爱建证券官方下载最新解读人工智能系列之，人工智能与Python选股实战

本文是一篇介绍使用Python构建完整机器学习选股模型的强文。说它是强文原因有二：第一是因为完整。从工具的安装使用，到机器学习的方法，再至架构模型的方法，研究员在每一步都有详细的讲解。第二是因为简明。在文章中，研究员将代码分成小段进行标注，即使是Python新手，也能够根据代码的注释进行自学。

在工具的介绍中，研究员推荐了三个常用工具包：

1. Numpy: 能够储存盒处理大型数组，具有强大的科学计算功能。

2. Pandas:提供了DataFrame这一数据结构，极大简化了数据分析过程

3. Scikit-Learn: Python机器学习中最广泛使用的工具，囊括了广义线性模型，支持向量机，朴素贝叶斯，现行和二次判别分析等算法。

有了工具基础，文章开始介绍利用Python进行机器学习。研究员认为多因子选股是最适合转换为机器学习，并且用计算机语言表达出来的框架。其原理类似线性回归，通过分析数据寻找因变量和多个自变量之间的关系。根据历史的自变量和因变量的关系，用机器学习的方法估计出自由参数量。再利用最新的自变量和自由参数量，预测未来的因变量。相比于线性回归，机器学习的优势在于可以发现非线性关系，还能够筛选出最有效的自变量。再者，参数优化的过程能够遴选出预测力强的模型。

在第三部分，研究员将机器学习选股代码拆分为十二个子模块，包括：模块导入，参数设置，数据读入，数据标记，数据预处理，模型设置，模型训练，模型预测，模型评价，策略构建，策略评价和结果保存。研究员选取2005年1月至2010年12为训练区间，2011年1月至2017年5月为预测区间。选取每个月超额收益排名前三十的股票为正例，排名后三十的股票为反例。围绕预测结果，研究员构建一个简单的策略：选取每个月最可能涨的100只股票，等权配置资产，然后计算该策略的收益和净值。测试的结果，年化超额收益28%，波动率23%, 信息比率（information ratio）为1.22。

