Stock-Machine-Learning

中文 | English

项目简介

本仓库聚焦股票量价因子与机器学习建模，包含 MLP/GBDT/GRU/AGRU 等模型训练、集成与回测的完整实验记录。代码以沪深 300/中证 500/中证 1000 为主要标的池，支持滚动训练、分层/多空回测、行业分布分析，并输出净值曲线与持仓结果。

主要内容

• 模型实验：MLP、GBDT、GRU、AGRU 以及模型集成（IC/ICIR 权重）
• 回测模块：分层回测、多空组合、周频调仓与回撤分析
• 滚动训练：HS300 滚动训练与回测流程
• 行业分析：持仓行业分布统计与可视化
• 结果输出：净值图、回测图、持仓记录

目录结构

• 20231025_*.ipynb：模型训练、集成与回测的主要实验 Notebook
• HS300_Rolling/：滚动训练与回测脚本/Notebook
• HS300_Single/：单期因子分析与教程
• HS300_Industry/：行业分布统计与可视化
• backtest/：通用回测脚本（简单/周频）
• images/：结果图与净值曲线
• positions/：生成的持仓记录
• materials/：资料与笔记

数据与环境

本仓库不包含原始数据。脚本中常见的数据路径为本地路径（如 D:\AI_data_analysis\CY\ 或脚本所在目录），使用前需调整各脚本开头的 path 配置。

常见数据依赖示例：

• price_return_backtest.csv
• HS_300_backtest.csv / CS_500_backtest.csv / CS_1000_backtest.csv
• SWClass_all.csv / SwClassCode_2021.xls
• 价格/因子数据需包含如 OPEN_processed、HIGH_processed、VWAP_processed、Label_processed 等字段

建议环境依赖（按脚本与 Notebook 实际使用）：

• Python 3.x
• pandas, numpy, scikit-learn
• tensorflow, xgboost
• matplotlib, plotly
• tqdm, psutil

使用方式

1. Notebook 实验
   使用 Jupyter 打开并按顺序运行，例如：

   • 20231025_MLP.ipynb
   • 20231025_GBDT.ipynb
   • 20231025_GRU_AGRU.ipynb
   • 20231025_Ensemble*.ipynb

2. 滚动训练与回测

   • 脚本：HS300_Rolling/HS300_Rolling.py
   • Notebook：HS300_Rolling/HS300_Rolling_Backtest.ipynb

3. 通用回测

   • backtest/Backtest_Simple.py
   • backtest/Backtest_Weekly.py

4. 行业分布分析

   • HS300_Industry/Position_Industry_*.py
   • HS300_Industry/Position_Industry*.ipynb

输出结果

• 净值曲线与指标图：images/
• 持仓记录：positions/

示例图：

免责声明

本仓库仅用于研究与学习，不构成任何投资建议或交易信号。