今天分享一个简单的XGBoost选股模型。

导入包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 解决坐标轴刻度负号乱码
plt.rcParams['axes.unicode_minus'] = False
# 解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['Simhei']

一、读入数据

我们的数据是沪深300成分股2013-2016年每个季度的包括盘面信息、基本面信息的17个因子特征。

data = pd.read_csv("300Data.csv")
data.head()

源数据

可以看一下我们的17个因子：

data['factor'].unique()

因子特征

二、特征工程

我们首先要定义label：
下个季度股价涨跌幅超过沪深300指数的涨跌幅，则我们认为本季度该股票应该买入，label设为1；否则为0。
首先找出沪深300每个季度的涨跌幅作为benchmark，计算出每只成分股每个季度相对于基准的涨跌幅。

# 获取每只个股每个季度的涨跌幅
p_chg_df=data[data['factor']=='涨跌幅']
# 找到沪深300的季度涨跌幅
p_chg300=p_chg_df[p_chg_df['stock']=='沪深300']
p_chg300

沪深300季度涨跌幅

# 计算每只成分股每个季度相对于基准的涨跌幅
for col in p_chg_df.columns[2:]:
    p_chg_df[col]=p_chg_df[col] - p_chg300.loc[563,col]         # 沪深300的索引是563，这一步计算每只股票对于沪深300的相对涨幅

p_chg_df.head()

季度相对涨跌幅

这里需要注意，我们计算的是本季度相对于基准的涨跌幅，但我们本季度【是否买入】应该根据下一季度相对涨跌幅的情况而定。

# 获取下一季度的超涨跌幅
p_chg_df.iloc[:,2:]=p_chg_df.iloc[:,2:].shift(-1,axis=1)
p_chg_df.head()

下一季度相对涨跌幅

接来下我们需要将每只股票每个季度的17个因子提出来，作为一条记录。

# 定义数据转换函数，行名为股票名，列名为特征名
def transform_data(df, value):
    result = (df.pivot_table(index=df['stock'], columns=[
              df['factor']], values=value).reset_index())
    return(result)

header=[i for i in data.columns if 'Q' in i]  # 存储每个季度的名字

column=list(data['factor'].unique())          # 存储特征名
column.append('超涨幅')

stock_df = pd.DataFrame(columns = column) 

for col in header:
    df=transform_data(data, col)
    df=df.merge(p_chg_df[['stock',col]],on='stock',how='left')
    df.rename(columns={col:'超涨幅'},inplace=True)
    stock_df=stock_df.append(df,ignore_index=True)

stock_df['是否买入']=np.where(stock_df['超涨幅']>0,1,0)
stock_df.head()

特征

# 空值处理：由于如果用填充法需要行业数据，我们这里直接简单粗暴删除空值行
stock_df1=stock_df.dropna(axis=0)

stock=stock_df1.copy()

y=stock['是否买入'].values

del stock['stock']
del stock['超涨幅']
del stock['是否买入']

X=stock.values

print('特征维度是{}\n标签维度是{}'.format(X.shape,y.shape))

image.png

pd.Series(y).value_counts()

标签分布

可以看到，涨跌记录数量相差不大，不存在数据不平衡的问题。

三、建立XGBoost模型

# 划分训练集和测试集
from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=420)

import xgboost as xgb
from sklearn import metrics

dtrain=xgb.DMatrix(X_train,label=y_train)
dtest=xgb.DMatrix(X_test)

# 给定模型参数
params={'booster':'gbtree',
    'objective': 'binary:logistic',
    'eval_metric': 'auc',
    'max_depth':8,
    'gamma':0,
    'lambda':2,
    'subsample':0.7,
    'colsample_bytree':0.8,
    'min_child_weight':3,
    'eta': 0.2,
    'nthread':8,
     'silent':1}
# 用于观察弱分类器训练过程
watchlist = [(dtrain,'train')]
# 建立xgboost模型
bst=xgb.train(params,dtrain,num_boost_round=100,evals=watchlist)
# 涨跌概率
y_prob=bst.predict(dtest)
# 设置阈值, 输出一些评价指标
y_pred = (ypred >= 0.5)*1
# 获取真阳率、伪阳率、阈值
fpr_xgb,tpr_xgb,threshold_xgb = metrics.roc_curve(y_test,y_prob) 
auc_xgb = metrics.auc(fpr_xgb,tpr_xgb)                             # AUC得分
score_xgb = metrics.accuracy_score(y_test,y_pred)                  # 模型准确率
print([score_xgb,auc_xgb])

最终预测准确率为57.62%，AUC值为0.6096。

可以看到，这个结果并不高。当然，一是因为股市预测中扰动因素太多，很难有非常高的预测准确率，二是本例仅仅是一个简单的建模过程，大家有兴趣，可以通过选取其他因子、重新定义标签、对xgboost模型进一步调参（小白这里模型参数都是直接从我别的案例里拷过来的并未调参）等方式改进，相信会有一个更佳的结果。