如何做网站对比,乐清网站制作的公司,广州市建筑业联合会,vps设置网站访问用户权限目录 0. 承前1. 幻方量化 DeepSeek1.1 What is 幻方量化1.2 What is DeepSeek 2. 重写AI金融智能体函数3. 汇总代码4. 反思4.1 不足之处4.2 提升思路 5. 启后 0. 承前
本篇博文是对上一篇文章#xff0c;链接: 5. 马科维茨资产组合模型政策意图AI金融智能体(Qwen-Max)增… 目录 0. 承前1. 幻方量化 DeepSeek1.1 What is 幻方量化1.2 What is DeepSeek 2. 重写AI金融智能体函数3. 汇总代码4. 反思4.1 不足之处4.2 提升思路 5. 启后 0. 承前
本篇博文是对上一篇文章链接: 5. 马科维茨资产组合模型政策意图AI金融智能体(Qwen-Max)增强方案理论Python实战 的AI金融智能体更改为幻方量化DeepSeek-V3的尝试。
唯一区别之处在于上文中的get_ai_weights函数如果需要整体金融工程的思路流程可以在上文直接跳转本文中会直接给出修改地方与能够直接运行的汇总代码。
本文主旨
用文章向大家展示低耦合开发的优点如本文与上一篇文章的转换只需要重写一个函数即可使用实际代码向大家展示最常用的AI金融智能体接口openai、dashcode
如果想更加全面清晰地了解金融资产组合模型进化论的体系架构可参考 0. 金融资产组合模型进化全图鉴
1. 幻方量化 DeepSeek
1.1 What is 幻方量化
幻方量化High-Flyer Quant是中国领先的量化投资机构之一成立于2008年专注于利用人工智能AI和机器学习技术进行量化投资。其名称“幻方”源自古代数学中的幻方矩阵象征着数学与科学的逻辑魅力。幻方量化的核心业务是通过大数据分析、深度学习模型和强大的计算能力开发量化交易策略为投资者提供资产管理服务。
1.2 What is DeepSeek 低成本训练DeepSeek通过创新的算法和硬件优化大幅降低了模型训练成本。例如其最新模型DeepSeek-V3的训练成本仅为557万美元远低于OpenAI等巨头的数十亿美元投入。 创新架构DeepSeek采用了MLA多头潜在注意力机制和DeepSeekMoE混合专家模型等创新架构显著提升了模型的训练效率和推理性能。 高性能表现DeepSeek-V3在多项基准测试中表现优异尤其在数学推理、代码生成和中文处理能力上超越了众多开源和闭源模型甚至与GPT-4等顶尖模型媲美。
2. 重写AI金融智能体函数
登录DeepSeek官网获取 api并使用OpenAI格式的对话函数。代码实现
def get_ai_weights(character, policy_info, updated_result, api_key):# 定义发送对话内容messages [{role: system, content: character},{role: user, content: policy_info},{role: user, content: json.dumps(updated_result, ensure_asciiFalse)}]client OpenAI(api_keyapi_key, base_urlhttps://api.deepseek.com)response client.chat.completions.create(modeldeepseek-chat,messagesmessages,streamFalse)# 提取content内容content response.choices[0].message.content# 将JSON字符串转换为Python字典portfolio_weights json.loads(content)# 对AI输出结果进行归一化weights_sum sum(portfolio_weights.values())portfolio_weights {key: value/weights_sum for key, value in portfolio_weights.items()}# 将字典中的值修改为6位小数portfolio_weights {k: round(v, 6) for k, v in portfolio_weights.items()}return portfolio_weights3. 汇总代码
import tushare as ts
import pandas as pd
import numpy as np
from datetime import datetime, timedelta
from scipy.optimize import minimize
import backtrader as bt
import statsmodels.api as sm
import os
import json
import dashscope# 参数集##############################################################################
ts.set_token(token)
pro ts.pro_api()
industry 银行
end_date 20240101
years 5 # 数据时长
risk_free_rate 0.03 # 无风险利率参数
top_holdings 10 # 持仓数量参数
index_code 000300.SH # 市场指数代码参数
api_keysk-api_key # DeepSeek-V3 APIcharacter f
你是一名专业的金融数据与政策分析师擅长解读金融市场动态和政策导向并据此调整资产组合的权重分布以优化投资策略。你的主要任务是对给定的资产组合进行权重调整确保
1. 权重之和精确为1
2. 每个资产调整后的权重只能在原有基础上增减最多10%
3. 每个资产调整完毕后如果权重之和不等于1则归一化使权重之和精确为1
4. 数据对应的日期是{end_date}在思考过程中切勿根据该日期之后的信息进行思考。
