本文摘自清華大學出版《深入淺出Python量化交易實戰》一書的讀書筆記，這里把作者用KNN模式做的交易策略，換成了邏輯回歸模型，試試看策略的業績會有怎樣的變化。

二話不說，上梯子，導庫拉數據：

import pandas as pd import pandas_datareader.data as web import numpy as np from datetime import datetime

數據甭多了，來個3年的：

end = datetime.date.today() start = end - datetime.timedelta(days = 365*3)

我大A股，最牛X的股票，要說是茅臺，沒人反對吧?那咱搞茅臺的行情數據：

cowB = web.DataReader('600519.ss', 'yahoo', start, end) cowB.head()

拉下來本仙就驚了，2019年1月的時候，大茅臺才600多塊錢啊!不過估計當時讓本仙買，本仙也不敢。那時候我大A股過百的股票也沒多少吧!

然后我按照書里的方法，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()

然后就多了幾列，target里面，1表示次日上漲，-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，然后請出scikit-learn：

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

然后把數據集拆分成訓練集和測試集：

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

看看邏輯回歸表現如何：

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

結果發現，還沒有書里KNN的分數高：

0.5438898450946644 0.5136986301369864

邏輯回歸在訓練集里面的準確率是54.39%，與書里KNN的準確率基本持平;但是測試集里只有51.37%，比書里的KNN模型低了差不多3個百分點。

折騰了一圈，結果并不滿意。按說邏輯回歸在分類任務上的表現，應該優于KNN才對啊。難道是本仙的數據噪音太大了?還是說其實這種預測本身意義就不大呢?

原文地址：https://www.toutiao.com/a7065565734553993764/