Python算法交易

通过机器学习预测市场动向

｜

155

In [45]: hits = np.sign(data['return'] *

data['prediction']).value_counts()

In [46]: hits

Out[46]: 1.0 1301

-1.0 1191

0.0 13

dtype: int64

In [47]: hits.values[0] / sum(hits)

Out[47]: 0.5193612774451097

这直接使用要预测的数据“

return

”列的符号来进行回归。

另外，对于预测步骤仅符号是相关的。

5.1.6

基于回归策略的向量化回测

到目前为止，仅使用命中率并不能充分说明使用线性回归的交易策略的经济潜力。

众所周知，在给定的时间段内，市场上十个最佳和最差的日子会极大地影响投资的

整体表现。

注

2

在理想的世界中，多空交易者当然会尝试从适当的市场时机指数的基

础上，分别通过做多和做空来选择最佳和最差的日子而受益。与当前情况相比，这

意味着除了命中率之外，市场时机的质量也很重要。因此，按照第

4

章中的方法进

行回测可以更好地了解用于预测的回归值。

给定已经可用的数据，向量化回测可归结为两行

Python

代码，包括可视化。这是由

于以下事实：预测值已经反映了市场头寸（多头或空头）。图

5-6

展示了在当前假设下，

该策略的表现明显优于市场（尤其是忽略交易成本）：

In [48]: data.head()

Out[48]: ...