前面的文章已经介绍，将短线个股挖掘问题转化为深度学习处理的分类问题，并且已经完成训练，将训练得到的模型保存到本地。本文将记录如何使用Keras加载模型并进行预测的过程。结果预测首先，找到训练模型保存的目录，加载模型：# 加载模型loaded_model = keras.models.load_model('./model/{}'.format(stk_code))然后，读入数据，将数据转化为字典类

v10将对回测结果及相关指标进行绘图展示。backtrader平台只需要在调用cerebro.run()后，添加如下一行代码就能完成绘图工作：cerebro.plot()为了展示backtrader自动绘图功能的易定制化及强大能力，将在v10中还添加了如下指标：指数移动均值（ExponentialMovingAverage）加权移动均值（WeightedMovingAverage）...

本文将继续对backtrader的order进行介绍，具体介绍Limit订单的使用。选取平安银行（000001）2019年1月1日至2019年12月31日的日线数据进行回测。为了便于分析，回测过程中设置佣金为0，交易单位大小为100。执行规则在Limit订单创建时，会设置一个price和valid时间，如果超过valid时间订单仍未满足执行条件，订单就会过期被取消。在valid时间内，订单会按照下

上一篇文章已经完成A股日线数据的下载，本文主要记录如何使用下载好的数据，利用回测框架，对策略进行验证。回测和交易框架有多种选择，可参见链接：https://zhuanlan.zhihu.com/p/26983703。这篇文章还对其他量化“利器”进行了介绍。极宽在这些框架中选择了Backtrader，给出的说明为：“新一代TopQuant（TQ）极宽量化系统，将完全基于backtrader：类似小.

本文基于backtrader的官方文档，对Strategy类的内容进行梳理。在backtrader中，Strategy类是用户制定回测策略的核心。我们可以用Strategy的各个方法来表示它的整个生命周期：孕育期——出生——儿童期——成年期——繁殖期——死亡。孕育期：init当实例化Strategy时，__init__方法将被调用。技术指标和一些其他的属性需要在这时候创建。例如：de...

在zwPython2020中，股票数据下载更新时，所读取的股票列表文件的目录位置为“zwPython\TQDat\TQDown2020v1\data\tq_wrk_code.csv”。该文件的更新时间为2018年12月，打开后我们可以看到共列出股票3567只。我们如果用这个文件来获取股票数据，会遗漏近一年多新上市的股票，并且会下载这段时间内已经退市的股票数据。如果想获取当前正常上市交易的所有股票的

前面的文章记录了深度学习挖短线股的数据预处理、模型训练、结果预测过程，本文将记录应用预测结果进行回测的步骤。策略回测在策略回测实现中，主要应用了backtrader的Data Feeds扩展功能 ，在笔记（25）中，记录了使用Data Feeds扩展进行单只股票回测的过程，本文则是基于深度学习预测结果，使用Data Feeds扩展进行多股回测。预测结果正则化笔记（43）中得到每只股票每日的预测结果

本文继续记录多股回测时可能遇到的异常情况。坑描述多股回测时，当日期达到所有股票的技术指标都能够计算出有效值后，backtrader才开始进行回测。由于这种逻辑的存在，如果某些股票在回测周期的最后几天才能计算出技术指标，那么就会导致回测只在最后几天进行，前面大片回测时间被浪费。坑重现为了重现上述现象，做如下回测设定（与笔记（35）相同）：使用20日均线作为买卖条件的判断标准：MIN_PERIOD =

v9主要介绍如何引入技术指标数据，通过引入技术指标来添加新的策略。在程序中，引入了移动平均值这一技术指标：当收盘价大于移动平均值时买入如果在场内，当收盘价小于移动平均值时卖出只允许单笔交易，即如果场内目前已经有买入资产，不允许再次买入之前版本的大部分代码可以继续保留，只需策略init方法内添加下列代码：self.sma = bt.indicators.SimpleMovingAver...

本文记录按照笔记46、47、48下载数据、扩展因子、测试选股规则后，按照规则进行选股的过程。选股规则本文就选股规则与笔记48所测试规则相同，即：2日前倍量暴涨9%以上。随后两日缩量调整。收盘价在20日线上方。20、30、60、120、250日线多头排列。选股规则代码如下：condition = df['value_boom_2a'].iloc[-1] and \df['volume_2a'].il