DeepAlphaNet：端对端的因子挖掘与策略构建

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：

from autogluon.core import TabularDataset
from autogluon.tabular import TabularPredictor

from engine.algos import Algo
import os
from loguru import logger
from config import DATA_DIR_MODELS


class ModelTrainer:
    def __init__(self, df, model_path="mymodel/", train_data_percent=0.8):
        self.df = df
        self.model_path = DATA_DIR_MODELS.joinpath(model_path)
        self.train_data_percent = train_data_percent

    def train(self):
        df = self.df
        split = int(len(df) * self.train_data_percent)

        train = df.iloc[:split].copy()
        test = df.iloc[split:].copy()
        label = 'label'

        # print('建议回测日期', test.index[0])

        train_data = TabularDataset(train)
        test_data = TabularDataset(test)
        predictor = TabularPredictor(label=label, path=self.model_path.resolve()).fit(train_data)
        print(predictor.leaderboard(test_data, silent=True))

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。

今天说说DeepAlphaNet。

AlphaNet的架构如上图：

输入是股票的基础价量数据。

股票池：全 A 股，剔除 ST、PT 股票，剔除每个截面期下一交易日涨跌停和停牌的股
票。
原始数据：未经过特征工程的个股量价信息，对于每只股票，将其
量价数据拼接成 9*30 的“数据图片”，30 为历史时间天数。
预测目标：个股 10 天后标准化的收益率；个股 5 天后标准化的收益率。
未来几周，将逐步复现这这个代码。

当然这里可以提升的空间还很多，比如提取特征的函数，比如网络的层数等等。

框架的造型，会考虑keras(tersorflow)dataloader重构与keras入门体验，pytorch，结构化数据我们之前分享过autogluon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）。，当然还是StockRanker(梯度提升排序算法)qlib与深度集成学习实现StockRanker，因子挖掘的gplearngplearn筛选高ic值因子，单因子回测（代码下载）等等。