【视频讲解】Python用LSTM、Wavenet神经网络、LightGBM预测股价

原文链接：https://tecdat.cn/?p=37184

原文出处：拓端数据部落公众号 

分析师：Yuyan Ye

在金融科技的浪潮中，量化投资方法以其数据驱动和模型导向的特性，日益成为资本市场分析的重要工具。
特别是，长短期记忆网络（LSTM）、Wavenet以及LightGBM等先进的机器学习算法，因其在时间序列预测中的卓越性能，被广泛应用于股票价格预测领域。LSTM作为一种特殊的循环神经网络，擅长捕捉时间序列数据中的长期依赖关系[1]。而Wavenet，最初设计用于生成原始音频波形[2]，其在金融市场的非线性模式识别中也展现出了潜力。此外，LightGBM作为一种基于梯度提升决策树的算法，以其训练速度快、效率高而受到量化投资者的青睐[3]。

本文将通过视频讲解，展示如何基于 LightGBM 的多因子选股策略，并结合一个Python用LSTM、Wavenet、LightGBM预测股价的代码数据，为读者提供一套完整的实践数据分析流程。

基于 LightGBM 的多因子选股策略

在科学技术高速发展及计算机领域重大突破的背景下，金融量化事业蓬勃兴起。本文聚焦国内量化投资环境，以沪深 300 成分股 2014 年 1 月至 2020 年 12 月的 26 个因子数据为基础，构建多因子选股模型。模型构建涵盖数据预处理、因子筛选、模型参数寻优、模型构建与结果分析及优化等环节。该模型基于 LightGBM 算法，以沪深 300 成份股为备选股票池，旨在筛选出具有投资价值的股票。总体而言，此多因子选股模型能够持续获取正收益。

目录

股票作为一种所有权凭证，公司发行股票旨在筹集资金并向股民承诺分红。自股票诞生以来，尽管股票投资风险较大，但相较于债券和基金投资，其灵活性强、门槛低且收益潜力高，深受广大投资者青睐。然而，我国股票市场种类繁多，如何在当前背景下实现股票投资并获取稳定超额收益，成为投资者和学者的重要研究课题。

量化投资与传统定性投资的理论基础相似，均旨在构建能把握市场趋势、获取额外或超额收益的投资组合。二者的核心差异在于选股方式，量化投资凭借算法和模型学习投资经验，借助强大计算能力的计算机选股，而传统投资依赖主观经验。凭借计算机的运算能力和机器学习模型算法优势，量化投资在资本市场上有望大放异彩，成为投资领域的重大创新。

原理

本文选用基于 LightGBM 算法的多因子选股模型。LightGBM 是 boosting集合模型之一，可高效实现 GBDT。它采用损失函数的负梯度作为当前决策树的残差近似值，用以拟合新的决策树。

优点

与原理和功能相近的 XGBoost 相比，LightGBM 具有内存占用低、训练效率高、准确率优、支持并行化学习、可处理大规模数据以及直接支持类别特征等诸多优势。

大多数机器学习工具无法直接支持类别特征，需转化为 one-hotting 特征，影响效率。而 LightGBM 优化了对类别特征的支持，可直接输入，且在决策树算法中增加类别特征决策规则。

在特征并行方面，不同机器在不同特征集合上寻找最优分割点并同步；数据并行则是本地构造直方图后全局合并寻找最优点。LightGBM 针对这两种并行方法均做了优化，特征并行中本地保存全部数据避免通信，数据并行中分散规约降低通信和计算量，利用Histogram 做差进一步减少通信量。

本文通过聚宽平台的数据接口获取沪深 300 指数成份股上市公司 2014 年 1 月至 2020 年 12 月的相关财务数据。聚宽平台是量化交易平台，提供专业清洗的数据及常用因子和第三方数据库，还提供专用数据接口。

本文每月对沪深 300 股票进行如下处理：

1. 删除上市不足 3 个月的股票数据，因其股价变动大。

2. 删除截面期停牌的股票数据，停牌期间不交易。

3. 剔除历史上被特别处理的股票，因其股价变动大且有退市风险。

4. 对缺失值按聚宽行业分类用行业均值填充。

5. 进行中性化和标准化处理。

经上述预处理，最终获得 5040 只股票数据。

在资本市场中，股票超额收益由不同因子共同作用产生，因子选取对选股模型至关重要。为充分解释股票超额收益，本文从多维度选取 26 个合理因子，并分为六类：

1. 成长因子：包括营业收入同比增长率、经营活动中产生的现金流量净额入同比增长率、净利润同比增长率，代表公司实力和发展前景。

2. 估值因子：包括净利润现金含量/总市值、净利润同比增长率/市盈率、市盈率的倒数、市净率的倒数、市销率的倒数和净资产收益率，反映股票市场价值。

具体因子描述和选择原因见表 1。

表 1 26 因子介绍

为构建多因子量化模型，需三类数据：预训练数据、模型训练数据和预测数据。前两类为有标签股票数据，预测数据无标签。（见表 2）2014 年 1 月至 2020 年 12 月期间，每月为一截面，获取相应股票的 26 个因子数据。2014 - 2018 年数据中，标签依据各股票下月日度收益率均值评定：若下月日度收益率均值位于所有股票前 30，则设为 1；若位于后 30，设为 -1；其余舍去。如此处理，每个截面期可得 60 条数据。

