mikawawawa / quant

some test for quant

##我也不知道该怎么解释的东西

这个策略的主要逻辑是用市场偏好确定选股范围，用lstm确定第二天需要跟踪的股票池，在分钟级策略中，用AR模型来快速确定出手与否，不过具体要做的东西应该还任重道远。

mindgo平台提供了tensorflow、numpy、pandas等常见库，tf的时间序列库包含了lstm和ar的功能，所以具体实现时，只需要参考google提供的示例代码即可，大部分关键参数我已经标注出来了，但是调参没有怎么调，选择什么数据范围、选择延时、预测期数都需要在回测中去实践

##文件目录

• 对应模型的代码
  • ar.py
  • lstm.py
• 参考图像
  • ar_result.jpg
  • lstm_result.jpg
• 数据源
  • growth.csv（成长股股指）
  • multivariate_periods.csv(google示例用)
• 示例代码
  • lstm_g.py（google官方示例）

##数据源 这里的数据源是从csv文件中获取的，我用了两种读法

# 从csv中读取数据

csv_file_name = './grove.csv'
reader = tf.contrib.timeseries.CSVReader(csv_file_name)
#ar.py

---

# 通过numpy的array

csv_file_name = './growth.csv'
csv = pd.read_csv(csv_file_name, names=['date', 'radios'])
_temp = csv.sort_values('date')
data = {
    tf.contrib.timeseries.TrainEvalFeatures.TIMES: _temp['date'].as_matrix(),
    tf.contrib.timeseries.TrainEvalFeatures.VALUES: _temp['radios'].as_matrix(
    )
}
reader = NumpyReader(data)

mindgo自有的数据接口不知道返回什么，但是第二种比较通用，总能绕道numpy的array吧 第二种是先用pandas读取csv形成dataframe，然后取一个series，转换成array

##具体代码 我是谁，我在哪里，Google里的大神都是人才...

##输出 lstm部分

	observed_times = evaluation["times"][0]
    observed = evaluation["observed"][0, :, :]
    evaluated_times = evaluation["times"][0]
    evaluated = evaluation["mean"][0]
    predicted_times = predictions['times']
    predicted = predictions["mean"]

ar部分

    evaluation_input_fn = tf.contrib.timeseries.WholeDatasetInputFn(reader)

    evaluation = ar.evaluate(input_fn=evaluation_input_fn, steps=1)

    # 这里的step是预测期数
    (predictions,) = tuple(ar.predict(
        input_fn=tf.contrib.timeseries.predict_continuation_input_fn(
            evaluation, steps=10)))