看到我這篇文章，相信您已經是有一定的數學基礎的，隱馬爾科夫模型的介紹這里不做贅述。

目錄

ricequant研究平臺訓練模型

回測框架測試結果

ricequant研究平臺訓練模型

我們假設隱藏狀態數量是6，即假設股市的狀態有6種，雖然我們并不知道每種狀態到底是什么，但是通過后面的圖我們可以看出那種狀態下市場是上漲的，哪種是震蕩的，哪種是下跌的。可觀測的特征狀態我們選擇了3個指標進行標示，進行預測的時候假設假設所有的特征向量的狀態服從高斯分布，這樣就可以使用?hmmlearn?這個包中的?GaussianHMM?進行預測了。下面我會逐步解釋。

首先導入必要的包：

from hmmlearn.hmm import GaussianHMM import numpy as np from matplotlib import cm, pyplot as plt import matplotlib.dates as dates import pandas as pd import datetime

測試時間從2005年1月1日到2015年12月31日，拿到每日滬深300的各種交易數據。

beginDate = '2005-01-01' endDate = '2015-12-31' n = 6 #6個隱藏狀態 data = get_price('000300.XSHG',start_date=beginDate, end_date=endDate,frequency='1d') data[0:9]

?拿到每日成交量和收盤價的數據。

volume = data['volume'] close = data['close'] logDel = np.log(np.array(data['high'])) - np.log(np.array(data['low'])) logDellogRet_1 = np.array(np.diff(np.log(close)))#這個作為后面計算收益使用 logRet_5 = np.log(np.array(close[5:])) - np.log(np.array(close[:-5])) logRet_5logVol_5 = np.log(np.array(volume[5:])) - np.log(np.array(volume[:-5])) logVol_5logDel = logDel[5:] logRet_1 = logRet_1[4:] close = close[5:] Date = pd.to_datetime(data.reset_index()["date"][5:])

合并成訓練數據

A = np.column_stack([logDel,logRet_5,logVol_5]) A

將數據送入模型，進行6分類隱馬爾科夫預測

model = GaussianHMM(n_components= n, covariance_type="full", n_iter=2000).fit(A) hidden_states = model.predict(A) hidden_states

將預測的6個分類圖形畫，從圖中可觀測出紅色點陣代表牛市，綠色代表熊市，其他顏色反應微漲微跌的，震蕩等市場格局

plt.figure(figsize=(25, 18)) for i in range(model.n_components):pos = (hidden_states==i)plt.plot_date(Date[pos],close[pos],'o',label='hidden state %d'%i,lw=2)#plt.legend(loc="left")

?

從圖中可以比較明顯的看出綠色的隱藏狀態代表指數大幅上漲，淺藍色和黃色的隱藏狀態代表指數下跌。

為了更直觀的表現不同的隱藏狀態分別對應了什么，我們采取獲得隱藏狀態結果后第二天進行買入的操作，這樣可以看出每種隱藏狀態代表了什么。

從圖中可以看出在狀態3和狀態4做多可以獲得較高收益，狀態1和狀態2做空可以獲得較小損失

long = (hidden_states==3) + (hidden_states == 4) #做多 short = (hidden_states==1) + (hidden_states == 2) ?#做空 long = np.append(0,long[:-1]) #第二天才能操作 short = np.append(0,short[:-1]) #第二天才能操作 res['ret'] = df.multiply(long) - df.multiply(short) plt.plot_date(Date,np.exp(res['ret'].cumsum()),'r-')

?

最后保存模型

#保存模型 import pickle# 保存模型 with open('hmm.txt', 'wb') as f:pickle.dump(model, f)# 讀取模型 with open('hmm.txt', 'rb') as f:hmm = pickle.load(f)

回測框架測試結果

import pickle from six import BytesIO from rqfactor import * import rqdatac import datetime import numpy as np # 在這個方法中編寫任何的初始化邏輯。context對象將會在你的算法策略的任何方法之間做傳遞。 def init(context):context.stocklist = []body = get_file('hmm.txt')context.dict_model = pickle.load(BytesIO(body))context.hs300 = "000300.XSHG"# before_trading此函數會在每天策略交易開始前被調用，當天只會被調用一次 def before_trading(context):pass# 你選擇的證券的數據更新將會觸發此段邏輯，例如日或分鐘歷史數據切片或者是實時數據切片更新 def handle_bar(context, bar_dict):cnt = 16close = history_bars(context.hs300, cnt, '1d', 'close')high = history_bars(context.hs300, cnt, '1d', 'high')low = history_bars(context.hs300, cnt, '1d', 'low')volume = history_bars(context.hs300, cnt, '1d', 'volume')print(context.now)print(close)print(high)logDel = np.log(high) - np.log(low)logRet_5 = np.log(close[5:]) - np.log(close[:-5])logVol_5 = np.log(volume[5:]) - np.log(volume[:-5])logDel = logDel[5:]B = np.column_stack([logDel,logRet_5,logVol_5])ret = context.dict_model.predict(B)print(B)print(ret)if ret[-1] == 1 or ret[-1] == 2:for stock in context.portfolio.positions.keys():if context.portfolio.positions[stock].quantity > 0:order_target_percent(stock, 0)if ret[-1] == 3:order_target_percent(context.hs300, 1)# after_trading函數會在每天交易結束后被調用，當天只會被調用一次 def after_trading(context):pass

隱馬爾科夫過往10年收益曲線

總結

以上是生活随笔為你收集整理的基于ricequant隐马尔科夫模型量化交易的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。