第9章

股票價格漲跌趨勢預測單只股票模型投資收益率計算量化投資策略設計單只股票模型投資收益率計算第9章

為了方便量化投資策略的使用，我們將單只股票的指標計算、預測模型構建及結果分析，即單只股票模型投資收益率計算的全流程定義為函數Re，該函數存在于Re_comput.py文件中defRe(data,n):

#data--表示某只股票代碼的交易數據

#n--表示選用的方法,0--神經網絡,1--支持向量機,2--邏輯回歸

#返回結果為一個元組(R,r_list,r_total,sc)

#其中R--表示預測準確率,r_list--表示策略每次投資收益

#r_total--表示總收益,sc--表示模型準確率

return(R,r_list,r_total,sc)量化投資策略設計第9章

以第8章中基于總體規模與投資效率指標的綜合評價方法獲得2016年排名前20只股票構建投資組合。對投資組合中每一只股票以2017年1月1日—2017年11月30日之間的交易數據為訓練數據，預測2017年12月1日—2017年12月31日之間的交易漲跌情況。如果預測結果為+1，表示下一個交易日為上漲，則以當天收盤價買入，下一個交易日收盤價賣出，計算該股票的投資收益率。最終獲得投資組合的收益率，其中投資組合的收益率為組合中所有股票收益率之和StkcdTrddtClsprcDnshrtrdDnvaltrdOpnprcHiprcLoprc0000012017-01-039.16459840494205951769.119.189.090000012017-01-049.16449329534115034449.159.189.140000012017-01-059.17344372913157696949.179.189.150000012017-01-069.13358154203271764349.179.179.110000012017-01-099.15361081573299946049.139.179.110000012017-01-109.15241053952205751329.159.169.14…………………………………………2017年交易數據量化投資策略設計第9章

首先基于第8章中基于總體規模與投資效率指標的綜合評價方法，調用其綜合評價函數Fr，函數輸入參數為財務報表數據和年度，函數返回結果為排名情況（證券代碼形式），并取排名前20股票代碼的構建投資組合。importpandasaspdimportfunimportRe_comput#第8章中基于總體規模與投資效率指標的綜合評價方法,獲得排名前20的股票構建投資組合dt=pd.read_excel('ddata.xlsx')r=fun.Fr(dt,'2016')c=r[0]code=list(c.index[0:20])量化投資策略設計第9章

其次調用前面定義的函數Re,計算投資組合收益率，并將結果導出到Excel文件中DA=pd.read_excel('DA.xlsx')#2017股票交易數據list_code=[]list_00=[]list_01=[]list_02=[]list_10=[]list_11=[]list_12=[]list_20=[]list_21=[]list_22=[]foriinrange(len(code)):data=DA.iloc[DA.iloc[:,0].values==code[i],:]iflen(data)>1:

data.index=range(len(data))#重新默認順序設置索引

list_code.append(code[i])

z0=Re_comput.Re(data,0)

z1=Re_comput.Re(data,1)

z2=Re_comput.Re(data,2)

list_00.append(z0[0])

list_01.append(z0[2])

list_02.append(z0[3])

list_10.append(z1[0])

list_11.append(z1[2])

list_12.append(z1[3])

list_20.append(z2[0])

list_21.append(z2[2])

list_22.append(z2[3])D={'code':list_code,'nn_R':list_00,

'nn_total':list_01,'nn_score':list_02,

'svm_R':list_10,'svm_total':list_11,

'svm_score':list_12,'lr_R':list_20,

'lr_to