本篇文章所使用的数据，来源于JQData本地量化金融数据库。下面我将粗略的介绍一个强化学习在证券市场中应用的简单实例。 关于强化学习的算法理论及发展历史，我们不做过多的解释。我们可以很容易在互联网上找到强化学习的理论知识，虽然可能都是一些只言片语，但对于初学者来说基本也就够用了。到目前为止，还没有出现广受业内好评的中文教材，更多的参考资料还是英文版的。例如，Richard S.Sutton和Andrew G.Barto所著的《Reinforcement Learning: An Introduction》。这是比较好的强化学习教材，想要系统的、深入的学习强化学习，这本书值得一看。虽然国内学术界有很多关于强化学习的文章，但它们都看起来比较专业，我不建议初学者一上来就开始啃理论。最好的学习方式是你先入门，弄懂强化学习可以干什么？然后应用一些简单的算法搭建一个你当前正想解决的问题，再不断的去改进你的算法，并在这个过程中深入地学习。对于这篇文章而言，我们假设你已经有了一些强化学习的基础知识了，这里只是给出了一个十分简单的关于量化分析的应用demo而已。 作为量化分析领域的专业人员，我们可能对用强化学习解决玩游戏、找宝藏的Demo不感兴趣。我们更希望能够有一个简单的强化学习demo：当输入K线数据，就可以告诉我什么时候该买，什么时候该卖，即使给出的买卖点并不准确，但我们总算可以看看强化学习模型是怎么给出这个买卖点的。这篇文章就做了这样一个demo，主要是想介绍怎样在构建证券市场构建一个简单的强化学习模型。 强化学习相比于神经网络等常见的机器学习算法而言，强化学习更灵活多变。深度神经网络、卷积神经网络已经算是比较难的算法了，但对于应用人员来说，你只需要搞懂输入输出基本就能用了。但强化学习完全不行，必须要对特征的问题抽象建模，这往往是最难的。怎样从一堆证券数据中抽象各种各样的状态，以及这些状态是怎么转换的，怎么定义动作、回报等等。这些问题直接决定你的模型的质量。 在这篇文章中，我们需要解决的问题是：怎么利用一天内的48根5分钟的K线数据探索在每个5分钟结束的时候，我们是该买入（B），还是该卖出（S），或者是继续观望（W），并用一段时间内所有的5分钟数据训练这个模型，看哪个时间点最适合买入，哪个时间点最适合卖出。我们以时间点作为一个状态标识，则状态(S)转移就比较好定义了：935（早上9点35，这个时间点产生了第一根K线）->940->945->…->1455->1500，状态s->s’可以采取的动作(A)包含B、S、W。我们使用Q-learning算法来解决这个问题。因此，Q表应该是这样的： 关于Reward，我们是这样定义的：未来一段时间的收益率，比如未来3根K的涨跌幅。有了这些之后，我们基本就可以开始着手编写程序了。 首先创建一个环境类： ``` times = [935, 940, 945, 950, 955, 1000, 1005, 1010, 1015, 1020, 1025, 1030, 1035, 1040, 1045, 1050, 1055, 1100, 1105, 1110, 1115, 1120, 1125, 1130, 1305, 1310, 1315, 1320, 1325, 1330, 1335, 1340, 1345, 1350, 1355, 1400, 1405, 1410, 1415, 1420, 1425, 1430, 1435, 1440, 1445, 1450, 1455, 1500] class Market: def __init__(self, data): self.action_space = ['B', 'S', 'W'] # 买进、卖出、观望 self.n_actions = len(self.action_space) self.data = data # 935 940 ... 1500 48根K线的数据 self.time = 935 pass def step(self, action): # 要知道当前在那个状态即时间点,用下一时间点的R（收益）作为 # 当前采取action的reward tix = times.index(self.time) nix = tix + 1 if self.time == 1500: reward = 0 done = True s_ = 'terminal' # print('time is over.') else: reward = self.data.R.iloc[nix] done = False s_ = times[nix] if action == 'B': pass elif action == 'S': # 当R为-的时候，选择S，应该是正奖励 reward = reward * -1 else: # 选择观望，既不亏损也不会盈利，但会损失机会成本 # 我们当前对观望的决策持客观态度，reward=0，这 # 可能需要在不同的大盘行情下适时调整 reward = 0 pass self.time = s_ return s_, reward, done pass def reset(self): self.time = 935 return self.time pass ``` 然后创建Q-learning算法类（或者称这个类为一个Agent）： ``` class QLearning: #Agent def __init__(self, actions, q_table=None, learning_rate=0.01, discount_factor=0.9, e_greedy=0.1): self.actions = actions # action 列表 self.lr = learning_rate # 学习速率 self.gamma = discount_factor # 折扣因子 self.epsilon = e_greedy # 贪婪度 # 列是action。 if q_table is None: self.q_table = pd.DataFrame(columns=self.actions, dtype=np.float32) # Q 表 else: self.q_table = q_table # 检测 q_table 中有没有这个 state # 如果还没有当前 state, 那我们就插入一组全 0 数据, 作为这个 state 的所有 action 的初始值 def check_state_exist(self, state): # state对应每一行，如果不在Q表中。 