原创文章第355篇,专注“个人成长与财富自由、世界运作的逻辑与投资"。 前面的工作,我们的框架基本完成了量化的基础工作,后续正式进入AI的部分。AI量化系统Quantlab V1.7代码更新,支持pybroker引擎,含大类资产风险平价及波动率策略源码集,平均年化15% AI前沿已经进入了AutoML的阶段,就是让机器进行机器学习。 把这一部分技术用于赋能金融投资,是非常有意义的事情。自动化机器学习,仅需要提供数据,AI将进行特征工程,模型选择,参数优化,模型更新及自动化部署等一系列工作,意味着,机器可以根据最新的数据、市场环境自主进化。 想想是不是非常美好。 当然,金融与其他行业不同,一步到位是不可能的。 但这个方向一定是正确的,越早拥抱越好,传统投资一直有生命力,但很累对不对,建立好一个系统,让系统为我们工作,这本身不就是被动收入——“睡后收入”的定义么? 之前我们分享过autogluon相关的文章: 年化26.8%,夏普1.28,单向做多螺纹钢的期货策略,Autogluon机器自主调参(策略+代码下载)。 使用AutoGluon的话,代码特别简洁,我们的数据及特征是已经计算好的: autogluon.core TabularDataset autogluon.tabular TabularPredictor engine.algos Algo os loguru logger config DATA_DIR_MODELS ModelTrainer: (dfmodel_path=train_data_percent=): .df = df .model_path = DATA_DIR_MODELS.joinpath(model_path) .train_data_percent = train_data_percent (): df = .df split = ((df) * .train_data_percent) train = df.iloc[:split].copy() test = df.iloc[split:].copy() label = train_data = TabularDataset(train) test_data = TabularDataset(test) predictor = TabularPredictor(=label=.model_path.resolve()).fit(train_data) (predictor.leaderboard(test_data=)) 自动训练13个模型: 训练集55.8%,测试集50.8%(有一定的正概率,但还不明显,这是符合预期的,如果这么容易,那硅谷的大神岂不分分钟“攻陷”华尔街。。。)。 明天我们使用再引入深度神经网络,使用keras(tensorflow搭建深度网络),来分析,对比,优化。 |
|