本篇研报即提供了策略思路，也提供了使用Python机器学习选股的详细方法。是量化投资入门的好文。希望童鞋们喜欢～

本篇研报解读由丸颜丽质志愿完成

自己学习的同时也方便大家

必须打赏支持下

苹果手机用户也能参与噢

想要参与研报解读可以留言

「最新研报解读」栏目历史文章

最新研报解读 | 国泰君安-数量化专题之一百零四：抱团行为和慢牛股研究-20170919

最新研报解读 | 天风证券-基于风格因子视角的fof投资策略研究-20170918

最新研报解读 | 方正证券-50ETF期权多因子模型（三）：期权三棱镜，如何能买寸光阴-20170917

最新研报解读 | 天风证券-基于半衰主成分风险平价模型的全球资产配置策略研究-20170918

最新研报解读 | 20170914-方正证券-“聆听高频世界的声音”系列研究（七）：枯树生花，基于日内模式的动量因子革新

最新研报解读 | 广发证券-FOF系列专题之五：低风险基金优中选优-20170913

最新研报解读 | 华泰证券-人工智能系列之六：人工智能选股之Boosting模型-20170911

最新研报解读 | 东北证券-多因子系列（2）：因子筛选-20170910

最新研报解读 | 兴业证券-A股市场择时研究之四：面向战术配置的量化择时方法-20170908

最新研报解读 | 广发证券-量化资产配置研究之七：从配置风险出发构建组合-20170907

最新研报解读 | 安信证券-当我谈风险平价时我在谈什么-20170908

最新研报解读 | 长江证券-龙虎榜事件（一）：指数增强策略-20170906

最新研报解读 | 光大证券-技术指标系列报告之四：基于波动率时序排名的轮动策略-20170905

最新研报解读 | 华宝证券-金融工程专题报告：基金公司智能基金组合产品梳理、策略构建解析与发展展望-20170904

最新研报解读 | 海通证券-学术研究中的财务异象与本土实证（一）：盈利能力-20170904

最新研报解读 | 光大证券-衍生品研究系列报告之二：期权期货共振择时-20170904

最新研报解读 | 光大证券-事件研究系列报告之六：破立之间，破发事件全解-20170904

最新研报解读 | 长江证券-红利因子系列（二）：DDM模型与股债轮动策略-20170903

最新研报解读 | 光大证券-多因子系列报告之五：见微知著，成交量占比高频因子解析-20170901

最新研报解读 | 华泰证券-华泰人工智能系列之五：人工智能选股之随机森林模型-20170831

最新研报解读 | 国泰君安-数量化专题之一百零三：基于二维收益分解的选股策略-20170831

最新研报解读 | 东方证券-《因子选股系列研究之二十九》：质优股量化投资-20170831

最新研报解读 | 海通证券-大类资产配置及模型研究（五）：Black-Litterman模型的直观理解-20170830

最新研报解读 | 国泰君安-数量化专题之一百零二：基于弹簧模型的量价分析-20170830

最新研报解读 | 爱建证券-数量化研究三：麻烦的回测框架以及头疼的数据管理-20170829

最新研报解读 | 海通证券-选股因子系列研究（二十四）：基于拟合优度和波动率调整的因子溢价估计-20170828

最新研报解读 | 方正证券-资产管理扬帆起航系列报告（七）：主动基金，长于择时，善于选股-20170825

最新研报解读 | 东北证券-多因子系列（1）：单因子测试和特征分析-20170825

最新研报解读 | 兴业证券-宽海拾贝：基于风险的动态多因子模型-20170824

最新研报解读 | 华泰证券-价值选股之现金流因子研究：现金流因子选股策略实证研究-20170822

最新研报解读 | 国泰君安-数量化专题之一百零一：缠论中的笔在MACD价格分段中的应用-20170822

最新研报解读 | 方正证券-50ETF期权多因子模型（二）：期权三棱镜曲线为何不重叠-20170822

最新研报解读 | 国信证券-金融工程专题，行业配置系列：在alpha和绝对收益策略中应用行业配置的三个思路-20170821

最新研报解读 | 国泰君安-数量化专题之一百：行业轮动中“确定性”的规律及投资机会-20170820

最新研报解读 | 中金公司-量化事件研究系列（1）：布局调研事件组合正当时-20170818

最新研报解读 | 华泰证券-华泰金工周期系列研究：周期三因子定价与资产配置模型-20170818

最新研报解读 | 海通证券-FICC系列研究之五：商品期货因子挖掘与组合构建再探究-20170818

最新研报解读 | 国信证券-数量化投资：沪深300结构化增强-20170818

最新研报解读 | 华泰证券-华泰人工智能系列之四：人工智能选股之朴素贝叶斯模型-20170817

最新研报解读 | 中信建投-大数据研究之四：基于新闻热度的周期、成长、消费风格轮动配置-20170816

最新研报解读 | 国元证券-量化选股专题：可转债正股投资组合-探寻可转债正股投资的量化因子-20170814

最新研报解读 | 方正证券-“聆听高频世界的声音”系列研究（六）：本福特的启示，从分钟成交量看机构痕迹-20170813

最新研报解读 | 国信证券-金融工程专题研究：递归神经网络RNN-自适应计算次数（ACT）的RNN增强-20170811

最新研报解读 | 长江证券-公告挖掘系列（二）：入选制造业单项冠军-20170808

最新研报解读 | 华泰证券-华泰金工周期研究系列：基于DDM模型的板块轮动探索-20170808

最新研报解读 | 天风证券-FOF专题研究（四）：景顺长城沪深300增强指数型基金-20170807

最新研报解读 | 银河证券-事件类策略之三：重要股东增减持事件的研究-20170806

最新研报解读 | 东方证券-《因子选股系列研究之二十八》：用机器学习解释市值，特异市值因子-20170804

最新研报解读 | 华泰证券-人工智能3：人工智能选股之支持向量机模型-20170804

最新研报解读 | 中信建投-金融工程研究：深度解析Hurst模型的打开方式-20170802

最新研报解读 | 银河证券-银河金工FOF系列：固定收益基金投资方法及三季度投资思路-20170802

最新研报解读 | 国泰君安-数量化专题之九十九：多维度挖掘公开市场回购中的超额收益-20170801

最新研报解读 | 第一创业-量化专题报告系列二：大宗商品周期分析，有色与谷物将进入下跌周期-20170801

最新研报解读 | 光大证券-多因子系列报告之四：别开生面，公司治理因子详解-20170731

最新研报解读 | 长江证券-公告事件挖掘之澄清公告中的交易机会-20170730

最新研报解读 | 长江证券-机器学习白皮书系列之一：监督学习的方法介绍及金融领域应用实例-20170727

最新研报解读 | 海通证券-大类资产配置及模型研究（四）：2017，全球对冲基金的新纪元-20170725

最新研报解读 | 光大证券-FOF专题系列报告之三：量化资产配置与FOF投资-20170725

最新研报解读 | 海通证券-选股因子系列研究（二十三）：历史财务信息对股票收益的预测能力-20170726

最新研报解读 | 长江证券-陆港通系列（一）：外资动向中的Alpha-20170724

最新研报解读 | 方正证券-资产管理扬帆起航第六期：量化基金何时好-20170727