Python量化交易學習筆記（45）——深度學習挖短線股5

前4篇文章分別記錄了利用深度學習挖短線股的資料預處理、模型訓練、結果預測及策略回測程序，本文記錄根據篩選短線股票的程序，

選股流程

1.股票資料下載更新

例如現在是2020年11月23日19:00，我們想找到按深度學習策略，明天應該買什么股票，那么首先將股票日線資料更新至2020年11月23日，日線資料下載可參考筆記（39），

2.股票擴展資料計算

計算股票的擴展指標，參考筆記（41）第2部分內容，
這里可以做進一步優化，如果每天都進行擴展資料計算，實際只需要對更新的當日資料進行計算，而無需對歷史資料進行重新計算，這樣可以大幅減少計算時間，
對比第1步資料下載更新，如果每天都進行更新下載，則實際每天只需下載當日K線資料，所需時間也會相應減少，

3.預測資料處理

完成擴展指標計算后，需要將近10日的指標都合并到當天資料上（參考筆記（41）），將資料轉為輸入特征，

    # 準備特征資料
    # 洗掉無效資料列，保留特征資料
    df.drop(columns=['date', 'buy'], inplace=True)
    # 取后FEATURE_N行資料
    df = df.iloc[-FEATURE_N:]
    # 生成用于預測的特征
    arr = df.values.reshape(1, -1)

    # 將資料匯入輸入字典
    input_dict = {}
    for i in range(arr.shape[1]):
        input_dict[i] = arr[0][i]
    input_dict = {name: tf.convert_to_tensor([value]) for name, value in input_dict.items()}

4.加載模型進行預測

加載筆記（42）訓練得到的模型，對上一步的輸入做預測，

    # 加載模型
    loaded_model = keras.models.load_model('./model/{}'.format(stk_code))
    # 進行預測
    predictions = loaded_model.predict(input_dict)

5.正則化選股

參考筆記（44）中使用的正則化，讀取筆記（43）所得到的預測資料，對當前預測結果進行正則化，排序選出預測數值最大的股票，即為優選股票，

    # 正則化
    # 讀入批量預測值
    df = pd.read_csv('./baostock/predict_results/{}res.csv'.format(stk_code))
    res_list = df['predict_result'].tolist()
    # 添加當日預測結果
    res_list.append(predictions[0][0])
    # 正則化當日預測結果
    delta = max(res_list) - min(res_list)
    result_dict[stk_code] = (predictions[0][0] - min(res_list)) / delta
    print(sorted(result_dict.items(), key=lambda x: x[1], reverse=True))

輸出結果

程式會不斷輸出類似這樣的結果：

[('sh.600104', 1.0), ('sh.600114', 1.0), ('sh.600168', 1.0), ('sh.600219', 1.0), ('sh.600257', 1.0), ('sh.600507', 1.0), ('sh.600570', 1.0), ('sh.600589', 1.0), ('sh.600616', 1.0),...

即，按正則化預測值從大到小的順序輸出股票代碼及其預測值，但是速度是超級慢，24小時只處理了1000多只股票，

分析思考

• 利用深度學習去挖個股的路線已經走通，但是效果和效率上都有待提升，
• 輸入特征方面，目前僅使用了幾個簡單維度的指標作為特征，可以通過計算其他指標來增加收入特征，也可以通過分析剔除作用較小的特征，
• 網路模型方面，目前使用的神經網路層數較少，節點數固定，可通過增加網路層數、調整節點樹木進一步調優，
• 樣本處理方面，短期暴漲顯然是小概率事件，也就導致我們訓練時，暴漲的樣本數量較少，所以我們的問題成為一個不平衡分類問題，這就是雖然在訓練中看到準確率高達近90%，但是回測結果依然有限的原因，需要對此類問題進行針對性處理，
• 模型的訓練及預測時間過長，缺乏實用性，除了升級硬體、改進代碼外，可以考慮選擇部分股票作為選股范圍，

選股代碼：

import tensorflow as tf
import numpy as np
import pandas as pd
import os
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import backend

# 使用前FEATURE_N的K線資料作為輸入特征
FEATURE_N = 10

# 存盤預測結果字典
result_dict = {}
# 存盤參與深度學習策略的股票
stk_code_file = './stk_data/dp_stock_list.csv'
# 讀取股票串列
stk_list = pd.read_csv(stk_code_file)['code'].tolist()
# 對每只股票分別進行預測，計算歸一化后的預測值
for stk_code in stk_list:
    print('processing {}...'.format(stk_code))
    # 讀取擴展指標
    df = pd.read_csv('./baostock/data_ext/{}.csv'.format(stk_code))
    # 沒有足夠的特征資料就跳過
    if df.shape[0] < FEATURE_N:
        continue

    # 準備特征資料
    # 洗掉無效資料列，保留特征資料
    df.drop(columns=['date', 'buy'], inplace=True)
    # 取后FEATURE_N行資料
    df = df.iloc[-FEATURE_N:]
    # 生成用于預測的特征
    arr = df.values.reshape(1, -1)

    # 預測
    # 將資料匯入輸入字典
    input_dict = {}
    for i in range(arr.shape[1]):
        input_dict[i] = arr[0][i]
    input_dict = {name: tf.convert_to_tensor([value]) for name, value in input_dict.items()}
    # 加載模型
    loaded_model = keras.models.load_model('./model/{}'.format(stk_code))
    # 進行預測
    predictions = loaded_model.predict(input_dict)

    # 正則化
    # 讀入批量預測值
    df = pd.read_csv('./baostock/predict_results/{}res.csv'.format(stk_code))
    res_list = df['predict_result'].tolist()
    # 添加當日預測結果
    res_list.append(predictions[0][0])
    # 正則化當日預測結果
    delta = max(res_list) - min(res_list)
    result_dict[stk_code] = (predictions[0][0] - min(res_list)) / delta
    print(sorted(result_dict.items(), key=lambda x: x[1], reverse=True))
    # 清理記憶體
    backend.clear_session()

print(sorted(result_dict.items(), key=lambda x: x[1], reverse=True))

歡迎大家關注、點贊、轉發、留言，感謝支持！
為了便于相互交流學習，已建微信群，感興趣的讀者請加微信，
近期新建QQ群：676186743，方便資料共享，定期發布學習任務，歡迎加入！