【原】pycaret自动机器学习，自动调参：大类资产配置，样本外准确率57%。

原创文章第280篇，专注“个人成长与财富自由、世界运作的逻辑与投资"。

业余时间日更还是有一定的压力的，尤其是周末。

当然只要是有意义的事情，就需要坚持下去。

今天说说pycaret，前面我们介绍过autogruon。

首先，还是数据准备：

import sys
sys.path.append("../")
from engine.datafeed.dataloader import Hdf5Dataloader
from engine.config import etfs_indexes

etfs = [
    '510300.SH',  # 沪深300ETF
    '159915.SZ',  # 创业板
    '518880.SH',  # 黄金ETF
    '513100.SH',  # 纳指ETF
    '159985.SZ',  # 豆柏ETF
    '511880.SH',  # 银华日利ETF
]
symbols = etfs
loader = Hdf5Dataloader(symbols, start_date="20100101")
fields = ["roc(close,20)",
          "bias(close,20)",
          "std(volume,20)",
          "ema(ta_obv(close,volume),7)",
         "rank(roc_20)+rank(bias_20)",
          "shift(close, -5)/shift(open, -1) - 1", "qcut(label_c, 2)"]
names = ["roc_20",
         "bias_20",
         "std_20",
         "obv_7",
        "rank_roc_bias",
         "label_c", 'label']

df = loader.load(fields=fields, names=names)
df.dropna(inplace=True)
print(df)
df = df[names]
del df['label_c']
print(df)

使用pycaret预处理数据：

from pycaret.classification import *
s = setup(df, target = 'label', session_id = 123,index=False)

选择lightGBM模型：

model = create_model('lightgbm')

自动调参后，样本外准确率57.36%：

plot_model(model, plot = 'feature')，把重要特征绘制出来：

代码在：（已经在星球更新）

这里只是给了几个基础的因子，当前自动机器学习进化的方向看，重要的还是因子，有效的另类数据，多样化的因子。

生活总是充满这样那样的挑战，充满未知与不确定性，有惊喜，有时候也有惊吓。可能最有收获的事情是“有惊无险”。当然从书中学习更有广度。

解决问题的上上之策，是提高维度，让问题自行消失，而不是与问题死磕。比如你不喜欢一些同事，最优策略不是硬刚，也不是妥协与讨好。而是让你自己离得开它。你强大了，你就可以无视它。

这本书说，你要定1个亿的小目标——10倍法则：思考与行动

之前读完这本书，我们把目标从500万提升到半个小目标。10倍的视角看过去，确实人生就提升了一个维度，你可以设想下，如果你有房无贷，还有半个小目标的现金做投资组合。你现在所面对的困难，纠结，挑战，人际关系是不是都显得微不足道。

财富自由并没有大家想象中的那个远，什么1.9个亿的准入门槛。这个设定的基本逻辑错误是把钱看成是静态的东西，若真如此，1.9个亿也未必够。用好投资工具，500-5000个W足够。

在一线城市，通过工资、理财手段500个万是可能的。七年财务自由之路的逻辑。但半个小目标，这个着实有挑战，但总好过1.9个亿这般遥不可及。

近期文章：

基于streamlit的多策略多基准可视化分析（代码+数据下载）

年化29.3%，大类资产ETF动量轮动，添加商品与货币ETF，实盘跟进中（代码+数据下载）

知识星球与开源项目：万物之中，希望至美