一种基于遗传规划的量化策略生成系统的制作方法

本发明涉及计算机软件领域，特别是涉及在线量化投资策略生成相关的信息处理使用场景。

背景技术：

随着信息技术的发展，证券投资方式也越来越精进，利用数量化方式及计算机程序来发出交易指令以求获取稳定收益的量化交易也越来越普及。而量化策略就是量化交易的实现途径，即将投资者的投资思想规则化、变量化，转变为计算机可以识别的可执行的程序。量化策略生成系统则能够生成量化策略，并且能利用历史数据进行回测，验证策略的有效性。

目前，市面上的量化策略生成方式大多是提供数据及api，让用户在一个在线或者客户端的editor中编写程序代码作为一个策略，这种做法门槛较高使用复杂，用户必须熟悉对应的开发语言及策略开发规则才能进行对应的策略生成。本发明采用一种个性化生成器的方式，让用户设定策略条件及相关参数，一键生成策略并展示结果。此外，量化策略的目标是追求高收益低风险，在以往的策略执行过程当中只是单纯的触发策略执行条件，并不存才调优的过程，胜率不高。本发明运用遗传规划，以收益率、回撤等投资者关心的指标为目标，来为用户的量化策略寻求更优的执行逻辑。

技术实现要素：

本发明的目的是为了解决目前策略生成方式复杂且无法通过调优提高策略效果的问题，设计出一种能让用户选择策略参数和调优目标，直接生成策略并查看回测结果的系统。

为了解决上述问题，本发明采用的技术方案是：

采用b/s架构，在客户端设置一个策略生成系统来让使用者设定策略的相关参数，并查看策略运行结果。在服务端接收策略参数，运行策略并以不同客户的需求为目标对策略进行调优以使得策略更加有效。

进一步，所述策略生成参数设定，包括对策略的基本信息、股票池、策略用到的指标参数、调优目标、遗传参数进行设定。

进一步，所述策略运行结果包括收益率、夏普比率、波动率、最大回撤，α值、beta值及收益曲线等等，用以评价策略的优劣。

进一步，所述策略运行及遗传规划调优，依赖于基础行情数据、策略静态数据以及量化因子数据，按照用户设定的条件及函数库构建初始的群体。以使用者的需求为优化目标计算个体的适应度，通过使用轮盘赌选择法，选取适应度高的成员，经过交叉、变异后得到最优的群体。根据优化结果对设定的股票池进行筛选后生成交易信号，结合账户持仓以及行情信息生成订单，并计算策略的运行结果传输到客户端展示。

由于采用上述方案，本发明的有益效果是：

（1）操作简便。由于使用者不需要自己进行复杂的编程，只需要打开网页进行策略基本信息、指标及遗传参数的设置就能够生成自己的策略并且快速查看到结果。

（2）扩展性强。指标和量化因子可以任意扩展，以满足使用者在将其投资思想转变为策略时多样化的需求。

（3）利用遗传规划进行调优，可以获取全局最优解，以获取更好的收益。

四、附图说明

图1是本发明的系统架构图。

图2是基本操作的处理流程图。

图3是策略执行的流程图。

图4是基于遗传规划进行调优及计算的具体流程图。

五、具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

图1为本发明的基础架构图。

模块101为web客户端，用户在客户端设定生成策略的参数，与服务端进行通信，具体步骤在图2中进行说明。

模块102为服务端的逻辑处理模块，包括策略执行模块，订单管理模块及账户管理模块。

模块103为服务端的数据模块，包括静态数据、行情数据、量化因子数据。具体在模块104-106中进行说明。

模块104为策略执行模块，即进行回测的模块，按照用户设定的策略条件基于遗传规划来执行策略，生成交易信号。

模块105为订单管理模块。生成的交易信号由行情数据触发产生订单，这里的订单操作包括买入和卖出，最后生成一条条订单记录。

模块106为账户管理模块，这里给每一个策略默认分配一个账户，由于设定了初始资金及仓位，在每次进行交易时需要对账户情况进行查询，来确认是否能够进行交易。最后会基于交易信息计算整个策略的收益和持仓状况。

模块107为静态数据模块，主要是一些固定的数据项目，包括手续费率、滑点数及默认对照的证券标的，在执行策略时会按照这些设定来运行。

模块108为行情数据，包括分钟级及日级的股票行情数据，包括高开低收价格、成交量等等，在本实施例中采用的是前复权数据。

模块109为特色的量化因子数据，用户选择的指标参数就来自于这一部分，包括质量类因子、成长类因子、规模类因子、舆情类因子、技术类因子、价量类因子和股东因子。

图2为本发明的基本操作的流程图，结合图1所示，对步骤进行详细描述。

在步骤201中，用户登录webclient，创建一个策略。

在步骤202中，用户设置策略的基本信息，包括名称、运行频率、初始资金、仓位及股票池。

在步骤203中，用户选择指标及参数，为后续程序进行自动演算提供基础的数据。具体内容包括但不限于：最高价、最低价、收盘价、开盘价等基础行情数据，市盈率、市值等财务数据，以及macd、kdj、ma等技术指标。

