14. Estrategias de selección de acciones de aprendizaje automático (marco de enseñanza)

Fuente de referencia: docs/_joinquant_migration_source/Example_14_machine learning stock selection.ipynb Primera celda de Markdown.

14.1. Estrategia e ideas

• La idea original era «características de ventana deslizante + clasificación binaria SVM»;

• El marco de enseñanza enfatiza el flujo de trabajo Qteasy: feature/prediction -> signal -> backtesting;

• La implementación predeterminada evita el reentrenamiento repetido en el ciclo de backtesting, en lugar de aproximar la salida del modelo con reglas ligeras para evitar problemas de rendimiento y reproducibilidad.

14.2. Honestidad

• Si desea utilizar un modelo de aprendizaje automático real, se recomienda entrenarlo fuera de línea fuera de la política y solidificar los resultados de la predicción antes de leerlos en la política.

• Esto hace que sea más fácil evitar el sesgo directo y controlar los costos operativos del modo de optimización.

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. Script ejecutable

• examples/strategy_example_14.py