14. Strategien zur Aktienauswahl mittels maschinellen Lernens (Lehrrahmen)

Referenzquelle: docs/_joinquant_migration_source/Example_14_machine learning stock selection.ipynb Erste Markdown-Zelle.

14.1. Strategie und Ideen

• Die ursprüngliche Idee war „Gleitfenstermerkmale + binäre SVM-Klassifizierung“;

• Das Lehrkonzept betont den Qteasy-Workflow: feature/prediction -> signal -> backtesting;

• Die Standardimplementierung vermeidet wiederholtes Nachtrainieren im Backtesting-Zyklus und approximiert stattdessen die Modellausgabe mit leichtgewichtigen Regeln, um Leistungs- und Reproduzierbarkeitsprobleme zu vermeiden.

14.2. Ehrlichkeit

• Wenn Sie ein echtes Machine-Learning-Modell verwenden möchten, empfiehlt es sich, dieses offline außerhalb der Policy zu trainieren und die Vorhersageergebnisse zu festigen, bevor Sie sie in die Policy einlesen.

• Dadurch wird es einfacher, Vorwärtsverzerrungen zu vermeiden und die Betriebskosten des Optimierungsmodus zu kontrollieren.

from examples.strategies.example_strategies import Example14MLSkeleton
import qteasy as qt

stg = Example14MLSkeleton()
op = qt.Operator(stg, signal_type='PS')
op.op_type = 'stepwise'
op.set_blender('1.0*s0')
res = qt.run(
    op,
    mode=1,
    asset_type='E',
    asset_pool=['600000.SH'],
    benchmark_asset='600000.SH',
    invest_start='20190101',
    invest_end='20211231',
    invest_cash_amounts=[1000000],
    trade_batch_size=100,
    sell_batch_size=1,
    trade_log=True,
)

14.3. Ausführbares Skript

• examples/strategy_example_14.py