量化交易-特征分析

币圈吴彦祖 • 2022年10月12日 pm2:00 • 量化交易 • 阅读 8

上一节我们通过TA-Lib库拿到20+与币价相关的指标，本节我们需要通过基础的数据分析能力，筛选出一批会用于量化交易策略的指标

数据概况

1、首先我们需要了解一下数据的情况

candles = load_my_pair_history(data_location,'ETH_USDT-5m-futures.json')print("Loaded " + str(len(candles)) + f" rows of data for {pair} from {data_location}")candles.head() #展示部分数据

从上图可以直观的看到我们除日期外，还有5个与币价相关的字段

2、接着我们加入用于分析的相关指标

from freqtrade.resolvers import StrategyResolverfrom freqtrade.data.dataprovider import DataProviderstrategy = StrategyResolver.load_strategy(config)strategy.dp = DataProvider(config, None, None)# Generate buy/sell signals using strategydf = strategy.analyze_ticker(candles, {'pair': pair})df.tail()

检查一下数据的完整性：

df.info()

我们会发现有些指标存在缺失值，比如：sar、tema等，行数不足9572.

（ps：其实没有问题，这个跟统计口径相关，后续抽空再讲）

再看看数据的分布的情况：

df.describe()

这里展示了每个指标的平均值、标准差、25%分位、50%分位、最大、最小值等。

获得这些指标有助于我们下一步的分析工作

特征关系挖掘

1、通过统计学的方法，我可以快速拿到特征(指标）与目标值之间的关系

随机森林回归模型

#随机森林回归模型model_rf = RandomForestRegressor(n_estimators=50,random_state=315).fit(train_X, train_y)perm = PermutationImportance(model_rf, random_state=1).fit(val_X, val_y)eli5.show_weights(perm, feature_names = val_X.columns.tolist(),top=30)

我们可以得到tema指标的权重是最高的

线性回归模型：

# Linear Regressionmodel_lr = LinearRegression().fit(train_X, train_y)perm = PermutationImportance(model_lr, random_state=1).fit(val_X, val_y)eli5.show_weights(perm, feature_names = val_X.columns.tolist(),top=30)

通过线性回归模型，我们接着筛选出一批相关性较高的指标：bb_middleband、bb_lowerband、bb_upperband、macd、tema等

那么以上指标的相关性具体在哪，我们需要通过图表来分析。

import matplotlib.pyplot as plt# 折线图 y_close = df['close'][:1000]y_tema= df['tema'][:1000]y_middleband = df['bb_middleband'][:1000]y_lowerband = df['bb_lowerband'][:1000]y_upperband = df['bb_upperband'][:1000]x = df['date'][:1000]plt.figure(figsize=(20, 10))plt.plot(x,y_close,'',label="close") plt.plot(x,y_lowerband,'',label="low") plt.plot(x,y_upperband,'',label="up") plt.plot(x,y_tema,'',label="tema") plt.xlabel('date')plt.ylabel('close')plt.title('ETH/USDT')plt.legend()plt.show()

通过上面的图表，我们可以明显看到tema、upper、low与收盘价的走势几乎保持一致，也就是说我们可以利用这些指标作为我们买入和卖出的信号

2、我们也需要利用一些强度信号，作为信息补充。这里推荐使用rsi

上图是RSI和币价的走势图，我们会发现RSI的高峰几乎都对应上了币价的短期高点，RSI的谷峰对应了币价的低点。

特征相关性热力图

那么特征之间的关系我们也需要了解分析一下，我们通过heatmap来绘制热力图：

df_coor=df.iloc[:1000,1:22].corr()df_coor.head()plt.subplots(figsize=(10,10),dpi=1080,facecolor='w')# 设置画布大小，分辨率，和底色fig=sns.heatmap(df_coor,annot=True, vmax=1, square=True, cmap="Blues", fmt='.2g')#annot为热力图上显示数据；fmt='.2g'为数据保留两位有效数字,square呈现正方形，vmax最大值为1