801150', '801160', '801170', '801180', '801200', '801210', '801230', '801710',
                  '801720', '801730', '801740', '801750', '801760', '801770', '801780', '801790', '801880','801890']
        for i in range(len(industry_set)):
            # 利用get_industry_stocks()函数获取在给定日期一个行业的所有股票代码
            industry = get_industry_stocks(industry_set[i],date=None)
            s = pd.Series([0]*len(df),index=df.index)
            s[set(industry) & set(df.index)] = 1
            df[industry_set[i]] = s  # 添加列，列名称为行业代码
        #机器训练的X标签数据   
        X = df[['log_NC', 'LEV', 'NI_p', 'NI_n', 'g', 'log_RD','801010', '801020', '801030', '801040', '801050', 
                '801080', '801110', '801120', '801130', '801140', '801150', '801160', '801170', '801180', '801200', 
                '801210', '801230', '801710', '801720', '801730', '801740', '801750', '801760', '801770', '801780', 
                '801790', '801880', '801890']]
        #机器训练的Y标签数据
        Y = df[['log_mcap']]
        #调用fillna函数将其Nan全部填充为0
        X = X.fillna(0)
        Y = Y.fillna(0)
        
        # 开始利用SVR机器学习算法
        svr = SVR(kernel='rbf',gamma=0.1)
        # 拟合训练
        svr.fit(X,Y)
        # 将机器学习算法预测得到的结果运用到当日的股票上，先计算真实值与预测值之差
        factor = Y - pd.DataFrame(svr.predict(X),index=Y.index,columns=['log_mcap'])
        # 排序
        factor = factor.sort_index(by='log_mcap')
        # 取出前5只股票
        stockset = list(factor.index[:5])
        # 客户当前账户持仓股票的代码
        sell_list = list(context.portfolio.positions.keys())
        for stock in sell_list:
            '''
            如果股票代码不在stockset[:g.stocknum]中，
            就调用order_target_value()函数卖出股票
            '''
            if stock not in stockset[:g.stocknum]:
                stock_sell = stock
                order_target_value(stock_sell,0)
                
        # 如果持仓股票个数小于g.stocknum        
        if len(context.portfolio.positions) < g.stocknum:
            # 分配现金的方案（分配方案自己确定）
            num = g.stocknum - len(context.portfolio.positions)
            cash = context.portfolio.cash / num
        else:
            '''
            如果持仓仓股票个数大于等于g.stocknum时（认为手里的股票过多），
            则设置cash和num都为0
            '''
            cash = 0
            num = 0
        for stock in stockset[:g.stocknum]:
            if stock not in sell_list:
                stock_buy = stock
                # 如果当前正在遍历的股票stock不在sell_list中，则买进
                order_target_value(stock_buy,cash)
                num = num - 1
                if num == 0:
                    break
        g.days += 1
    else:
        g.days = g.days + 1

Python入门

北京市昌平区回龙观镇南店村综合商业楼2楼226室