今

日

鸡

汤

本以高难饱，徒劳恨费声。

大家好，我是Python进阶者。（文末送书）。

本文摘自清华大学出版《深入浅出Python量化交易实战》一书的读书笔记，这里把作者用KNN模式做的交易策略，换成了逻辑回归模型，试试看策略的业绩会有怎样的变化。

二话不说，上梯子，导库拉数据：

import pandas as pd
import pandas_datareader.data as web
import numpy as np
from datetime 
import datetime

数据甭多了，来个3年的：

end = datetime.date.today()
start = end - datetime.timedelta(
                    days = 365*3)

我大A股，最牛X的股票，要说是茅台，没人反对吧？那咱搞茅台的行情数据：

owB = web.DataReader('600519.ss',
                    'yahoo',
                     start, end)
cowB.head()

拉下来本仙就惊了，2019年1月的时候，大茅台才600多块钱啊！不过估计当时让本仙买，本仙也不敢。那时候我大A股过百的股票也没多少吧！


Python量化交易之预测茅台股票涨跌_神经网络

然后我按照书里的方法，做下特征工程：

cowB['open-close'] = cowB['Open'] - cowB ['Close']
cowB['high-low'] = cowB['High'] - cowB ['Low']
cowB['target'] = np.where(cowB['Close'].shift(-1) > cowB ['Close'],1,-1)
cowB = cowB.dropna()
cowB.tail()

然后就多了几列，target里面，1表示次日上涨，-1表示次日下跌：


Python量化交易之预测茅台股票涨跌_神经网络_02

下面要搞模型了：

x = cowB[['open-close','high-low']]
y = cowB['target']

拆成x和y，然后请出scikit-learn：

from sklearn.model_selection 
import train_test_split
from sklearn.linear_model 
import LogisticRegression

然后把数据集拆分成训练集和测试集：

x_train, x_test, y_train, y_test =
train_test_split(x, y, 
                 train_size = 0.8)

看看逻辑回归表现如何：

lr = LogisticRegression()
lr.fit(x_train, y_train)
print(lr.score(x_train, y_train))
print(lr.score(x_test, y_test))

结果发现，还没有书里KNN的分数高：

0.54388984509466440.5136986301369864

逻辑回归在训练集里面的准确率是54.39%，与书里KNN的准确率基本持平；但是测试集里只有51.37%，比书里的KNN模型低了差不多3个百分点。

折腾了一圈，结果并不满意。按说逻辑回归在分类任务上的表现，应该优于KNN才对啊。难道是本仙的数据噪音太大了？还是说其实这种预测本身意义就不大呢？

最后，再为大家分享如何用Python进行炒股的仓位控制！