| 【python量化】基于backtrader的深度学习模型量化回测框架 | 您所在的位置：网站首页 › python回测框架比较 › 【python量化】基于backtrader的深度学习模型量化回测框架 |
【python量化】基于backtrader的深度学习模型量化回测框架
|
写在前面 在本文中，我们将介绍使用PyTorch构建一个深度学习模型，并将其集成到backtrader回测框架中。具体地，我们将使用PyTorch来实现一个长短期记忆神经网络（LSTM）模型，并将其应用于股票价格预测。由于backtrader目前没有原生支持深度学习的模块，因此我们需要自己先实现一个深度学习模型，对其先进行训练与测试，然后将保存的模型与backtrader集成，以便进行回测。 1 前言 Backtrader是一个开源的Python框架，用于快速设计、测试和部署交易策略。它是基于向量化的计算方法，提供了丰富的工具和数据结构，可以方便地进行回测和交易策略的开发。使用Backtrader，可以轻松地获取、处理和分析金融市场数据，编写和优化交易策略，并进行可视化和回测。Backtrader提供了许多内置的交易指标和模拟交易器，可以帮助快速测试和评估不同的策略。如果想进一步了解Backtrader可以通过其官方网站（https://www.backtrader.com/），获取Backtrader的api文档进行学习。 2 环境配置 本地环境： Python 3.7 IDE:Pycharm库版本： numpy 1.18.1 pandas 1.0.3 sklearn 0.22.2 matplotlib 3.2.1 torch 1.10.1 tushare 1.2.60 backtrader 1.9.76.1233 代码实现 总体设计 为了实现这个基于深度学习模型的backtrader回测框架，我们可以将其分为以下模块： 1. 数据获取模块：使用tushare库获取股票历史数据，并对数据进行预处理 2. 深度学习模型模块：使用PyTorch创建一个基本的LSTM模型，通过滑动窗口的形式对股票历史数据进行训练以及测试，然后将训练好的模型进行保存，以便于回测框架的调用。 3. 量化策略模块：基于Backtrader框架实现一个基于LSTM模型的简单交易策略。这个策略会在每天收盘时调用训练好的LSTM模型，预测后面的行情是否会上涨。如果预测上涨，那么就在明天以开盘价买入，如果下跌，就在明天以开盘价卖出。 数据获取 接下来，我们将实现一个函数来获取股票历史数据，请将tushare API token替换到代码中的YOUR_API_TOKEN处。接下来，可以使用get_stock_data函数来获取指定股票的历史数据，然后将数据保存到本地，这里以招商银行两年的历史数据为例。 def get_stock_data(code, start_date, end_date, token): ts.set_token(token) pro = ts.pro_api() df = pro.daily(ts_code=code, start_date=start_date, end_date=end_date) df = df.sort_values(by="trade_date", ascending=True) # 对数据进行排序，以便滑动窗口操作 df.set_index("trade_date", inplace=True) return df stock_code = "600036.SH" start_date = "20200101" end_date = "20220101" api_token = "YOUR_API_TOKEN" data = get_stock_data(stock_code, start_date, end_date, api_token) data.to_csv('./data.csv') print(data.head())模型实现 这里用到了简单的LSTM模型进行测试，模型也没有进行进一步的调优，为了使模型具有更好的预测效果，以下是一些可能提高LSTM模型效果的方法：更改网络结构：增加层数或者增加隐藏单元数可以提高LSTM模型的表达能力。但是，太多的层数或者隐藏单元数也可能导致过拟合，所以需要在训练集和测试集上做出合理的选择。加入正则化：LSTM模型也可以使用L2正则化等方法来避免过拟合。加入更多的特征：除了开盘价之外，也可以考虑加入其他的特征，例如最高价、最低价、成交量等，以提高模型的表达能力。调整超参数：可以通过网格搜索等方法来寻找最佳的超参数组合，例如学习率、batch size、滑动窗口大小等。用到的LSTM模型代码如下： class SimpleLSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, num_classes, dropout_rate=0.2): super(SimpleLSTM, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True) self.fc1 = nn.Linear(hidden_size, hidden_size) self.relu = nn.ReLU() self.dropout = nn.Dropout(dropout_rate) self.bn = nn.BatchNorm1d(hidden_size) self.fc2 = nn.Linear(hidden_size, num_classes) self.sigmoid = nn.Sigmoid() def forward(self, x): h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size) out, _ = self.rnn(x, h0) out = self.fc1(out[:, -1, :]) out = self.relu(out) out = self.dropout(out) out = self.bn(out) out = self.fc2(out) out = self.sigmoid(out) return out接下来，我们需要对数据集进行划分，这里只用到了股票数据的收盘价来构建数据集。首先，先对原始数据进行归一化处理，然后使用滑动窗口的形式输入过去一段时间的收盘价，以预测未来三天的收盘价是否会上涨，最后，我们需要将数据转换成适用于模型训练的形式： def create_dataset(stock_data, window_size): X = [] y = [] scaler = MinMaxScaler() stock_data_normalized = scaler.fit_transform(stock_data.values.reshape(-1, 1)) for i in range(len(stock_data) - window_size - 2): X.append(stock_data_normalized[i:i + window_size]) if stock_data.iloc[i + window_size + 2] > stock_data.iloc[i + window_size - 1]: y.append(1) else: y.append(0) X, y = np.array(X), np.array(y) X = torch.from_numpy(X).float() y = torch.from_numpy(y).long() return X, y, scaler之后，划分训练集跟测试集并对模型进行训练与测试，并对训练好的模型进行保存，以便于后面在backtrader策略中进行调用： X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) train_data = TensorDataset(X_train, y_train) train_loader = DataLoader(train_data, batch_size=32, shuffle=True) model = SimpleLSTM(input_size, hidden_size, num_layers, num_classes) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-4) num_epochs = 200 # 训练模型 for epoch in range(num_epochs): for i, (batch_X, batch_y) in enumerate(train_loader): outputs = model(batch_X) loss = criterion(outputs, batch_y) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch + 1) % 10 == 0: print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}') print('Finished Training') torch.save(model.state_dict(), 'lstm_model.pth') model.eval() with torch.no_grad(): correct = 0 total = 0 test_data = TensorDataset(X_test, y_test) test_loader = DataLoader(test_data, batch_size=32, shuffle=False) for batch_X, batch_y in test_loader: outputs = model(batch_X) _, predicted = torch.max(outputs.data, 1) total += batch_y.size(0) correct += (predicted == batch_y).sum().item() print(f'Accuracy of the model on the test data: {100 * correct / total}%')backtrader策略实现 下面构建backtrader的策略，首先在Strategy中加载保存的模型，然后在next中每次收盘时对模型进行调用。需要注意的是这里通过滑动窗口的形式进行预测，所以定义了一个counter变量用来计算是否收集到了足够的数据。之后将窗口的数据进行归一化输入模型，并根据模型的预测结果来决定下一个交易的交易行为。这里的交易规则简单的定为，如果预测未来会上涨且没有仓位就在下一交易日开盘买入，如果预测未来会下跌且持有仓位就在下一交易日开盘卖出。回测时本金10000，每次交易只进行一手，佣金设置为万五。 # 构建策略 class LSTMStrategy(bt.Strategy): def __init__(self): self.data_close = self.datas[0].close self.model = SimpleLSTM(input_size, hidden_size, num_layers, num_classes) self.model.load_state_dict(torch.load('lstm_model.pth')) self.model.eval() self.scaler = scaler self.counter = 1 def next(self): if self.counter < window_size: self.counter += 1 return previous_close_prices = [self.data_close[-i] for i in range(0, window_size)] X = torch.tensor(previous_close_prices).view(1, window_size, -1).float() X = self.scaler.transform(X.numpy().reshape(-1, 1)).reshape(1, window_size, -1) prediction = self.model(torch.tensor(X).float()) max_vals, max_idxs = torch.max(prediction, dim=1) predicted_prob, predicted_trend = max_vals.item(), max_idxs.item() if predicted_trend == 1 and not self.position: # 上涨趋势 self.order = self.buy() # 买入股票 elif predicted_trend == 0 and self.position: # 如果预测不是上涨趋势且持有股票，卖出股票 self.order = self.sell() # Load test data test_data = pd.read_csv('data.csv', index_col=0, parse_dates=True) # Create a cerebro entity cerebro = bt.Cerebro(runonce=False) # Add data to cerebro data = bt.feeds.PandasData( dataname=test_data, datetime=None, open=1, high=2, low=3, close=4, volume=8, openinterest=-1) cerebro.adddata(data) # Add strategy to cerebro cerebro.addstrategy(LSTMStrategy) # 本金10000，每次交易100股 cerebro.broker.setcash(10000) cerebro.addsizer(bt.sizers.FixedSize, stake=100) # 万五佣金 cerebro.broker.setcommission(commission=0.0005) # Print out the starting conditions print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue()) # Run over everything cerebro.run() # Print out the final result print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue()) # Plot the result cerebro.plot()策略运行效果 首先，对模型进行训练跟测试，经过多个epoch的迭代，训练的模型在测试集实现了66%的分类准确性。 Finished Training Accuracy of the model on the test data: 66.3157894736842%之后调用backtrader回测引擎进行回测。回测结果的可视化如下图所示，可以看出每次交易一手，回测结束后的资金是11686.92，前期有多次亏损，中间模型捕捉到了一次大的上涨趋势，后面也是多次正的收益。
4 总结 本文构建的交易策略使用了深度学习模型来构建交易信号，并通过backtrader框架实现量化回测。相比传统技术分析方法，使用深度学习模型可以更好地利用历史数据的信息，丰富交易策略。同时，使用backtrader框架可以简化回测的流程，自动化交易决策，并且提供丰富的可视化工具，方便用户进行回测结果的分析和优化。这个框架只是简单将backtrader框架用于深度学习模型的历史回测，所以还有很多可以改进的地方，例如加入过滤条件，进行样本外测试，更换其他模型，引入更多特征等。总之，本文基于backtrader提供了一种基于深度学习构建回测框架的思路，感兴趣的读者可以基于此框架，对更多深度学习、机器学习模型进行测试。 本文内容仅仅是技术探讨和学习，并不构成任何投资建议。 获取完整代码与数据以及其他历史文章完整源码与数据可加入《人工智能量化实验室》知识星球。
《人工智能量化实验室》知识星球
加入人工智能量化实验室知识星球，您可以获得：（1）定期推送最新人工智能量化应用相关的研究成果，包括高水平期刊论文以及券商优质金融工程研究报告，便于您随时随地了解最新前沿知识；（2）公众号历史文章Python项目完整源码；（3）优质Python、机器学习、量化交易相关电子书PDF；（4）优质量化交易资料、项目代码分享；（5）跟星友一起交流，结交志同道合朋友。（6）向博主发起提问，答疑解惑。 |
【本文地址】