利用 TQuant Lab 驗證深度學習 LSTM 股價預測成效（二）
本文重點概要
- 文章難度：★★★★★
- 結合基本面、籌碼面及技術面資料進行 LSTM 股價預測，並執行回測驗證績效
- 閱讀建議：本文使用 RNN 架構進行時間序列預測，需要對時間序列或是深度學習有基礎瞭解，可以參考【資料科學】LSTM，以便對於 LSTM 模型建置有更深的理解。
前言
在第一篇文章—利用 TQuant Lab 驗證深度學習 LSTM 股價預測成效（一），我們利用預測數據與實際數據的比對，對於訓練好的兩個模型（2618、8615 兩檔股票）有初步的成效評估，效果是不錯的，詳細分析可以點擊以上連結了解更多，篇幅原因就不贅述。
因此在第二篇文章，我們希望不要只是紙上談兵，將模型套用在 out sample 的資料，並根據預測結果決定進場點，實測看看效果是不是也如預期的好。
編輯環境及模組需求
本文使用 Mac OS 及 VS Code 作為編輯器
LSTM 模型套用樣本外資料
我們的兩個模型的樣本內資料都是自 2012-07-01 至 2021-07-01 ，因此此次的回測起訖日會從 2021-01-01 至 2024-06-30，以避開訓練期間。
載入外部套件
import os import time import tejapi import talib as ta from talib import abstract import numpy as np import pandas as pd …
載入內部套件
ML_stock() 為我們編寫用以做事前資料處理的 class，執行載入 API_KEY、價量資料、基本面資料及技術指標等主要功能。最後設定回測的樣本起訖日。
另外我們設置 model 變數，將訓練好的模型載入以待使用。
*註：貼心提醒，在使用前請先至 config.ini 輸入自己的 API_KEY，這樣才能順利使用喔！
ml_stock = ML_stock() ml_stock.ini() model = load_model(f'lstm_{sample[1]}.keras') start = '2021-01-01' end = '2024-06-30' os.environ['mdate'] = start + ' ' + end os.environ['ticker'] = ' '.join([sample[1]]) + ' ' + 'IR0001' !zipline ingest -b tquant
接下來我們只留下必要的特徵，完成資料前處理。
df = ml_stock.get_fundamental(start, end, [sample[1]], column) df = ml_stock.calculate_all_technical_indicators(df) preporc_data = ml_stock.preprocessing(df) data = preporc_data.drop(columns=['mdate', 'coid'])
建立時間序列資料
與訓練時一樣，我們將資料轉換成時間序列資料，具體流程可以閱讀上一篇說明。轉換好之後，便使用 predict 函數套用模型進行預測。
prediction = model.predict(X)
可以看到我們以 2022 過去十年的資料所訓練的 LSTM 模型套用在 2022 年之後的股價的預測表現也與實際上大致相符，除了在預測驗證資料就會出現的漲跌幅跟不上以外，基本上沒有問題。
將預測結果導入 Pipeline
CustomDataset 可以將資料庫中的內容導入 Pipeline 中，方便後續回測使用。於本範例我們用以將上述 Pred 欄位紀錄的預測數值資訊導入 Pipeline。擷取部分程式碼如下：
from zipline.pipeline.data.dataset import Column, DataSet from zipline.pipeline.domain import TW_EQUITIES class CustomDataset(DataSet): pred = Column(float) domain = TW_EQUITIES
建立 Pipeline 函式
由於 LSTM 模型只是做了對隔日收盤價的預測，具體該如何進場、進場時機及條件為何，還需要我們做更精細的設定，為此需要設計客製化因子。
建立 Custom Factor
CustomFactor 可以讓使用者自行設計所需的客製化因子，於本次案例我們用以處理：
- 相對於上個交易日的每日報酬率（Return）
- 平均真實波幅（AverageTrueRange）def make_pipeline(): pred = CustomDataset.pred.latest price = TWEquityPricing.close.latest returns = Return(inputs=[TWEquityPricing.close]) returns_pred = Return() ATR = AverageTrueRange(inputs = [TWEquityPricing.high, TWEquityPricing.low, TWEquityPricing.close]) return Pipeline( columns = { 'price': price, 'pred': pred, 'return': returns, 'return_pred': returns_pred, 'atr': ATR.ATR, }, screen = ~StaticAssets([benchmark_asset]) ) pipeline_result = engine.run_pipeline(make_pipeline(), start_dt, end_dt) pipeline_result
