AlphaPy-机器学习框架-量化交易-开源项目

评论
11 views

该网页主要介绍了名为AlphaPy的机器学习框架：

  1. 框架概述
  2. 是面向投机者和数据科学家的机器学习框架，用Python编写，结合了scikit-learn、pandas等库，可用于多种任务，如运行机器学习模型、分析市场、预测体育赛事、开发交易系统和分析投资组合等。
  3. 包含alphapy基础包以及在其之上运行的领域管道MarketFlow（mflow）和SportFlow（sflow），将领域管道和模型管道分离，领域管道负责将原始数据转换为规范形式（训练集和测试集），模型管道用于处理各种项目且在多次Kaggle竞赛中得到发展。
  4. 框架组件
  5. 领域管道（Domain Pipeline）：通过Python代码创建标准训练和测试数据，如组合不同数据框或收集外部时间序列数据，并转换后输入模型管道。
  6. 领域YAML（Domain YAML）：使用YAML编写的配置文件，为数据科学家提供灵活性，每个领域或应用通常有标准模板。
  7. 训练数据（Training Data）：作为外部文件以pandas数据框形式读取，分类任务中某列代表目标或因变量。
  8. 测试数据（Testing Data）：同样以pandas数据框形式读取的外部文件，分类时标签可能包含也可能不包含。
  9. 模型管道（Model Pipeline）：通用的Python代码，用于运行所有分类或回归模型，从数据开始到生成用于新预测的模型对象结束。
  10. 模型YAML（Model YAML）：控制模型管道运行的配置文件，创建模型的各个方面都通过该文件控制。
  11. 模型对象（Model Object）：所有模型保存到磁盘，可在评分模式下加载并在新数据上运行。
  12. 核心功能
  13. 主要用于监督学习任务，可生成二元分类（将元素分为两组）、多类分类（分为多个类别）和回归（根据导出系数预测实值）模型。
  14. 分类算法包括AdaBoost、Extra Trees等多种；回归算法有Extra Trees、Gradient Boosting等。
  15. 外部依赖包：在模型和领域管道中依赖一些关键包，如categorical-encoding、imbalanced-learn、pyfolio、XGBoost等，多数不在Anaconda Python平台中，需参考网络或Github获取更多信息。

github

docs

从当前仓库的文件结构和部分代码来看，这个仓库主要是一个名为 alphapy 的项目，以下是一些可能的主要功能和特性：

1. 核心类与对象管理

  • System 类：
    • 功能：用于创建新的交易系统，每个系统有唯一的名称，存储在 System.systems 这个类变量中。
    • 特性：支持设置长头寸入场条件、短头寸入场条件、长头寸出场条件、短头寸出场条件、持仓周期和是否加仓等。
  • Portfolio 类：
    • 功能：创建具有唯一名称的投资组合，所有投资组合存储在 Portfolio.portfolios 中。
    • 特性：可以设置投资组合的分组名称、标签、命名空间、最大持仓数、持仓计算依据、踢出仓位数量、踢出标准、是否限制持仓、权重计算依据、起始资金、保证金比例、最小现金比例、固定仓位比例、最大损失比例等。
  • Trade 类：
    • 功能：用于发起一笔交易。
    • 特性：记录交易的名称、交易订单类型、交易数量、交易价格和交易时间。

2. 数据处理与存储

  • np_store_data 函数：
    • 功能：将 NumPy 数据存储到文件中。
    • 特性：支持指定存储目录、文件名、文件扩展名和字段分隔符。

3. 模型相关

  • load_predictor 函数：
    • 功能：从存储中加载模型预测器，默认加载最新的模型。
    • 特性：支持从 .pkl 或 .h5 文件中加载模型预测器。

4. 环境配置

  • environment.yml 文件：
    • 功能：定义项目的运行环境依赖。
    • 特性：指定了项目所需的各种 Python 库及其版本，包括数据处理（如 pandas、numpy）、机器学习（如 scikit-learn、tensorflow）、可视化（如 matplotlib、seaborn）等方面的库。

5. 文档与项目管理

  • docs 文件夹：
    • 功能：存放项目的文档相关文件，如 Makefile、conf.py 等，用于生成项目文档。
  • .gitignore、.travis.yml 等文件：
    • 功能：用于项目的版本控制和持续集成配置。

总体来说，这个仓库可能是一个用于量化交易或金融分析的项目，包含了交易系统管理、投资组合管理、数据处理、模型加载等功能。