在步骤204中，需要对遗传规划的参数进行设定，起止时间包括训练期及回测期，训练期用来使用遗传规划优化策略，回测期进行执行及验证。需要设定遗传规划适应度函数作为调优目标来选择最优的子群，包括但不限于收益率、回撤、夏普率、波动率等投资者关心的指标。而在适应度函数的使用上，本发明实施例选择轮盘赌选择法。在适应度函数的基础上，通过使用者自行设定的杂交率和变异率进行杂交与变异。通过不断迭代上述过程，获取最优的股票策略。

在步骤205中，对策略进行执行，具体步骤在图3中进行详细说明。

在步骤206中，对策略执行的结果在web端进行展示，提供给使用者查看。

在步骤207中，判断用户是否进行了保存策略的请求。如果是则进行208的步骤，如果否则进行209的步骤。

在步骤208中，将用户设置的所有信息加密传输到服务端进行保存。

在步骤209中，判断用户是否进行了修改策略的请求。如果是则进行202的操作，对策略的基本信息及设置进行修改，如果否则流程结束。

上述步骤中，使用者只需要对策略进行参数设置和选择，不用自己写策略逻辑，简单快捷。

图3为策略执行的流程图。下面对具体步骤进行说明。

在步骤301中，获取到使用者设定的参数作为策略执行的基础。

在步骤302中，从模块103中读取需要用到的对应的数据，主要是行情数据、用户在策略中设定的要使用到的指标以及事先设定好的策略静态数据。

在步骤303中，通过遗传规划将因子进行有效的回归，获得最优的因子系数。根据相关的系数组合成最优的策略，具体的步骤在图4中进行详细说明。

在步骤304中，得到优化结果并针对设定的股票池进行筛选，在本实施例中采用的是排序选择的规则，最后根据筛选结果生成交易信号。

在步骤305中，根据调仓记录对收益进行计算。这里的收益包括但不限于：整体收益率、年化收益率、夏普比率、波动率、最大回撤，α值、beta值、信息比率。

图4为基于遗传规划进行调优及计算的具体流程图。结合图3所示，对步骤进行详细描述。

遗传规划模拟了自然界中的生物变异进化步骤，将优化步骤转化为优胜劣汰的步骤，得到初始群体后进入循环迭代的过程，按照一定的方式在上一代中选择随机个体，利用遗传和变异算子生成新个体，最终达到终止条件。事先需要给定一个函数集，包括但不限于算数运算、关系运算、正弦、余弦、对数、指数、幂等等。

在步骤401中，股票数据为使用者设定的股票池，导入股票池和其他在设定条件中用到的数据，作为基础数据集。

在步骤402中，将导入的指标及数据通过函数库来随机构建出初始的群体。

在步骤403中，给定个体后，需要得到该个体对应环境的适应度，适应度越高则越可能将优良基因遗传下来。再本实施例当中，将收益率、回撤等作为适应度，回测每个个体的适应度。在本专利中考虑了适应度函数中的两个重要问题：(1)进化初期，个别超常个体控制选择过程；(2)进化末期，个体差异太小导致陷入局部极值。

在步骤404中，判断是否出现适应度满足需求的个体或者达到迭代的次数，若完成则执行步骤408，若未完成到则执行步骤405。

在步骤405中，在本专利中使用轮盘赌选择方法进行种群选择，即从父代种群中选择一些成员的方法。其中被选中的几率和它们的适应性分数成比例，适应性分数愈高，被选中的概率也愈多。这不保证适应性分数最高的成员一定能选入下一代，仅仅说明它有最大的概率被选中。

在步骤406中，通过在步骤405获取的种群中选择两个个体作为父代。选取其树形结构的节点，并以该节点为根节点进行两个子树的交换。从而产生新的两个个体，如此产生的个体数量占群体大小的比例记为pc。

在步骤407中，按等比例于适应度的选择概率在上一代群体中选择一个个体作为父代，并随机选取其树结构的节点。以随机生成的另一个树结构函数体替换以该节点为根节点的子树，以生成新的个体。如此产生的个体数量占群体大小的比例记为pm。

在步骤408中，根据适应度及交易规则，买入排名靠前的股票，卖出排名靠后的股票。在本实施例中，交易规则为收盘时进行买入卖出。

通过以上步骤，能够基于遗传规划，以收益率、回撤等投资者关心的项为目标进行优化，提高策略的收益及胜率。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等效流程变化，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。