建立 initialize 函式
initialize() 函式用於定義交易開始前的每日交易環境，與此例中我們設置：
- 滑價成本
- 台股市場手續費模型
- 加權報酬指數 ( IR0001 ) 作為大盤指數
- 將 Pipeline 設計的策略因子導入交易流程中
- 設定 context.stop_loss 變數，將回測中的止損點紀錄
- 設定 context.last_price 變數，記錄最後買賣價格，跟蹤止損
建立 handle_data 函式
handle_data() 為構建策略的重要函式，會在回測開始後每天被呼叫，主要任務為設定交易策略、下單與紀錄交易資訊。
關於本策略的交易詳細規則請至：backtest_2618.ipynb / backtest_8215.ipynb
if return_pred < 0 and cash_position >= 0 and returns < 0: order_percent(i , 0.48) buy = True record( **{ f'buy_{sym}':buy } ) context.stop_loss = price - atr * 1.25
本次範例利用 return_pred 紀錄預測股價、returns 為真實股價走向，若兩者走勢為正向，則進行入場。出場則是以停利和跟蹤止損並行。本策略只回測長部位的單向入場，有興趣者可以再嘗試多空並行的策略。
建立 analyze 函式
analyze() 協助我們繪製自訂圖表，本次我們用到 analyze()來觀察預測股價和實際股價的差異、策略進出場情形和資金運用情況。
關於本策略的交易詳細規則請至：backtest_2618.ipynb / backtest_8215.ipynb
執行 LSTM 股價預測策略
from zipline import run_algorithm start = '2021-01-01' end = '2024-06-28' start_dt = pd.Timestamp(start, tz = 'UTC') end_dt = pd.Timestamp(end, tz = 'UTC') results = run_algorithm( start = start_dt, end = end_dt, initialize = initialize, bundle = 'tquant', analyze = analyze, capital_base = 1e6, handle_data = handle_data, custom_loader=custom_loader ) results
使用 run_algorithm() 執行上述設定的策略，設置交易期間為 start_dt(2021-01-01) 到 end_dt(2024-06-28)，導入 custom_loader，使用資料集 tquant，初始資金為一百萬元。其中輸出的 results 為每日績效與交易的明細表。
上面兩張圖顯示策略獲得良好的績效，其中 2618 的回測全程超越大盤，而 8215 的績效則是在領先大盤後被大盤稍稍追過。
*注：圖中第二小圖為預測股價和實際股價的差異，藍線為預測股價，紅線則為實際股價，紅色三角標記為買進，綠色三角標記為賣出。
利用 Pyfolio 進行績效評估
import pyfolio as pf returns, positions, transactions = pf.utils.extract_rets_pos_txn_from_zipline(results) benchmark_rets = results['benchmark_return'] pf.tears.create_full_tear_sheet(returns=returns, positions=positions, transactions=transactions, benchmark_rets=benchmark_rets )
結論
在以上兩檔股票的回測中，我們可以看到以 LSTM 股價預測策略進行回測的績效會有不錯的成果，兩檔回測的夏普率都超過 0.5，Alpha 值也都在一個不錯的水準。比較特別的是 2618 這檔回測，40 個月來年化報酬率來到 29.6%，累積報酬率更來到接近 138％，績效相當的好。
更詳細的來看看策略本身的特性，由於策略的基礎是以隔日收盤價為目標進行買入，因此我們可以發現到報酬率曲線相當近似於實際股價的曲線，換句話說就是漲的時候策略會漲，跌的時候策略也會跌，因此止損與止盈的控制就非常重要，需要特別注意。
另外我們在撰寫策略時，有發現到「return_pred 紀錄預測股價、returns 為真實股價走向，若兩者走勢為正向，則進行入場。」這件事不全然可以套用在所有模型上，可能對於某些檔股票而言，走勢同為負向時，抑或是正 / 負得更多時再進行入場才會獲得更高的收益，否則績效的變化是很大的。
之所以會導致此原因，我們推測是由於時間序列模型在預測上的延遲性，這個延遲性會導致我們在買多時可能會有不小心買在高點（因為高點在前一天就出現了，模型第二天才反映出來）導致成本過高，或是賣在低點（低點在前一天就出現，模型同樣是第二天才反映，導致績效變差），因此這項策略會更需要我們多去調整策略參數，找到最優解。
歡迎投資朋友參考，之後也會持續介紹使用 TEJ 資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。
溫馨提醒，本次分析僅供參考，不代表任何商品或投資上的建議。
【TQuant Lab回測系統】解決你的量化金融痛點
全方位提供交易回測所需工具
留言 0