时间过滤器函数
通过添加过滤函数，可以很容易地扩展开发库。
def time_filter(data, count):
# filter by hour
hours=[15]
if data.index[count].hour not in hours:
return False
# filter by day of week
days = [1]
if data.index[count].dayofweek not in days:
return False
return True
函数检查其中指定的条件，可以实现其他附加条件（不仅仅是时间过滤器）。但由于本文专门讨论季节性模式，因此我将只使用时间过滤器。如果满足所有条件，函数将返回True，并将适当的样本添加到训练集中。例如，在这种特殊情况下，我们指示模型仅在周二15:00进行交易。“hours”和“days”列表可以包括其他小时和天。通过注释掉所有条件，您可以让算法无条件地工作，就像前一篇文章中的工作方式一样。
add_labels 函数现在接收这个条件作为输入。在Python中，函数是一级对象，因此可以将它们作为参数安全地传递给其他函数。
def add_labels(dataset, min, max, filter=time_filter):
labels = []
for i in range(dataset.shape[0]-max):
rand = random.randint(min, max)
curr_pr = dataset['close'][i]
future_pr = dataset['close'][i + rand]
if filter(dataset, i):
if future_pr + MARKUP < curr_pr:
labels.append(1.0)
elif future_pr - MARKUP > curr_pr:
labels.append(0.0)
else:
labels.append(2.0)
else:
labels.append(2.0)
dataset = dataset.iloc[:len(labels)].copy()
dataset['labels'] = labels
dataset = dataset.dropna()
dataset = dataset.drop(
dataset[dataset.labels == 2].index)
return dataset
一旦过滤器被传递给函数，它就可以用来标记买入或卖出交易。过滤器接收原始数据集和当前柱的索引。数据集中的索引表示为包含时间的“datetime index”。过滤器按第i个数字在数据帧的“datetime index”中搜索小时和天，如果未找到任何内容，则返回 False。如果满足条件，则交易标记为1或0，否则标记为2。最后，从训练数据集中删除所有2，因此只留下由过滤器确定的特定天数和小时的示例。
还应向自定义测试仪添加一个过滤器，以在特定时间启用交易打开（或根据此过滤器设置的任何其他条件）。
def tester(dataset, markup=0.0, plot=False, filter=time_filter):
last_deal = int(2)
last_price = 0.0
report = [0.0]
for i in range(dataset.shape[0]):
pred = dataset['labels'][i]
ind = dataset.index[i].hour
if last_deal == 2 and filter(dataset, i):
last_price = dataset['close'][i]
last_deal = 0 if pred <= 0.5 else 1
continue
if last_deal == 0 and pred > 0.5:
last_deal = 2
report.append(report[-1] - markup +
(dataset['close'][i] - last_price))
continue
if last_deal == 1 and pred < 0.5:
last_deal = 2
report.append(report[-1] - markup +
(last_price - dataset['close'][i]))
y = np.array(report).reshape(-1, 1)
X = np.arange(len(report)).reshape(-1, 1)
lr = LinearRegression()
lr.fit(X, y)
l = lr.coef_
if l >= 0:
l = 1
else:
l = -1
if(plot):
plt.plot(report)
plt.plot(lr.predict(X))
plt.title("Strategy performance")
plt.xlabel("the number of trades")
plt.ylabel("cumulative profit in pips")
plt.show()
return lr.score(X, y) * l
具体实现如下:当没有未平仓时使用数字2：last_deal=2。测试开始前没有未平的仓位，因此设置2。遍历整个数据集并检查是否满足筛选条件。如果条件满足，就开始买卖交易。过滤条件不应用于交易结束，因为它们可以在一周的另一个小时或一天结束。这些变化足以进行进一步的正确训练和测试。
每个交易小时的探索性分析
