量化交易-特徵分析

上一節我們透過TA-Lib庫拿到20+與幣價相關的指標，本節我們需要透過基礎的資料分析能力，篩選出一批會用於量化交易策略的指標

資料概況

1、首先我們需要了解一下資料的情況

candles = load_my_pair_history（data_location，‘ETH_USDT-5m-futures。json’）print（“Loaded ” + str（len（candles）） + f“ rows of data for {pair} from {data_location}”）candles。head（） #展示部分資料

從上圖可以直觀的看到我們除日期外，還有5個與幣價相關的欄位

2、接著我們加入用於分析的相關指標

from freqtrade。resolvers import StrategyResolverfrom freqtrade。data。dataprovider import DataProviderstrategy = StrategyResolver。load_strategy（config）strategy。dp = DataProvider（config， None， None）# Generate buy/sell signals using strategydf = strategy。analyze_ticker（candles， {‘pair’： pair}）df。tail（）

檢查一下資料的完整性：

df。info（）

我們會發現有些指標存在缺失值，比如：sar、tema等，行數不足9572。

（

ps：其實沒有問題，這個跟統計口徑相關，後續抽空再講

）

再看看資料的分佈的情況：

df。describe（）

這裡展示了每個指標的

平均值、標準差、25%分位、50%分位、最大、最小值

等。

獲得這些指標有助於我們下一步的分析工作

特徵關係挖掘

1、透過統計學的方法，我可以快速拿到特徵（指標）與目標值之間的關係

隨機森林迴歸模型

#隨機森林迴歸模型model_rf = RandomForestRegressor（n_estimators=50，random_state=315）。fit（train_X， train_y）perm = PermutationImportance（model_rf， random_state=1）。fit（val_X， val_y）eli5。show_weights（perm， feature_names = val_X。columns。tolist（），top=30）

我們可以得到tema指標的權重是最高的

線性迴歸模型：

# Linear Regressionmodel_lr = LinearRegression（）。fit（train_X， train_y）perm = PermutationImportance（model_lr， random_state=1）。fit（val_X， val_y）eli5。show_weights（perm， feature_names = val_X。columns。tolist（），top=30）

透過線性迴歸模型，我們接著篩選出一批相關性較高的指標：

bb_middleband、bb_lowerband、bb_upperband、macd、tema

等

那麼以上指標的相關性具體在哪，我們需要透過圖表來分析。

import matplotlib。pyplot as plt# 折線圖 y_close = df［‘close’］［：1000］y_tema= df［‘tema’］［：1000］y_middleband = df［‘bb_middleband’］［：1000］y_lowerband = df［‘bb_lowerband’］［：1000］y_upperband = df［‘bb_upperband’］［：1000］x = df［‘date’］［：1000］plt。figure（figsize=（20， 10））plt。plot（x，y_close，‘’，label=“close”） plt。plot（x，y_lowerband，‘’，label=“low”） plt。plot（x，y_upperband，‘’，label=“up”） plt。plot（x，y_tema，‘’，label=“tema”） plt。xlabel（‘date’）plt。ylabel（‘close’）plt。title（‘ETH/USDT’）plt。legend（）plt。show（）

透過上面的圖表，我們可以明顯看到

tema、upper、low與收盤價的走勢幾乎保持一致

，也就是說我們可以利用這些指標作為我們買入和賣出的訊號

2、我們也需要利用一些強度訊號，作為資訊補充。

這裡推薦使用rsi

上圖是RSI和幣價的走勢圖，

我們會發現RSI的高峰幾乎都對應上了幣價的短期高點，RSI的谷峰對應了幣價的低點

。

特徵相關性熱力圖

那麼特徵之間的關係我們也需要了解分析一下，我們透過heatmap來繪製熱力圖：

df_coor=df。iloc［：1000，1：22］。corr（）df_coor。head（）plt。subplots（figsize=（10，10），dpi=1080，facecolor=‘w’）# 設定畫布大小，解析度，和底色fig=sns。heatmap（df_coor，annot=True， vmax=1， square=True， cmap=“Blues”， fmt=‘。2g’）#annot為熱力圖上顯示資料；fmt=‘。2g’為資料保留兩位有效數字，square呈現正方形，vmax最大值為1