表 2 数据集分类及用途

本文先以 2014 年 1 月至 2017 年 12 月的预训练数据调整 LightGBM 模型的最优参数。

参数调优在机器学习领域至关重要，因很多模型算法无解析解，需通过多种方法求解参数。其主要目的是改进模型，调整参数，使模型预测表现更优，以实现选股目标。虽非本文重点，但可提升模型表现，是建模不可或缺的环节。本文对每组超参数进行交叉验证，选取评分最高的超参数用于进一步模型训练。

预训练得到的最优参数设置如表 4 所示，模型最佳得分为 0.605148，精确度尚可。

表 4 预训练数据下的模型最优参数

为进一步检验量化选股模型的实用性和收益率，本文通过历史数据训练模型并选出高收益股票，在模拟炒股平台测试选股收益。具体流程为：每次训练时，滚动取前 4 个月数据，如 2018 年 1 月 31 日选股，选取 2017 年 10 月至 2018 年 1 月数据，用 2017 年 10 月至 12 月训练模型，代入 2018 年 1 月 300 支股票数据预测，选出概率大于 0.8 的股票进行模拟炒股投资。

由上图可知，本策略收益率为 186.49%，年化收益率为 43.40%，超额收益率为 121.60%，基准收益率为 29.29%。策略收益后期高于沪深 300 指数收益率。总体而言，此多因子选股模型能够持续获取正收益。

可观察到，尽管三年策略总收益达 186.49%，但直至 2019 年 10 月 24 日之前，策略效果不显著，且回撤一度达 33.35%。为降低策略下行风险，进行优化并设置不同止损策略。

设置 10%的止损策略：对跌破成本价 10%的股票予以清仓。

可观察到策略回撤从 33%降至 28%。

止盈止损策略采用动态止盈止损：对当前股价低于持股期间最高价的百分之五的股票平仓，以严格控制股票收益回撤。

可观察到策略最大回撤进一步降至 19%，但策略收益大幅下降，因该止损策略可能错过股票池中某些股票的回升期。

LSTM、Wavenet、LightGBM预测苹果公司股价

1. 数据加载与可视化

首先，我们加载并可视化了苹果公司（AAPL）的股票价格数据集。通过使用Pandas库，我们读取了CSV文件，并使用head函数展示了数据集的前几行，以确保数据的完整性和准确性。

1.   df = pd.read_csv("/content/drive/MyDrive/Github/Time-series_price_analysis/dataset/AAPL.csv")
2.   df.head()

接下来，我们使用Matplotlib库绘制了股票收盘价随时间变化的图表，以60%的透明度和自动调整的尺寸，为读者提供了一个直观的视角来理解数据的波动性。

1.   plt.figure(figsize=(20,8))
2.   plt.plot(date, close)

2. 数据预处理

在数据预处理阶段，我们采用了最小-最大归一化方法来缩放数据，确保所有特征值都位于0到1的范围内。这有助于改善模型的性能，特别是在处理具有不同量级的数据时。

scaler = MinMaxScaler(feature_range=(0,1))

此外，我们将数据集划分为训练集和测试集，其中训练集占总数据的79.5%，以确保模型在足够多的数据上进行训练，同时保留足够的数据用于评估模型的泛化能力。

train_size = int(len(close)*0.795)

3. 模型评估

在模型评估阶段，我们使用了长短期记忆网络（LSTM）对训练集和验证集进行了预测。预测结果与实际数据的对比，为我们提供了模型性能的初步评估。

1.   lstm_train_predicton = loaded_lstm.predict(lstm_trainx)
2.   lstm_val_prediction = loaded_lstm.predict(lstm_valx)

4. 结果可视化

为了更直观地展示模型的预测结果，我们绘制了LSTM和Wavenet模型的预测值与实际数据的对比图。图表的尺寸和透明度经过调整，以便于读者清晰地观察预测值与实际值之间的差异。

1.   plt.figure(figsize=(20,8))
2.   plt.plot(date[-len(orig_y_val):], lstm_val_pred, label='LSTM')
3.   plt.plot(date[-len(orig_y_val):], wave_val_pred, label='Wavenet')
4.   # plt.plot(date[-len(orig_y_val):], lgbm_val_pred, label='LightGBM')
5.   plt.plot(date[-len(orig_y_val):], orig_y_val, label='Real data')

我们还提供了一个放大的视图，以便读者能够更细致地观察模型预测的精确性。

1.   plt.figure(figsize=(20,8))
2.   plt.plot(date[-len(orig_y_val):], lstm_val_pred, label='LSTM')

参考文献

[1] Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
[2] Van Den Oord, A., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., ... & Kavukcuoglu, K. (2016). WaveNet: A Generative Model for Raw Audio. arXiv preprint arXiv:1609.03499.
[3] Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., ... & Liu, T. Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30.

关于分析师

在此对分析师Yuyan Ye对本文所作的贡献表示诚挚感谢，他在首都经济贸易大学完成了金融与监管科技专业的本科学位，专注人工智能领域。擅长Python、深度学习、机器学习、数据采集、数据可视化。