深度学习多因子选股策略
1. 策略核心思想
该策略基于深度学习模型和多因子选股的逻辑，通过筛选出低估值、高盈利能力的股票，结合动态调仓和风险控制，实现长期稳健的投资收益。策略的核心思想是：
-
多因子模型：通过基本面指标（如市净率、ROA、净利润增长率等）和技术指标（如动量、波动率等）筛选出低估值、高盈利能力的股票。
-
深度学习模型：使用深度学习模型（如卷积神经网络CNN、长短期记忆网络LSTM等）对股票的未来收益进行预测，筛选出具有较高预测收益的股票。
-
动态调仓：根据市场情况动态调整持仓，及时卖出不符合条件的股票，买入新的优质股票。
-
风险控制：通过过滤ST股、停牌股、创业板、科创板等高风险股票，降低投资风险。
2. 策略运行流程
策略的运行流程分为以下几个步骤：
2.1 每日开盘前准备
-
持仓监控：获取当前持仓的股票列表，并记录昨日涨停的股票。
-
股票池准备：根据深度学习模型预测的结果，筛选出今日可以买入的股票。
2.2 盘中交易
-
动态调仓：根据股票池和当前持仓，动态调整持仓，卖出不符合条件的股票，买入新的优质股票。
-
涨停监控：对昨日涨停的股票进行监控，如果涨停打开则卖出，否则继续持有。
2.3 收盘后操作
-
成交记录：记录当天的成交记录，并输出日志。
2.4 每周调仓
-
每周调仓：每周根据最新的股票池进行调仓，确保持仓股票符合策略要求。
3. 策略特点
-
多因子模型：通过基本面指标和技术指标筛选出低估值、高盈利能力的股票，实现长期稳健的投资收益。
-
深度学习模型：使用深度学习模型对股票的未来收益进行预测，筛选出具有较高预测收益的股票。
-
动态调仓：根据市场情况动态调整持仓，及时卖出不符合条件的股票，买入新的优质股票。
-
风险控制：通过过滤ST股、停牌股、创业板、科创板等高风险股票，降低投资风险。
4. 策略适用场景
-
市场环境：适合长期投资，能够在市场波动中抓住低估值、高盈利能力的股票。
-
投资者类型：适合有一定量化交易经验的投资者，能够理解策略的逻辑并进行参数调整。
5. 策略优化方向
-
参数优化：可以调整基本面指标的筛选条件，以适应不同的市场环境。
-
风险控制：可以增加更多的风险控制措施，如止损、止盈等。
-
多因子筛选：可以引入更多的技术指标或基本面因子，进一步提高选股的准确性。
策略名称解释：
-
深度学习：策略使用深度学习模型对股票的未来收益进行预测，筛选出具有较高预测收益的股票。
-
多因子：策略通过基本面指标和技术指标筛选出低估值、高盈利能力的股票。
-
动态调仓：策略根据市场情况动态调整持仓，及时卖出不符合条件的股票，买入新的优质股票。
代码逻辑详解：
1. 初始化函数 initialize(context)
-
设定了基准指数（如中证500）。
-
开启了动态复权模式和防未来函数。
-
初始化了一些全局变量，如持仓列表、昨日涨停股票列表等。
-
设定了交易手续费和滑点。
-
安排了定时任务，如每日开盘前准备、每周调仓等。
2. 每日开盘前准备 prepare_stock_list(context)
-
获取当前持仓的股票列表。
-
获取昨日涨停的股票列表。
3. 选股模块 get_stock_list(context)
-
通过深度学习模型对股票的未来收益进行预测，筛选出具有较高预测收益的股票。
-
使用卷积神经网络（CNN）和长短期记忆网络（LSTM）对股票的历史数据进行特征提取和预测。
-
根据预测结果，筛选出得分最高的股票作为候选股票池。
4. 每周调仓 weekly_adjustment(context)
-
根据最新的股票池进行调仓，卖出不符合条件的股票，买入新的优质股票。
-
确保持仓股票符合策略要求。
5. 涨停监控 check_limit_up(context)
-
对昨日涨停的股票进行监控，如果涨停打开则卖出，否则继续持有。
6. 清仓操作 close_account(context)
-
在特定条件下清仓，确保资金可以灵活使用。
7. 辅助函数
-
filter_all_stock2(context, stock_list)：过滤掉创业板、科创板、ST股、停牌股等高风险股票。 -
order_target_value_(security, value)：自定义下单函数，处理停牌和涨跌停的情况。 -
open_position(security, value)：开仓买入指定价值的证券。 -
close_position(position)：平仓卖出指定持仓。
8. 深度学习模型
-
model：定义了深度学习模型的结构，包括卷积神经网络（CNN）和长短期记忆网络（LSTM）。 -
model_t1、model_t2、model_t3：加载预训练的深度学习模型，用于股票收益预测。
总结：
该策略通过深度学习模型和多因子选股相结合，筛选出具有较高预测收益的股票，并通过动态调仓和风险控制，实现长期稳健的投资收益。策略的核心在于深度学习模型的预测能力和多因子模型的筛选能力，适合有一定量化交易经验的投资者使用。
策略代码
# 标题：人工智能早晨十字星模型（反转形态预测）
from jqdata import *
from jqfactor import *
import numpy as np
import pandas as pd
import pickle
import pandas as pd
import torch
import torch.nn as nn
from tqdm import tqdm
industry_code = ['HY001', 'HY002', 'HY003', 'HY004', 'HY005', 'HY006', 'HY007', 'HY008', 'HY009', 'HY010', 'HY011']
# 初始化函数
def initialize(context):
# 设定基准
set_benchmark('000985.XSHG')#000037 #'000985.XSHG'
# 用真实价格交易
set_option('use_real_price', True)
# 打开防未来函数
set_option("avoid_future_data", True)
# 将滑点设置为0
set_slippage(FixedSlippage(0))
# 设置交易成本万分之三，不同滑点影响可在归因分析中查看
set_order_cost(OrderCost(open_tax=0, close_tax=0.001, open_commission=0.0003, close_commission=0.0003,
close_today_commission=0, min_commission=5), type='stock')
# 过滤order中低于error级别的日志
log.set_level('order', 'error')
# 初始化全局变量
g.no_trading_today_signal = False
g.stock_num = 3
g.hold_list = [] # 当前持仓的全部股票
g.yesterday_HL_list = [] # 记录持仓中昨日涨停的股票
# 设置交易运行时间
run_daily(prepare_stock_list, '9:05')
run_weekly(weekly_adjustment, 1, '9:30')
# run_monthly(weekly_adjustment, 1, '9:30')
run_daily(check_limit_up, '14:00') # 检查持仓中的涨停股是否需要卖出