对于每个单独的条件（以及几个小时或几天的组合），手动测试模型不是很方便。为此编写了一个特殊函数，可以分别快速获取每个条件的汇总统计信息。该函数可能需要一些时间才能完成，但它会输出模型显示出更好性能的时间范围。
def exploratory_analysis():
h = [x for x in range(24)]
result = pd.DataFrame()
for _h in h:
global hours
hours = [_h]
pr = get_prices(START_DATE, STOP_DATE)
pr = add_labels(pr, min=15, max=15, filter=time_filter)
gmm = mixture.GaussianMixture(
n_components=n_compnents, covariance_type='full', n_init=1).fit(pr[pr.columns[1:]])
# iterative learning
res = []
iterations = 10
for i in range(iterations):
res.append(brute_force(10000, gmm))
print('Iteration: ', i, 'R^2: ', res[-1][0], ' hour= ', _h)
r = pd.DataFrame(np.array(res)[:, 0], np.full(iterations,_h))
result = result.append(r)
plt.scatter(result.index, result, c = result.index)
plt.show()
return result
您可以在函数中设置要检查的小时数列表。在我的例子中，所有的24小时都设置好了。为了实验的纯度，我通过将“min”和“max”（开启仓位的最小和最大水平）设置为15来禁用采样。“iterations”变量负责每小时的再训练周期数。增加这个参数可以得到更可靠的统计数据。操作完成后，函数将显示下图：
X轴以小时的序号为特征。Y轴表示每次迭代的R^2分数（使用10次迭代，这意味着每小时进行一次模型再培训）。如您所见，4小时、5小时和6小时的通行证位于更近的位置，这使您对找到的模式的质量更有信心。选择原则很简单 - 点的位置和密度越高，模型就越好。例如，在9-15点的时间间隔内，图中显示了大量的点分散，模型的平均质量下降到0.6。您可以进一步选择所需的小时数，重新训练模型并在自定义测试器中查看其结果。
测试选择的模型
对 GBPUSD 货币对进行了探索性分析，参数如下：
SYMBOL = 'GBPUSD'
MARKUP = 0.00010
TIMEFRAME = mt5.TIMEFRAME_H1
START_DATE = datetime(2017, 1, 1)
TSTART_DATE = datetime(2015, 1, 1)
FULL_DATE = datetime(2015, 1, 1)
STOP_DATE = datetime(2021, 1, 1)
相同的参数将用于测试。为了获得更大的可信度，您可以更改 FULL_DATE 值以查看模型在早期历史数据中的执行情况。
我们可以直观地分辨出3、4、5和6小时的一组。可以假设相邻的时间有相似的模式，所以模型可以针对所有的时间进行训练。
hours = [3,4,5,6]
# make dataset
pr = get_prices(START_DATE, STOP_DATE)
pr = add_labels(pr, min=15, max=15, filter=time_filter)
tester(pr, MARKUP, plot=True, filter=time_filter)
# perform GMM clasterizatin over dataset
# gmm = mixture.BayesianGaussianMixture(n_components=n_compnents, covariance_type='full').fit(X)
gmm = mixture.GaussianMixture(
n_components=n_compnents, covariance_type='full', n_init=1).fit(pr[pr.columns[1:]])
# iterative learning
res = []
for i in range(10):
res.append(brute_force(10000, gmm))
print('Iteration: ', i, 'R^2: ', res[-1][0])
# test best model
res.sort()
test_model(res[-1])
其余的代码不需要额外的解释，因为在以前的文章中已经详细解释过。唯一的例外是，你可以使用注释贝叶斯模型来代替一个简单的GMM，尽管这只是一个实验性的想法。
交易抽样后的理想模型如下所示：
经过训练的模型（包括测试数据）显示了以下性能：
单独的模型可以进行高密度训练。下面是已经训练过的5小时和20小时模型的余额图：
现在，为了进行比较，你可以看看那些训练时数变化较大的模型。例如查看第9和11小时。
这里的余额图显示的比任何注释都多，显然，在训练模式时，要特别注意时机。
每个交易日的探索性分析
对于其他时间间隔，例如一周中的几天，可以很容易地修改过滤器。您只需将小时替换为一周中的一天。
def time_filter(data, count):
