# fintech-py

**Repository Path**: jiaoxianfeng/fintech-py

## Basic Information

- **Project Name**: fintech-py
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2021-11-11
- **Last Updated**: 2022-01-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 面向金融的Python量化回测大作业
## 项目成员
| 姓名 | 学号 | 分工 |
| -----| ---- | ---- |
| 焦贤锋 | 2101210589 | 负责深度学习相关策略 |
| 刘子明 | 2101210610 | 负责代码框架与基本策略的实现 |
| 邵璟之 | 2101210624 | 负责计算回测过程中的相关数据 |
| 张堇然 | 2101210494 | 负责计算回测结束后的评判指标 |
| 张贤揆 | 2101210504 | 负责数据可视化 |

## 项目结构
- `backtester`:存放了主要的回测执行函数`trade_back_tester.py`，用以执行用户指定的策略在指定的日期范围内进行回测。
- `data`:存放了本项目中使用的数据（包括原始数据和处理过的训练集等数据）以及获取数据的方法。
- `model`:存放了本项目中使用到的深度学习模型，包括`gru`, `concare`，其中`concare`为自己设计的深度学习模型。
- `strategy`:存放了本项目中使用的策略，其中`strategy_base`为所有策略的基类，用户可以通过重写基类中的抽象方法`buy_strategy`与`sell_strategy`来实现自定义策略。
- `utils`: 存放了本项目中使用到的一些工具类，比如计算策略的夏普比率和最大回撤率，以及天数相关的工具计算函数。
## 实现概述
### 策略实现
通过实现了一个**策略模式**来支持策略的添加，符合了**开闭原则**。通过定义虚基类策略，我们在新添加策略的时候只需新建一个覆盖了`buy_strategy`与`sell_strategy`方法的子类，并在使用时将子类传入回测执行函数中即可。
### 策略因子
策略至少能支持以下因子：
1. 设置初始资金
2. 设置调仓时间
3. 设置最大持有股票数
其余的因子均可以通过**策略实现**小节中的方法动态的添加。

### 深度学习模型训练框架

- `dataset`:存放训练、验证以及测试所需的数据，以及数据获取和处理的方法
  文件夹中放入`__init__.py`文件，做成包，方便导入：

  ```
  from .data_interface import DInterface
  ```

  在 `data_interface` 中建立一个 `class DInterface(pl.LightningDataModule)` :用作所有数据集文件的接口。`__init__()` 函数中导入相应 `Dataset` 类，用 `setup()` 进行实例化，并加入所需要的 `train_dataloader`, `val_dataloader`, `test_dataloader` 函数。这些函数往往都是相似的，可以用几个输入 `args` 控制不同的部分。

- `model`: 存放模型代码
  文件夹中放入`__init__.py`文件，做成包，方便导入：

  ```
  from .model_interface import MInterface
  ```

  同理，在 `model_interface` 中建立 `class MInterface(pl.LightningModule)` :类，作为模型的中间接口。`__init__()` 函数中导入相应模型类，然后加入`configure_optimizers`, `training_step`, `validation_step` 等函数，用一个接口类控制所有模型。不同部分使用输入参数控制。

- `checkpoints`: 负责存放训好的模型参数

- `main.py`: 负责定义 `parser`，添加 `parse` 项。选好需要的 `callback` 函数们。实例化 `MInterface`, `DInterface`, `Trainer`。

### 模型

可设置考虑多少因子，可设置预测目标（适应回归任务、分类任务、多标签分类任务）

#### GRU
![alt text](https://img-blog.csdnimg.cn/e8fe4b1067a546f09d3eb42fd7707fc2.png#pic_center)


#### 多通道 GRU + self attention 模型
![alt text](https://img-blog.csdnimg.cn/0394012151044afd82f2b4ab038d35a2.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5a2Z56yR5bed5aWl5Yip57uZ,size_20,color_FFFFFF,t_70,g_se,x_16#pic_center)


#### 模型性能

| model             | acc          | auroc        | auprc        | minpse       |
| ----------------- | ------------ | ------------ | ------------ | ------------ |
| GRU               | 0.853(0.003) | 0.929(0.002) | 0.911(0.003) | 0.832(0.003) |
| Multi-Channel GRU | 0.861(0.003) | 0.937(0.003) | 0.923(0.003) | 0.843(0.003) |