run_daily(close_account, '14:50')
def min_max_scaling(lst):
min_val = min(lst)
max_val = max(lst)
scaled_lst = [(x - min_val) / (max_val - min_val) for x in lst]
return scaled_lst
# 1-1 准备股票池
def prepare_stock_list(context):
# 获取已持有列表
g.hold_list = []
for position in list(context.portfolio.positions.values()):
stock = position.security
g.hold_list.append(stock)
# 获取昨日涨停列表
if g.hold_list != []:
df = get_price(g.hold_list, end_date=context.previous_date, frequency='daily', fields=['close', 'high_limit'],
count=1, panel=False, fill_paused=False)
df = df[df['close'] == df['high_limit']]
g.yesterday_HL_list = list(df.code)
else:
g.yesterday_HL_list = []
model_path1 = r'ZCSZX_0.pt'
model_path2 = r'ZCSZX_1.pt'
model_path3 = r'ZCSZX_2.pt'
关键函数解锁后查看：
import io
buffer = io.BytesIO(read_file(model_path1))
model_t1 = model()
model_t1.load_state_dict(torch.load(buffer))
model_t1.eval() # 0.54
buffer = io.BytesIO(read_file(model_path2))
model_t2 = model()
model_t2.load_state_dict(torch.load(buffer))
model_t2.eval() # 0.54
buffer = io.BytesIO(read_file(model_path3))
model_t3 = model()
model_t3.load_state_dict(torch.load(buffer))
model_t3.eval() # 0.54
print('模型加载成功')
# 1-2 选股模块
def get_stock_list(context):
# 指定日期防止未来数据
yesterday = context.previous_date
today = context.current_dt
initial_list = get_all_securities('stock', today).index.tolist()
initial_list = filter_all_stock2(context, initial_list)
tensor_list =[]
for i in initial_list:
df = attribute_history(i, 60, '1d')
df_tensor = torch.Tensor(df.values)
tensor_list.append(df_tensor)
stacked_tensor = torch.stack(tensor_list)
tensor_list=[]
with torch.no_grad():
output1 = model_t1(stacked_tensor)
output2 = model_t2(stacked_tensor)
output3 = model_t3(stacked_tensor)
output = output1+ output2 + output3
output = output[:, 1]
data = {'ID': initial_list, 'score': output.squeeze().tolist()}
df = pd.DataFrame(data)
N = g.stock_num
top_N_rows = df.nlargest(N, 'score')
top_N_IDs = top_N_rows['ID'].tolist()
return top_N_IDs
# 1-3 整体调整持仓
def weekly_adjustment(context):
if g.no_trading_today_signal == False:
# 获取应买入列表
target_list = get_stock_list(context)
# 调仓卖出
for stock in g.hold_list:
if (stock not in target_list) and (stock not in g.yesterday_HL_list):
log.info("卖出[%s]" % (stock))
position = context.portfolio.positions[stock]
close_position(position)
else:
log.info("已持有[%s]" % (stock))
# 调仓买入
position_count = len(context.portfolio.positions)
print(position_count)
target_num = len(target_list)
print(target_num)
if target_num > position_count:
print(context.portfolio.cash)
value = context.portfolio.cash / (target_num - position_count)
for stock in target_list:
if context.portfolio.positions[stock].total_amount == 0:
if open_position(stock, value):
if len(context.portfolio.positions) == target_num:
break
# 1-4 调整昨日涨停股票
def check_limit_up(context):
now_time = context.current_dt
if g.yesterday_HL_list != []:
# 对昨日涨停股票观察到尾盘如不涨停则提前卖出，如果涨停即使不在应买入列表仍暂时持有
for stock in g.yesterday_HL_list:
current_data = get_price(stock, end_date=now_time, frequency='1m', fields=['close', 'high_limit'],
skip_paused=False, fq='pre', count=1, panel=False, fill_paused=True)
if current_data.iloc[0, 0] < current_data.iloc[0, 1]:
