华泰人工智能系列之七：人工智能选股之python实战.pdf

证券研究报告
金工研究/深度研究
2017 年09 月19 日
林晓明执业证书编号:S0570516010001 人工智能选股之 Python 实战
研究员 0755-82080134
linxiaoming@ 华泰人工智能系列之七
陈烨 010-56793927
介绍安装方法、与机器学习相关的包以及常用命令
联系人 chenye@ Python
Python 语言是目前机器学习领域使用最广泛的编程语言之一,拥有众多优
相关研究秀的包和模块,并且相对简单易学。我们将简单介绍 Python 语言的特性,
1《金工: 人工智能选股之 Boosting 模型》常用命令,以及和机器学习相关的包,例如 NumPy,pandas,scikit-learn
等,希望帮助有一定编程基础的读者迅速上手 Python 语言。
2《金工: 人工智能选股之随机森林模型》
机器学习选股框架与多因子选股框架类似,具有一定优越性
3《金工: 周期三因子定价与资产配置模型》机器学习中最为主流的方法监督学习,其核心思想是挖掘自变量和因变量
之间的规律。我们将经典多因子模型稍加改造,以机器学习的语言描述。

在训练阶段,根据历史的因子值 X 和收益 r,训练监督学习模型 r=g(X, f),
得到模型自由参数的估计量 f。在测试阶段:根据最新的因子值 X、参数估
计量 f 和监督学习模型 g,预测下期收益 r。机器学习方法相较于线性回归
的优越之处在于:首先,机器学习可以挖掘数据中的非线性规律;其次,
正则化的引入能够筛选出最有效的自变量;再次,参数优化的过程能够遴
选出预测力最强的模型。
将机器学习选股代码拆分成十二个子模块进行详尽讲解
我们将机器学习选股代码拆分成十二个子模块,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。每个子模块我们将展示代码
并且逐句进行讲解。报告中展示的代码是完备且成体系的,可以根据需要
进行整合,构建一套完整的机器学习选股模型。
风险提示:通过 Python 编写人工智能选股算法受到数据库架构、网络环境、
计算机硬件条件限制,报告中代码经移植后可能不能正常运行;通过人工
智能算法构建选股策略是历史经验的总结,存在失效的可能。
谨请参阅尾页重要声明及华泰证券股票和行业评级标准 1
12846594/16348/20170919 13:32
金工研究/深度研究| 2017 年 09 月 19 日
图表目录
图表 1: Anaconda Prompt 命令行窗口.......................................................................... 5
图表 2: Anaconda Prompt 安装包................................................................................. 6
图表 3: Anaconda Prompt 更新包................................................................................. 6
图表 4: help 命令........................................................................................................... 7
图表 5: 列表的操作........................................................................................................ 7
图表 6: 调入 NumPy 包.................................................................................................. 8
图表 7: 创建数组............................................................................................................ 8
图表 8: 构建等差数列................