同花顺-圈子

　　导读：北京时间 1 月 25 日凌晨 2:00 ,Deep Mind公布了其录制的 AI 在《星际争霸 2》中与2位职业选手的比赛过程，最终结果是人类1:10输给AI！自AI在围棋界横扫人类后，首次在游戏界大展身手。本篇文章以AI为中心，运用9种常见的机器学习算法，预测A股上证50指数明日涨跌，让我们看看AI是否靠谱? 各种机器学习算法预测股市指数涨跌的表现如何？

　　1.哪些数据可能会影响指数明日涨跌？

　　在AI预测指数涨跌的这事儿上，我们首先来想个问题：哪些数据会影响指数明日涨跌？

　　- 大晴天？紫外线强度？PM2.5？

　　- 不不不，“种瓜得瓜，种豆得豆”，咱们考虑点靠谱的

　　- 指数的高、开、低、收、成交量、成交额？

　　- 开始靠谱起来~

　　“哪些数据会影响指数明日涨跌”的这个问题非常重要！留给大家想象空间

　　那么本文主要收集了三项数据：

　　1.指数成份股内净上涨股票数占比：（当日上涨数-当日下跌数）/当日指数成分股总数

　　2.指数成份股平均涨跌幅：当日所有指数成份股的涨跌幅均值

　　3.指数成份股平均资金净流入率：当日所有指数成份股的资金净流入率均值

　　2.单日数据获取

　　以上证50指数，2019年1月23日为例，我们获取上述三项数据

　　数据表 - 2019年1月23日上证50指数

　　该项数据打上标签，now up代表当日涨跌幅，now label代表当日标签，1为上涨，-1为下跌，next up代表下一个交易日涨跌幅，label代表下一个交易日标签，1为上涨，-1为下跌。

　　标签表 - 2019年1月23日上证50指数

代码展示（文末获取完整代码） 　　

　　3.多维数据获取及展示

　　根据单日获取方式，我们获取上证50指数，从2014年1月1日至2019年1月23日的所有数据，并以标签分为2类，即：次日上涨（红点）和次日下跌（绿点），以2D、3D图的形式展示，以便进行数据观察：

　　ps：注意使用当日标签会产生未来函数，因此要用次日标签

指数涨跌分类下的数据空间分布-3D展示图 　　

　　从指数成份股平均资金净流入率分析，数值大于20%时，次日标签基本为-1，即绿色下跌，在数值小于-20%时，次日标签基本为1，即红色上涨，分析：单日指数成份股平均资金净流入率较高时，往往导致次日指数下跌，反之，导致次日指数上涨。

指数涨跌分类下的资金净流入数据-平面图 　　

指数涨跌分类下的净上涨数占比数据-平面图 　　

指数涨跌分类下的平均涨幅数据-平面图 　　

　　4.机器学习算法训练并测试，以KNN为例

　　获取整个时间序列的数据后，我将数据分割成两段，前一段用于模型训练，后一段用于模型测试，后一段数据长度为近250个交易日，以KNN为例，我们进行模型训练和测试，其其中KNN模型的n_neighbors参数设置为30。

　　模型训练和测试时的成功率分别：56%与55%

代码展示（文末获取完整代码） 　　

　　虽然我们的训练出来的模型在测试时，成功率不高，但是在指数择时上，是否能躲避大跌的交易日是影响择时效果的重要因素，因此我们将KNN模型写成模拟策略：当KNN预测明日上涨，则尾盘集合竞价买入，预测明日下跌，则尾盘集合竞价卖出，绘制KNN预测收益走势图：

　　从结果分析：KNN策略全年净值达到1.1344，收益率达到13.44%，同期上证50指数净值下滑到0.7941，KNN不仅获取超额收益，而且还在熊市行情取得正收益~

KNN收益走势图（日频）-预测上证50指数 　　

　　KNN模型在预测时，不仅会返回明日涨跌标签，而且返回涨跌概率，我们以上涨概率作为买入仓位，即明日上涨概率为66%，则买入66%的仓位，如果判断下跌，则卖出，以此我们来绘制仓位版的KNN预测收益走势图：

　　从结果分析：仓位版对风险有更好的把控，在2018年上半年，仓位版亏损较少，但是在下半年，仓位版的获利能力明显减弱。

KNN收益走势图（仓位版）-预测上证50指数 　　

代码展示（文末获取完整代码） 　　

　　5.武林大会至之机器学习算法PK

　　最后，激动人心的时候到了，我们把常见的机器学习算法都拿来预测指数涨跌，其采用上文的数据和时间戳，分别对tree、KNN、SVM、XGBClass等九大算法进行训练和测试，并将收益走势图绘制与同一画板上，大会比赛过程资料：

九大算法“肉搏”-收益走势图 　　

　　ps:“肉搏”：算法均为默认参数

　　九大算法成绩公示

　　结束语：回归正题，从AI预测上证50指数这事儿看，我们可以初步判断：不同的AI算法，其预测的效果有明显差异，因此我们在考虑使用AI预测指数上涨下跌的时候，可以从不同的算法角度出发，筛选出更适合预测指数涨跌的算法，而不仅仅局限于用一种算法进行参数拟合。

　　参考文献

　　MindGo量化研究所精选文章

　　熊市中的摇钱“树”

　　从资金数据中挖掘市场超额收益【附策略】

　　资金流动强度与风格投资