if state not in self.q_table.index: # 插入一组全 0 数据，给每个action赋值为0 self.q_table = self.q_table.append( pd.Series( [0] * len(self.actions), index=self.q_table.columns, name=state, ) ) # 根据 state 来选择 action def choose_action(self, state): self.check_state_exist(state) # 检测此 state 是否在 q_table 中存在 # 选行为，用 Epsilon Greedy 贪婪方法 if np.random.uniform() < self.epsilon: # 随机选择 action action = np.random.choice(self.actions) else: # 选择 Q 值最高的 action state_action = self.q_table.loc[state, :] # 同一个 state, 可能会有多个相同的 Q action 值, 所以我们乱序一下 state_action = state_action.reindex(np.random.permutation(state_action.index)) # 每一行中取到Q值最大的那个 action = state_action.idxmax() return action # 学习。更新 Q 表中的值 def learn(self, s, a, r, s_): # s_是下一个状态 self.check_state_exist(s_) # 检测 q_table 中是否存在 s_ # Q(S,A) <- Q(S,A)+a*[R+v*max(Q(S',a))-Q(S,A)] q_predict = self.q_table.loc[s, a] # 根据 Q 表得到的 估计（predict）值 # q_target 是现实值 if s_ != 'terminal': # 下个 state 不是 终止符 q_target = r + self.gamma * self.q_table.loc[s_, :].max() else: q_target = r # 下个 state 是 终止符 # 更新 Q 表中 state-action 的值 self.q_table.loc[s, a] += self.lr * (q_target - q_predict) ``` 最后就是创建一个文件来协调上面两个类开始工作： ``` def update(data, q_table=None): env = Market(data) RL = QLearning(actions=env.action_space, q_table=q_table) for episode in range(100): # 初始化 state（状态） state = env.reset() step_count = 0 # 记录走过的步数 while True: # 更新可视化环境 # env.render() # RL 大脑根据 state 挑选 action action = RL.choose_action(str(state)) # 探索者在环境中实施这个 action, 并得到环境返回的下一个 state, reward 和 done (是否到了1500) state_, reward, done = env.step(action) step_count += 1 # 增加步数 # 机器人大脑从这个过渡（transition） (state, action, reward, state_) 中学习 RL.learn(str(state), action, reward, str(state_)) # 机器人移动到下一个 state state = state_ # 如果时间到了1500, 这回合就结束了，或者是某个止损条件达到了 if done: # print("回合 {} 结束. 总步数 : {}\n".format(episode + 1, step_count)) break # print('模拟交易结束了。') # print('\nQ 表:') # print(RL.q_table) return RL.q_table def train(): code = '000001' # 上证指数 sd = dt.datetime(2018, 10, 1) ed = dt.datetime(2018, 11, 1) # 我已经把从jqdata读取到了数据存在了本地，这里只是读取出来 data = md().read_data('index_min5', stock_code=code, date={'gte': sd, 'lt': ed}, field={'_id': 0, 'time': 1, 'close': 1, 'date': 1}) data = data.sort_values(['date', 'time'], ascending=False) # 计算每根K线收盘时未来三根K线的涨跌幅 data['R'] = (data.close.shift(3) / data.close - 1) * 100 data.fillna(0, inplace=True) data = data.round({'R': 3}) data = data.sort_values(['date', 'time'], ascending=True) qtb = None for k, g in data.groupby(['date']): print('train to:', k) try: # 开始一天一天的训练 qtb = update(g, qtb) except Exception as e: ExceptionInfo(e) print('\nQ 表:') print(qtb) qtb['time'] = qtb.index qtb.to_csv(path_or_buf='E:\wv\ReinfL\model_param\qtb({})_{}.csv'. format(code, sd.strftime('%Y_%m_%d')), index=False) pass train() ```