- 小瓦的故事——从零开始
本书源于一个真实的故事， 故事的主角是一位名叫小瓦的姑娘。小瓦出生在一个普通的家庭， 父母都是老实淳朴的普通人， 靠着并不丰厚的收入把小瓦养育成人。 18岁那年， 小瓦考上了一所不好不坏的大学， 所学专业是一个就业前景算不上理想的专业。 再加上她本身也谈不上出色， 说她是一个现实版的“灰姑娘”也不为过。 综上所述， 小瓦应该是一个有点危机感的孩子， 实际上她也确实有改变现状的想法。 因此， 我们的任务就是帮助小瓦实现她的愿望。 当然， 千里之行， 始于足下。
对于小瓦这种初学者来说， 有一个特别好的消息， 即在Python中实现各种不同的机器学习算法是非常容易的， 有各种各样的第三方库可以直接调用， 如久负盛名的scikit-learn、 深度学习框架TensorFlow、Pytorch及很容易上手的Keras等。 在本节中， 我们就帮助小瓦来熟悉一下scikit-learn的基本使用方法。
3.2.1 KNN算法的基本原理
第8章 因子遇到决策树与随机森林
在第7章中， 我们和小瓦一起使用股票的财务因子训练了一个线性模型， 并据此设计了一个交易策略。 经过回测， 该策略可以带来一定的投资收益——年化收益率为5.55%——这样的收益水平确实很难让人满意。 因此， 在本章中， 我们要对策略进行调整。 调整方式包括使用更多的因子、 更换模型的算法、 调整交易策略等。
本章的主要内容如下。
决策树和随机森林的原理与使用方法。
使用决策树判断因子的重要程度。
使用随机森林模型进行选股。编写更精细的交易策略并回测。
第9章 因子遇到支持向量机
在第8章中， 我们和小瓦一起尝试了使用决策树来判断因子的重要性， 并使用模型挑选出的诸多因子训练了随机森林模型， 又根据随机森林的预测编写了策略， 最终实现了5.98%的年化收益率， 比第7章中5.55%的年化收益率稍微高了一点。 然而， 这远没有达到小瓦的预期， 而且策略的最大回撤还是有点儿大。 因此， 在本章中， 我们继续尝试新的因子和算法， 进一步改进策略。
本章的主要内容如下。
支持向量机的原理和使用方法。
使用模型选择动态因子。
编写动态因子结合支持向量机的交易策略。对策略进行回测。
根据策略进行模拟交易。
网盘分享地址：https://pan.baidu.com/s/1AXExG1KM2eG3SYu4cmsBkw?pwd=t9ma 分享码：t9ma
