301-滚动训练(draft)

由jliang创建，最终由jliang更新于2024-05-08 10:22 被浏览 49 用户

介绍

适合专业用户
在时间上滚动训练策略，跟进数据变化来迭代模型
本文只是一个简单演示，我们将在后续文章里介绍使用和原理

实现

在这里例子里我们基于 103 股票池 AI 策略来做滚动训练

设置 AI 策略代码单元为调优对象\n切换到代码模式，添加 %%tune 1 到第一个代码单元(AI训练所在的代码单元)
运行，输出只有 tunee: 1，表示这个代码单元被保存为调优对象，并且其名字为 1\n
新建调优单元：添加一个新的代码单元（第二个代码单元），并且粘贴如下代码进去，关闭策略并重新打开，会看到第二个代码单元也启用了可视化画布
```
from bigmodule import M

# <aistudiograph>
# </aistudiograph>
```

滚动训练：新加滚动训练模块 m11\n

调优对象id设置前面用的 1
开始/结束日期、训练数据时长天数、预测数据时长天数，根据需要设置

映射滚动周期到运行参数：对应每个时间周期，设置调优运行参数

# 映射滚动周期到运行参数
def bigquant_run(period):
    return {
        # m3: 训练数据抽取模块, 根据你的调优画布修改
        "m3.start_date": period["train_start"],
        "m3.end_date": period["train_end"],
        # m4: 预测数据抽取模块, 根据你的调优画布修改
        "m4.start_date": period["test_start"],
        "m4.end_date": period["test_end"],
        # m5: 训练模块, 关闭绘制图表
        "m5.plot_charts": False,
        # m8: 回测模块, 不运行回测, 合并数据后再运行
        "m8.m_active": False,
        # m7: 仓位分配，收集 m7 运行结果, 需要返回更多结果, 在这里添加
        "__outputs__": ["m7"],
    }

合并运行参数生成，前一个阶段，运行到预测结果为止，这里合并预测结果，然后生成仓位并回测

# 合并运行结果后的运行参数生成
def bigquant_run(periods: list, results: list):
    # 如果不需要合并后运行直接返回None return None
    import json
    import pandas as pd
    import dai

    # 合并数据
    # m7: 仓位分配，合并 m7 的输出
    dfs = [result["m7"].data.read() for result in results]
    ds = dai.DataSource.write_bdb(
        pd.concat(dfs) if len(dfs) > 1 else dfs[0],
        extra=json.dumps({"start_date": periods[0]["test_start"], "end_date": periods[-1]["test_end"]})
    )

    return {
        # * 表示在所有模块应用此变量
        "*.m_active": False,
        # m8: 回测模块, 运行回测模块
        "m8.m_active": True,
        # 仓位数据合并后作为输入给回测模块 m8
        "m8.data": ds,
        # 输出回测模块
        "__outputs__": [
            # lambda locals_: { "trade_chart": locals_["m8"].render(display=False) },
            "m8",
            {"results": results},
        ],
    }

这里会并行执行，更多计算资源，运行越快\n
提交模拟交易
- 可以无缝开始模拟交易，可以设定在模拟交易模式，运行最后的多少个时间周期，一般只需最后一个

代码

https://bigquant.com/codesharev2/25dccf8e-1dd9-482e-80ad-08a1728ec0e3