scutquant

scutquant copied to clipboard

scutquant.py的def auto_process函数传入的split_params里面参数名“test_date”改成“test_start_date”

1

宁哥，那个scutquant.py的自动处理器def auto_process函数传入的split_params里面有个参数名“test_date”，应该要改成“test_start_date”吧？因为下面调用的split_data_by_date函数识别的那个测试集开始日期参数名是“test_start_date”

XXXHANHzundujiadu

我们使用平安银行的3秒钟股票数据，拟合了它的收益率，进而计算出它的股价 为了避免[数据泄露](https://www.kaggle.com/code/alexisbcook/data-leakage)，我们构建的特征将全部使用历史数据（即滞后项）和时序特征（只与当前的时间有关） 为了构建时序特征，我们将从趋势（trend）、季节（seasonality）和周期三个角度对目标值ret进行分析（即Auto_ts_ana） 随后，我们清除缺失值，并分别对目标值和特征，训练集和测试集进行标准化（在机器学习领域，数据最好都呈正态分布，因此需要标准化），同样地，为了避免数据泄露，我们使用训练集的数据特征对所有数据进行标准化 最后我们[拟合模型](https://www.kaggle.com/code/ryanholbrook/hybrid-models)，我们还可以更进一步查看模型的[shapley value](https://www.kaggle.com/code/dansbecker/advanced-uses-of-shap-values)，从而保证模型的可解释性 ######################################################################################### **拓展阅读资料：** [评估数据集质量（特征选择）](https://www.kaggle.com/code/ryanholbrook/mutual-information) [标准化](https://www.kaggle.com/code/alexisbcook/scaling-and-normalization)，[石川，刘洋溢，连祥斌 因子投资方法与实践](https://github.com/HaoningChen/ScutQuant/tree/main/%E6%96%87%E4%BB%B6)p301~302（在scutquant中我们采用的是5倍标准差） [时间序列季节性](https://www.kaggle.com/code/ryanholbrook/seasonality) [时间序列周期性（滞后项）](https://www.kaggle.com/code/ryanholbrook/time-series-as-features) ######################################################################################### 录屏：链接：https://share.weiyun.com/fdgBJTE1 密码：btg9ux ######################################################################################### 大家有问题也可以在Issue区留言

HaoningChen