# filter by day of week
global hours
if data.index[count].dayofweek not in hours:
return False
return True
在这种情况下，迭代应该在0到5之间的范围内执行（不包括第5个序号，也就是星期六）。
def exploratory_analysis():
h = [x for x in range(5)]
现在，对 GBPUSD 货币对进行探索性分析。交易的频率，或者说它们的范围，是相同的（15个柱）。
pr = add_labels(pr, min=15, max=15, filter=time_filter)
训练过程显示在控制台中，您可以立即查看当前期间的R^2分数。“hour”变量现在不包含小时数，而是一周中某一天的序号。
Iteration: 0 R^2: 0.5297625368835237 hour= 0
Iteration: 1 R^2: 0.8166096906047893 hour= 0
Iteration: 2 R^2: 0.9357674260125702 hour= 0
Iteration: 3 R^2: 0.8913802241811986 hour= 0
Iteration: 4 R^2: 0.8079720208707672 hour= 0
Iteration: 5 R^2: 0.8505663844866759 hour= 0
Iteration: 6 R^2: 0.2736870273207084 hour= 0
Iteration: 7 R^2: 0.9282442121644887 hour= 0
Iteration: 8 R^2: 0.8769775718602929 hour= 0
Iteration: 9 R^2: 0.7046666925774866 hour= 0
Iteration: 0 R^2: 0.7492883761480897 hour= 1
Iteration: 1 R^2: 0.6101962958733655 hour= 1
Iteration: 2 R^2: 0.6877652983219245 hour= 1
Iteration: 3 R^2: 0.8579669286548137 hour= 1
Iteration: 4 R^2: 0.3822441930760343 hour= 1
Iteration: 5 R^2: 0.5207801806491617 hour= 1
Iteration: 6 R^2: 0.6893157850263495 hour= 1
Iteration: 7 R^2: 0.5799059801202937 hour= 1
Iteration: 8 R^2: 0.8228326786957887 hour= 1
Iteration: 9 R^2: 0.8742262956151615 hour= 1
Iteration: 0 R^2: 0.9257707800422799 hour= 2
Iteration: 1 R^2: 0.9413981795880517 hour= 2
Iteration: 2 R^2: 0.9354221623113591 hour= 2
Iteration: 3 R^2: 0.8370429185837882 hour= 2
Iteration: 4 R^2: 0.9142875737195697 hour= 2
Iteration: 5 R^2: 0.9586871067966855 hour= 2
Iteration: 6 R^2: 0.8209392060391961 hour= 2
Iteration: 7 R^2: 0.9457287035542066 hour= 2
Iteration: 8 R^2: 0.9587372191281025 hour= 2
Iteration: 9 R^2: 0.9269140213952402 hour= 2
Iteration: 0 R^2: 0.9001009579436263 hour= 3
Iteration: 1 R^2: 0.8735623527502183 hour= 3
Iteration: 2 R^2: 0.9460714774572146 hour= 3
Iteration: 3 R^2: 0.7221720163838841 hour= 3
Iteration: 4 R^2: 0.9063579778744433 hour= 3
Iteration: 5 R^2: 0.9695391076372475 hour= 3
Iteration: 6 R^2: 0.9297881558889788 hour= 3
Iteration: 7 R^2: 0.9271590681844957 hour= 3
Iteration: 8 R^2: 0.8817985496711311 hour= 3
Iteration: 9 R^2: 0.915205007218742 hour= 3
Iteration: 0 R^2: 0.9378516360378022 hour= 4
Iteration: 1 R^2: 0.9210968481902528 hour= 4
Iteration: 2 R^2: 0.9072205941748894 hour= 4
Iteration: 3 R^2: 0.9408826184927528 hour= 4
Iteration: 4 R^2: 0.9671981453714584 hour= 4
