Python 算法交易实验85 QTV200日常推进-钳制指标与交易量

本文主要是介绍Python 算法交易实验85 QTV200日常推进-钳制指标与交易量，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

说明

继续保持思考与尝试

最近挺有意思的，碰到很多技术上的问题，其解决方案都类似“阴阳两仪”的概念。

"阴阳两仪"是中国古代哲学中的一个重要概念，源自《易经》（又称《周易》）。它是对宇宙间最基本对立统一规律的概括，用以描述事物存在的两种基本状态或属性。
阴阳最初是指日光的向背，向日为阳，背日为阴。后来，阴阳的概念被广泛应用于自然界和社会生活的各个方面，成为解释自然现象和社会现象的一种基本理论。阴阳两仪认为，宇宙间的一切事物都是由阴阳两种对立而又相互依存、相互转化的力量构成的。
在阴阳学说中，阴阳并不是孤立存在的，而是相互作用、相互制约、相互转化的。例如，白天与黑夜、热与冷、动与静、男与女等都是阴阳对立的体现。阴阳之间的平衡是自然界和人类社会和谐的基础，一旦阴阳失衡，就可能导致各种问题的出现。
阴阳两仪的概念也被用于中医学、风水学、武术、书法、绘画等多个领域，成为中国传统文化中不可或缺的一部分。

在量化方面，恰好也由于近两年市场的反常，导致策略失效，颇有点“刚才开翅膀，风却变沉默”的感觉。这也促使我思考，怎样才能找到那个恒定的方法。

内容

最初做qtv100时，我发现回测效果很好的策略，结果在过去一年表现并不好（差不多持平的状态，看起来像白干）。特别是到了最近，4个混合的结果已经亏损了。大概在4月的时候还是盈利的。小盘成分还行，蓝筹和医药真是BBQ。这里有两个简单结论：

1 过去一段时间的模式挺重要的，为什么会扭盈为亏？
2 技术上讲，如果通过强化学习，输的自然被压抑，结果应该还是有救的

从一个更大的层面分析，问题出在哪？

我对于策略的期待是：如果是对的，可以自行合理放大交易。如果出师不利，可以自动冬眠，不造成，或者少造成损害。

最初，我简单的认为是由于判别模型的目标设定错误，“双刃剑模型”倾向于造成这种结果。

近期，我用SMA策略测试，发现无论以何种参数，在近3年都不可能获利。所以，这看起来并不是微观层面的问题，而是宏观上，在这个大周期内，原来的规律失效了。

所以，问题等价为：我们如何能够判定当前是否是合适的模式呢？

在做这样的判定之前，我想先引入“钳制指标”的概念。这个名字挺难起的，我的本意是想表达一对双生的，此消彼长的指标。这个其实就很符合“阴阳”的概念。之前我自己总是用“一对对冲子”的称呼来指代这个概念，也还是感觉拗口。但我想，先有这么个模糊的概念，然后用具体的例子来明确。

在机器学习中，基本的度量方法是基于混淆矩阵提出的。

在这里插入图片描述

其中，Precision和Recall就是一对钳制指标：当一个指标上升时，另一个指标下降。F1则是一个(阴阳)调和的指标，很像我们说的阴阳平衡。

在有一段时间里，我自己对于Recall也是没有感觉的。比如我做了一个模型，我关心这个模型准不准，因为模型不准其实就废了。全不全的问题在某些业务里有时候也不容易度量和观察到Recall。例如信贷业务，我们可以知道模型预测为不违约(放贷)，最终实际不违约的人数。分子是不违约人数，分母是总放贷人数。知道这个，其实是可以开展业务的，所以我会忽略掉recall的问题。实际上，一批人，特别是被拒绝的人群，我们知道实际上的不违约人数(比例)吗？不知道。如果要想分析，可能得要选择一批样本，然后去跟踪他们的表现，这样的代价很高，而且结果也可能不一样。例如，客户向国有行申请信贷，被拒绝后去向第三方金融公司借款，最终违约了。但是这可以等于当时向国有行申请获批后会违约吗？不一定。因为如果银行贷款违约，直接上征信黑名单，代价很高。而第三方金融公司的违约成本则较低，所以即使是样本违约了，也很难说明问题。

但是，在另一类问题里Recall是非常明显的。如果我们要从1000篇新闻中识别实体，模型给出了500篇新闻的实体，准确率是95%，这很容易判别。然后交给人去打标，发现剩下的500篇里还有300篇可以提取实体。这个场景下，模型的Recall同样重要，也很容易判别。在这种场景下，Precision和Recall都是重要的指标，因为我们会假设每篇新闻都是我们的business，都会以同样的概率被客户观察到。