【策略】算法判断沪深300走势

之前基本上写的基本面的东西多一些，不过大家对这个不感兴趣，还是写一些量化探索性的东西，大家更加喜欢，如果我们探索性的东西有意义的话，后面就做成【次方量化】里面成熟的产品，给大家一起使用。到目前为止，没有任何一个产品，能够预测大盘的走势。如果通过一些衍生指标做神经网络，又经常过拟合。就算一些大学生写的论文，也是过拟合严重，随便弄一个机器学习跑一个demo，就把论文交上去了。如果通过经济的基本面去预测的话，延迟非常严重。股市的本质是资金推动的，之前有北线资金，现在北线资金被取消了，而且也有内资借道。还有主力资金，不过所有的主力资金，那个数据都是假的，主力资金，天天流出，这个不是真的资金，现在还有一个能用的资金指标，那就是【融资融券】这个数据真实性非常高，而且每天更新，里面没有假数据。

import akshare as ak
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')

# ========== 1. 数据准备 ==========
stock_margin_account_info_df = ak.stock_margin_account_info()
stock_zh_index_daily_df = ak.stock_zh_index_daily(symbol="sh000300")

# 统一日期格式
stock_margin_account_info_df.rename(columns={'日期': 'date'}, inplace=True)
stock_zh_index_daily_df['date'] = pd.to_datetime(stock_zh_index_daily_df['date'])
stock_margin_account_info_df['date'] = pd.to_datetime(stock_margin_account_info_df['date'])

# 合并
data = pd.merge(stock_margin_account_info_df, stock_zh_index_daily_df, how='inner', on='date')
data = data.sort_values('date').reset_index(drop=True)
data = data[1000:].copy()

# 特征工程
for i in [5, 10, 20]:
    for j in ['close', 'volume', '融资买入额']:
        data[f"{j}_{i}"] = data[j].rolling(window=i).mean()

# 目标变量：未来10天是否上涨
data['y_price'] = data['close'].shift(-10) - data['close']
data['target'] = (data['y_price'] > 0).astype(int)

# 准备特征
drop_cols = ['date', 'y_price', 'close', 'open', 'high', 'low', 'volume', 'amount', '融资买入额']
feature_cols = [col for col in data.columns if col not in drop_cols]
data = data[20:].dropna().reset_index(drop=True)

# ========== 2. 训练模型 ==========
X = data[feature_cols]
y = data['target']

# 时间顺序划分（最后20%作为测试）
split_idx = int(len(X) * 0.8)
X_train, X_test = X.iloc[:split_idx], X.iloc[split_idx:]
y_train, y_test = y.iloc[:split_idx], y.iloc[split_idx:]

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 预测类别（0/1）
y_pred = model.predict(X_test)

# 提取测试集对应的日期和收盘价
test_dates = data['date'].iloc[split_idx:].reset_index(drop=True)
test_close = data['close'].iloc[split_idx:].reset_index(drop=True)

# ========== 3. 只保留最近3个月（约60个交易日）==========
# 注意：A股每月约22个交易日，3个月≈66天
N_DAYS = 120
if len(test_dates) > N_DAYS:
    recent_dates = test_dates.iloc[-N_DAYS:]
    recent_close = test_close.iloc[-N_DAYS:]
    recent_pred = y_pred[-N_DAYS:]
else:
    recent_dates = test_dates
    recent_close = test_close
    recent_pred = y_pred

# ========== 4. 可视化：最近3个月 ==========
plt.figure(figsize=(12, 6))

# 实际收盘价曲线
plt.plot(recent_dates, recent_close, color='black', linewidth=1.5, label='沪深300 实际收盘价')

# 标记预测结果：绿色=预测上涨，红色=预测下跌
up_mask = recent_pred == 1
down_mask = recent_pred == 0

plt.scatter(recent_dates[up_mask], recent_close.iloc[up_mask], 
            color='green', s=30, label='模型预测：未来10日上涨', zorder=5)
plt.scatter(recent_dates[down_mask], recent_close.iloc[down_mask], 
            color='red', s=30, label='模型预测：未来10日下跌', zorder=5)

# 美化图表
plt.title('最近3个月：沪深300实际走势 + 模型预测信号（每天预测未来10日涨跌）', fontsize=14)
plt.xlabel('日期')
plt.ylabel('收盘价')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

再构建你的机器学习模型，我这边用的神经网络，软件用的spss modeler这个软件网上可以下载到，如果想要下面原文件的朋友（关注次方量化服务号，操作栏里面找客服，我就发给你）你可以进一步研究。