本文摘自清华大学出版的《深入浅出Python量化交易实战》一书的读书笔记。在这里，作者将KNN模型制定的交易策略转换为逻辑回归模型，并尝试观察该策略的绩效将如何变化。 　　

　　

　　二话没说，爬上梯子，引导库拉的数据： 　　

　　

　　将pandas作为PD导入pandas_datareader.data作为web导入numpy作为NP从datetime导入datetime 　　

　　

　　不用太多数据，来个3年的： 　　

　　

　　end=datetime.date.today() 　　

　　

　　start=end - datetime.timedelta(天数=365*3) 　　

　　

　　我的大a股，最好的X股，就是茅台。没人反对吧？我们来了解一下茅台的市场数据： 　　

　　

　　cowB=web。DataReader( 　　

color: #DD1144; --tt-darkmode-color: #FF3962;" class="data-color--tt-darkmode-ff3962">'600519.ss', 'yahoo', start, end)
cowB.head()

拉下来本仙就惊了，2019年1月的时候，大茅台才600多块钱啊！不过估计当时让本仙买，本仙也不敢。那时候我大A股过百的股票也没多少吧！

然后我按照书里的方法，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()

然后就多了几列，target里面，1表示次日上涨，-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，然后请出scikit-learn：

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

然后把数据集拆分成训练集和测试集：

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

看看逻辑回归表现如何：

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

结果发现，还没有书里KNN的分数高：

0.5438898450946644
0.5136986301369864

逻辑回归在训练集里面的准确率是54.39%，与书里KNN的准确率基本持平；但是测试集里只有51.37%，比书里的KNN模型低了差不多3个百分点。

折腾了一圈，结果并不满意。按说逻辑回归在分类任务上的表现，应该优于KNN才对啊。难道是本仙的数据噪音太大了？还是说其实这种预测本身意义就不大呢？