log.info("[%s]涨停打开，卖出" % (stock))
position = context.portfolio.positions[stock]
close_position(position)
else:
log.info("[%s]涨停，继续持有" % (stock))
def filter_all_stock2(context, stock_list):
# 过滤次新股（新股、老股的分界日期，两种指定方法）
# 新老股的分界日期, 自然日180天
# by_date = context.previous_date - datetime.timedelta(days=180)
# 新老股的分界日期，120个交易日
by_date = get_trade_days(end_date=context.previous_date, count=180)[0]
all_stocks = get_all_securities(date=by_date).index.tolist()
stock_list = list(set(stock_list).intersection(set(all_stocks)))
curr_data = get_current_data()
print(curr_data)
return [stock for stock in stock_list if not (
stock.startswith(( '3','68', '4', '8')) or # 创业，科创，北交所
curr_data[stock].paused or
curr_data[stock].is_st or # ST
('ST' in curr_data[stock].name) or
('*' in curr_data[stock].name) or
('退' in curr_data[stock].name) or
(curr_data[stock].day_open == curr_data[stock].high_limit) or # 涨停开盘, 其它时间用last_price
(curr_data[stock].day_open == curr_data[stock].low_limit) # 跌停开盘, 其它时间用last_price
)]
def order_target_value_(security, value):
if value == 0:
log.debug("Selling out %s" % (security))
else:
log.debug("Order %s to value %f" % (security, value))
return order_target_value(security, value)
# 3-2 交易模块-开仓
def open_position(security, value):
order = order_target_value_(security, value)
if order != None and order.filled > 0:
return True
return False
# 3-3 交易模块-平仓
def close_position(position):
security = position.security
order = order_target_value_(security, 0) # 可能会因停牌失败
if order != None:
if order.status == OrderStatus.held and order.filled == order.amount:
return True
return False
# 4-2 清仓后次日资金可转
def close_account(context):
if g.no_trading_today_signal == True:
if len(g.hold_list) != 0:
for stock in g.hold_list:
position = context.portfolio.positions[stock]
close_position(position)
log.info("卖出[%s]" % (stock))
def get_industry_name(i_Constituent_Stocks, value):
return [k for k, v in i_Constituent_Stocks.items() if value in v]
# 缺失值处理
def replace_nan_indu(factor_data, stockList, industry_code, date):
# 把nan用行业平均值代替，依然会有nan，此时用所有股票平均值代替
i_Constituent_Stocks = {}
data_temp = pd.DataFrame(index=industry_code, columns=factor_data.columns)
for i in industry_code:
temp = get_industry_stocks(i, date)
i_Constituent_Stocks[i] = list(set(temp).intersection(set(stockList)))
data_temp.loc[i] = mean(factor_data.loc[i_Constituent_Stocks[i], :])
for factor in data_temp.columns:
# 行业缺失值用所有行业平均值代替
null_industry = list(data_temp.loc[pd.isnull(data_temp[factor]), factor].keys())
for i in null_industry:
data_temp.loc[i, factor] = mean(data_temp[factor])
null_stock = list(factor_data.loc[pd.isnull(factor_data[factor]), factor].keys())
for i in null_stock:
industry = get_industry_name(i_Constituent_Stocks, i)
if industry:
factor_data.loc[i, factor] = data_temp.loc[industry[0], factor]
else:
factor_data.loc[i, factor] = mean(factor_data[factor])
return factor_data
# 数据预处理
def data_preprocessing(factor_data, stockList, industry_code, date):
# 去极值
factor_data = winsorize_med(factor_data, scale=5, inf2nan=False, axis=0)
# 缺失值处理
factor_data = replace_nan_indu(factor_data, stockList, industry_code, date)
# 标准化处理
factor_data = standardlize(factor_data, axis=0)
return factor_data
2025-02-23 