这是一个创建于 2889 天前的主题，其中的信息可能已经有所发展或是发生改变。
本科毕业论文，洋洋 16000 字的论（ luan)述(chui)Logistic 回归，当时想着搞个大新闻，结果被刘老师批判一番，最后钦定了个优秀， 0.5%的查重率以及 2%的错别字率。
Logistic 回归，就是预测一个事情发生的概率，我尝试入门机器学习，最初像在看天书，后来发现，该公式我的本科论文时候就用上了，于是不管推到过程与理论算法，引入 sklearn.linear_model
直接算出系数（和论文一样，不过那时候是有 SPSS).
我们以 600085 （同仁堂）为例，先导入 2011 年 1 月 2 日到 3 月 15 日的数据作为观测数据。
引入两个股票因子， ROC6(6 日变动速率)， RVI(相对活力指数指标)作为自变量 X1,X2,第二天的股市收盘价乘 0.99 是否还大于前天的收盘价的逻辑值作为因变量，试图用自变量预测因变量。
得到的回归方程如下：
P(第二天比(当天收盘价 1/0.99 还高)的概率=1/(1+math.exp(-t))
t=(当天 ROC6)b+(当天 RVI)*c+常项 a 。
算出来的 a,b,c 分别为(-0.7462136415415949, 0.03282832018078131, 0.019269274280473765)
然后我们假设时间回到 2014 年，我们用这个模型去交易这只股票，假设根据 ROC6 ， RVI 推测出明天股票有 50%的概率上涨，我们买入 500 手，假设明天股票有 60 的概率要上涨，我们买入 2000 手，假设 70%，我们买入 3000 手，同时未来三天不交易（将 refresh rate 调到 3 ，意味着出去玩三天，不管了）。同理，低于 0.45 就是要跌啦，那就卖出 1000 点，低于 0.4 就是要暴跌的节奏，那就第二天开盘全部卖了，留的青山在，不怕没柴烧。
结果显示，从 2014 年到 2015 年 7 月，单一只股票，买卖卖卖，年华收益 48%（扣除手续费），如果一直持有，年华收益 13%。
当然年华收益只是一方面，和最后股票价格有关，更为重要的是（一）在 2014 年整年，该股票主动管理一直优于被动管理(当然都亏了，或者说主动管理赚的钱拿去交手续费了)
二在 2012015 年 6 月 23 日，卖出订单如下
2015-06-23 卖 36,729.00, 共 1 个订单
2015-06-24 卖 38,814.00, 共 1 个订单
2015-06-26 卖 37,404.00, 共 1 个订单
2015-06-29 卖 36,709.00, 共 1 个订单
2015-06-30 卖 29,393.00, 共 1 个订单
根据算法，系统自动清盘了，神奇的避免了 7 月 1 日的大跌（说明算法还是有用的）。
从走势图看，对于机器学习，判断价值投资的买入卖出时间点意义大于波动套利（好像和量化理论不符合啊）。对于该模型，我相信肯定会有不科学的地方，而且不科学的地方肯定远多于科学的地方，未来继续发展（作死）的空间如下：
1.该模型只用了两个因子，可以考虑使用多个因子加入模型
2.该模型只用了一个股票，量化交易的前提之一是大数定理，就是一个不管用大家一起上才管用。因此还值得进一步发展的空间很多。
详细回测代码请戳： https://uqer.io/community/share/579dfb15228e5ba294061f35
Logistic 回归，就是预测一个事情发生的概率，我尝试入门机器学习，最初像在看天书，后来发现，该公式我的本科论文时候就用上了，于是不管推到过程与理论算法，引入 sklearn.linear_model
直接算出系数（和论文一样，不过那时候是有 SPSS).
我们以 600085 （同仁堂）为例，先导入 2011 年 1 月 2 日到 3 月 15 日的数据作为观测数据。
引入两个股票因子， ROC6(6 日变动速率)， RVI(相对活力指数指标)作为自变量 X1,X2,第二天的股市收盘价乘 0.99 是否还大于前天的收盘价的逻辑值作为因变量，试图用自变量预测因变量。
得到的回归方程如下：
P(第二天比(当天收盘价 1/0.99 还高)的概率=1/(1+math.exp(-t))
t=(当天 ROC6)b+(当天 RVI)*c+常项 a 。
算出来的 a,b,c 分别为(-0.7462136415415949, 0.03282832018078131, 0.019269274280473765)
然后我们假设时间回到 2014 年，我们用这个模型去交易这只股票，假设根据 ROC6 ， RVI 推测出明天股票有 50%的概率上涨，我们买入 500 手，假设明天股票有 60 的概率要上涨，我们买入 2000 手，假设 70%，我们买入 3000 手，同时未来三天不交易（将 refresh rate 调到 3 ，意味着出去玩三天，不管了）。同理，低于 0.45 就是要跌啦，那就卖出 1000 点，低于 0.4 就是要暴跌的节奏，那就第二天开盘全部卖了，留的青山在，不怕没柴烧。
结果显示，从 2014 年到 2015 年 7 月，单一只股票，买卖卖卖，年华收益 48%（扣除手续费），如果一直持有，年华收益 13%。
当然年华收益只是一方面，和最后股票价格有关，更为重要的是（一）在 2014 年整年，该股票主动管理一直优于被动管理(当然都亏了，或者说主动管理赚的钱拿去交手续费了)
二在 2012015 年 6 月 23 日，卖出订单如下
2015-06-23 卖 36,729.00, 共 1 个订单
2015-06-24 卖 38,814.00, 共 1 个订单
2015-06-26 卖 37,404.00, 共 1 个订单
2015-06-29 卖 36,709.00, 共 1 个订单
2015-06-30 卖 29,393.00, 共 1 个订单
根据算法，系统自动清盘了，神奇的避免了 7 月 1 日的大跌（说明算法还是有用的）。
从走势图看，对于机器学习，判断价值投资的买入卖出时间点意义大于波动套利（好像和量化理论不符合啊）。对于该模型，我相信肯定会有不科学的地方，而且不科学的地方肯定远多于科学的地方，未来继续发展（作死）的空间如下：
1.该模型只用了两个因子，可以考虑使用多个因子加入模型
2.该模型只用了一个股票，量化交易的前提之一是大数定理，就是一个不管用大家一起上才管用。因此还值得进一步发展的空间很多。
详细回测代码请戳： https://uqer.io/community/share/579dfb15228e5ba294061f35
 |
1
spice630 2016-12-08 11:26:15 +08:00
推广？
|
 |
2
Runer 2016-12-08 11:53:00 +08:00
软文？
|
 |
3
Xs0ul 2016-12-08 12:55:52 +08:00
那么作者有信心把这套算法投入真正的股市吗（
|
Select Language