所用到的数据：
1、上市公司信息数据
可用tushare的 stock_basic接口获取
2、股票每日信息（开、收、最高、最低价，换手率，成交量等）
可用tushare的pro_bar接口获取
3、大盘指数每日信息
可用tushare的 index_daily 接口获取
4、每日涨跌停统计
可用tushare的 limit_list接口获取
完整数据获取代码可以见github，github链接在末尾。
这里先说一些模型搭建思路。首先我们的策略是选取的是中期股（未来20天涨幅在12%以上并且这20天里最大损失在7%以内）。当某一天收盘结束时，我们先计算不同股票各个特征的值，然后给出判断是否满足我们的选股要求，若满足则在第二天以开盘价买入（买入1/5仓位）。在持股期间不加仓不减仓，若到止盈点（12%）卖出，若到止损点（7%）卖出，若达到最大持股周期（20天），则在当天收盘价卖出。
策略搭建代码
废话不说，直接上代码。
跟之前代码有些不同，这里我们先生成label，方便后面策略模型搭建（不用每次都重新生成一次label）。
核心代码如下：
首先通过平移将未来20天的最高与最低价通过pandas的merge函数merge在一起。
计算未来最高最低价与当天开盘价的涨幅比
通过循环判断，若在未来20天里，涨幅先达到12%（在跌幅达到6%之前），则标记为1.其他情况标记为0. 这里用6%跌幅是为了让我们尽量少亏一点。
制作标签的代码（MakeLabel.py）会传入github中，后续所有代码也会传入github中。
一些包导入及定义
上市公司信息获取：
读取大盘信息：
将大盘的日期提取出来生成一个dict，这么做的目的是为了给交易日编一个码，后期方便处理，因为有些股票会有停牌日导致信息丢失。
读取上市公司每日的涨跌的基本信息：
特征工程
获取星期及月份信息：
获取每日涨跌停统计，如果某天涨停数远远多于跌停数，则说明市场赚钱效应显著。
将每日成交量做一些处理，利用10天成交量均线换算成比例，开盘价等也是如此。
将大盘近五日相对于当天大盘情况换算成比例。
此时我们做的特征都是在当天收盘之后得到的特征，进行与标签merge的时候，我们需要把特征往前平移一天。因为我们的策略是在第二天的开盘价买入，制作label时是以第二天的开盘价为基准制作label的（可能讲的不太清楚）。
制作这种策略在未来策略成熟时，可以在当日收盘之后为大家推荐股票。
标签读取
模型训练
训练时间：20160101->20190101
测试时间：20190101->20191218
使用的特征：
星期；月份；当日涨停数-当日跌停数；转换后的开盘、收盘等价；近五日的收盘价、成交量（换成比例的）；
一共有29个特征
模型训练，利用lgb模型训练。这里不用验证集验证，直接训练1000轮。
观察特征重要性：
从特征重要性可以发现，换手率、近几天上证指数及涨跌停情况是比较重要的特征。看上证指数和涨跌停情况说明还是需要看大盘的，大盘好赚钱效应才高。
回测
买入策略：第二日开盘价买入，持股周期20天，止盈12个点，止损7个点。
先剔除一部分涨停无法买入的股票（利用最高价是否等于收盘价判断，暂且这么判断）
回测结果：初始资金为10w，Account为自己定义的一个类，可见github看源代码
部分股票交易信息：
盈利情况：
虽然账户远远跑赢上证指数，但最大回撤有20%，有待提高。
账户市值信息：
部分股票买入卖出情况：
可以发现我们买入的股票基本都是均线走势良好的股票。
总结与感触
1、低频交易想在中期股票选取上还是非常有潜力的，短期的市场震荡情况很难捕捉，但中期市场震荡情况相当而言判断容易。
2、机器学习特别依赖训练集（数据驱动）。我曾更改训练集时间范围（还是包含了牛熊市），但模型最后的结果还是比较好的，可见选中期股票相对于短期股票而言，稳定性更强一些。
改进方向
1、首先我们的回撤还是比较大的，实盘交易时容易怀疑自己的模型。从账户市值变化图中可以发现，我们模型在大盘崩的时候没有及时抛出股票，这是因为我们的策略设置问题（只根据止盈止损和持股时间来抛股票）。对于这个问题我们可以人为设置当满足一个条件时抛出股票，或者就是让模型自己训练决定何时抛出。其实这也就是个股的交易策略，这个个股交易策略会在未来开发。
2、然后就是我的特征都是一些均线特征，还有其他一些特征可以加入，比如说上涨时的成交量与下跌时的成交量（可以判断主力洗盘还是吸货等）。
代码 github: https://github.com/wbbhcb/stock_market
对量化、数据挖掘、深度学习感兴趣的可以关注公众号，本人不定期分享有关这些方面的研究。
个人知乎：
https://www.zhihu.com/people/e-zhe-shi-wo/activities