Iteration: 5 R^2: 0.9625144032389237 hour= 4
Iteration: 6 R^2: 0.9759244293257822 hour= 4
Iteration: 7 R^2: 0.9461473783201281 hour= 4
Iteration: 8 R^2: 0.9190627222826241 hour= 4
Iteration: 9 R^2: 0.9130350931314233 hour= 4
请注意，所有模型都是使用2017年初以来的数据进行培训的，而R^2分数也包括测试期（从2015年开始的额外数据）。每天高估计值的一致性提供了更大的信心。让我们看看最后的结果。
探索性分析表明，周三和周五是最有利的交易日，尤其是周五。周二是交易最糟糕的一天，因为它有很大的误差方差和较低的平均值。让我们训练模型只在星期五交易，看看结果。
同样，我们可以在周二获得一个交易模型。
固定的交易时间段并不总是合适的，因此让我们尝试扩展搜索窗口，并将探索性分析迭代次数增加到20次。
pr = add_labels(pr, min=5, max=25, filter=time_filter)
gmm = mixture.GaussianMixture(
n_components=n_compnents, covariance_type='full', n_init=1).fit(pr[pr.columns[1:]])
# iterative learning
res = []
iterations = 20
价值区间已经变大，而周四和周五是最好的交易日。
现在让我们为周四训练一个控制模型，看看结果。这就是学习周期的样子（对于那些没有读过之前文章的人来说）。
hours = [3]
# make dataset
pr = get_prices(START_DATE, STOP_DATE)
pr = add_labels(pr, min=5, max=25, filter=time_filter)
tester(pr, MARKUP, plot=True, filter=time_filter)
# perform GMM clasterizatin over dataset
# gmm = mixture.BayesianGaussianMixture(n_components=n_compnents, covariance_type='full').fit(X)
gmm = mixture.GaussianMixture(
n_components=n_compnents, covariance_type='full', n_init=1).fit(pr[pr.columns[1:]])
# iterative learning
res = []
for i in range(10):
res.append(brute_force(10000, gmm))
print('Iteration: ', i, 'R^2: ', res[-1][0])
# test best model
res.sort()
test_model(res[-1])
结果比固定交易期限的情况稍差。
显然，特定时期的频率（水平）参数很重要。接下来，让我们迭代这些值并检查它们如何影响结果。
交易期间对模型质量影响的评估
与所选标准（过滤器）的探索性分析函数类似，我们可以创建一个辅助函数，该函数将根据交易期间评估模型性能。假设我们可以在1到50个柱（或任何其他时间段）的间隔内设置一个固定的事务生存期，那么函数将如下所示。
def deals_frequency_analyzer():
freq = [x for x in range(1, 50)]
result = pd.DataFrame()
for _h in freq:
pr = get_prices(START_DATE, STOP_DATE)
pr = add_labels(pr, min=_h, max=_h, filter=time_filter)
gmm = mixture.GaussianMixture(
n_components=n_compnents, covariance_type='full', n_init=1).fit(pr[pr.columns[1:]])
# iterative learning
res = []
iterations = 5
for i in range(iterations):
res.append(brute_force(10000, gmm))
print('Iteration: ', i, 'R^2: ', res[-1][0], ' deal lifetime = ', _h)
r = pd.DataFrame(np.array(res)[:, 0], np.full(iterations,_h))
result = result.append(r)
plt.scatter(result.index, result, c = result.index)
plt.xticks(np.arange(0, len(freq)+1, 1))
plt.title("Performance by deals lifetime")
plt.xlabel("deals frequency")
plt.ylabel("R^2 estimation")
plt.show()
return result
“freq”列表包含要迭代的交易时期的值。我在 GBPUSD 对的第5个小时执行了这个迭代，这是结果。
联系我时，请说是在老客网上看到的，谢谢！