本文摘自清華大學(xué)出版《深入淺出Python量化交易實(shí)戰(zhàn)》一書的讀書筆記，這里把作者用KNN模式做的交易策略，換成了邏輯回歸模型，試試看策略的業(yè)績(jī)會(huì)有怎樣的變化。

二話不說(shuō)，上梯子，導(dǎo)庫(kù)拉數(shù)據(jù)：

import pandas as pd
import pandas_datareader.data as web
import numpy as np
from datetime import datetime

數(shù)據(jù)甭多了，來(lái)個(gè)3年的：

end = datetime.date.today()
start = end - datetime.timedelta(days = 365*3)

我大A股，最牛X的股票，要說(shuō)是茅臺(tái)，沒(méi)人反對(duì)吧?那咱搞茅臺(tái)的行情數(shù)據(jù)：

cowB = web.DataReader('600519.ss', 'yahoo', start, end)
cowB.head()

拉下來(lái)本仙就驚了，2019年1月的時(shí)候，大茅臺(tái)才600多塊錢啊!不過(guò)估計(jì)當(dāng)時(shí)讓本仙買，本仙也不敢。那時(shí)候我大A股過(guò)百的股票也沒(méi)多少吧!

然后我按照書里的方法，做下特征工程：

cowB['open-close'] = cowB['Open'] - cowB ['Close']
cowB ['high-low'] = cowB ['High'] - cowB ['Low']
cowB ['target'] = np.where(cowB['Close'].shift(-1) > 
cowB['Close'],1,-1)
cowB = cowB.dropna()
cowB.tail()

然后就多了幾列，target里面，1表示次日上漲，-1表示次日下跌：

下面要搞模型了：

x = cowB [['open-close','high-low']]
y = cowB ['target']

拆成x和y，然后請(qǐng)出scikit-learn：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

然后把數(shù)據(jù)集拆分成訓(xùn)練集和測(cè)試集：

x_train, x_test, y_train, y_test = train_test_split(x, y, train_size = 
0.8)

看看邏輯回歸表現(xiàn)如何：

lr = LogisticRegression()
lr.fit(x_train, y_train)
print(lr.score(x_train, y_train))
print(lr.score(x_test, y_test))

結(jié)果發(fā)現(xiàn)，還沒(méi)有書里KNN的分?jǐn)?shù)高：

0.5438898450946644
0.5136986301369864

邏輯回歸在訓(xùn)練集里面的準(zhǔn)確率是54.39%，與書里KNN的準(zhǔn)確率基本持平;但是測(cè)試集里只有51.37%，比書里的KNN模型低了差不多3個(gè)百分點(diǎn)。

折騰了一圈，結(jié)果并不滿意。按說(shuō)邏輯回歸在分類任務(wù)上的表現(xiàn)，應(yīng)該優(yōu)于KNN才對(duì)啊。難道是本仙的數(shù)據(jù)噪音太大了?還是說(shuō)其實(shí)這種預(yù)測(cè)本身意義就不大呢?