5. 输出的数据格式需与输入保持一致仅提供数据而不做额外解释当你接收到具体的资产组合及其权重时请根据最新的金融数据和政策信息对其进行合理调整。
# 通过工作流获取的政策信息
policy_info
| 日期 | 政策简述 |
|------|----------|
| 2023-12-29 | 央行发布《关于优化商业银行存款利率监管有关事项的通知》取消定期存款利率浮动上限允许银行自主协调存贷款利率 |
| 2023-11-17 | 央行、银保监会联合发布《关于做好当前商业银行房地产贷款投放管理的通知》优化房地产信贷政策支持刚性和改善性住房需求 |
| 2023-09-25 | 银保监会发布《关于进一步加强银行业金融机构流动性风险管理的通知》要求银行加强流动性风险管理完善风险监测预警机制 |
| 2023-08-31 | 央行、银保监会宣布下调全国首套住房贷款利率下限各地可自主决定下调幅度二套房贷款利率政策与首套相同 |
| 2023-07-21 | 十四届全国人大常委会第四次会议表决通过《中华人民共和国金融稳定法》建立健全金融风险防范化解制度体系 |# 参数集##############################################################################def get_industry_stocks(industry):获取指定行业的股票列表df pro.stock_basic(fields[ts_code, name, industry])industry_stocks df[df[industry]industry].copy()industry_stocks.sort_values(byts_code, inplaceTrue)industry_stocks.reset_index(dropTrue, inplaceTrue)return industry_stocks[ts_code].tolist()def get_data(code_list, end_date, years):获取指定行业名称的历史收盘价数据ts_code_list code_listend_date_dt datetime.strptime(end_date, %Y%m%d)start_date_dt end_date_dt - timedelta(daysyears*365)start_date start_date_dt.strftime(%Y%m%d)all_data []for stock in ts_code_list:df pro.daily(ts_codestock, start_datestart_date, end_dateend_date)all_data.append(df)combined_df pd.concat(all_data).sort_values(by[ts_code, trade_date])combined_df.reset_index(dropTrue, inplaceTrue)combined_df.rename(columns{trade_date: date}, inplaceTrue)return combined_dfdef get_market_data(index_code000300.SH, start_dateNone, end_dateNone):获取市场指数数据用于计算贝塔df_market pro.index_daily(ts_codeindex_code,start_datestart_date,end_dateend_date,fields[trade_date, close])df_market[date] pd.to_datetime(df_market[trade_date])df_market.set_index(date, inplaceTrue)df_market df_market.sort_index()monthly_last_close df_market[close].resample(M).last()monthly_log_returns np.log(monthly_last_close).diff().dropna()return monthly_log_returnsdef get_factor_data(stock_codes, start_dateNone, end_dateNone):获取指定股票的因子数据市值和PBall_factor_data []for stock in stock_codes:try:df pro.daily_basic(ts_codestock,start_datestart_date,end_dateend_date,fields[ts_code, trade_date, total_mv, pb])all_factor_data.append(df)except Exception as e:print(f获取股票 {stock} 的因子数据失败: {str(e)})continuefactor_data pd.concat(all_factor_data, ignore_indexTrue)factor_data[trade_date] pd.to_datetime(factor_data[trade_date])return factor_datadef get_fina_data(stock_codes, start_dateNone, end_dateNone):获取指定股票的财务指标数据ROE和资产增长率all_fina_data []for stock in stock_codes:try:df pro.fina_indicator(ts_codestock,start_datestart_date,end_dateend_date,fields[ts_code, end_date, roe_dt, assets_yoy, update_flag])all_fina_data.append(df)except Exception as e:print(f获取股票 {stock} 的财务数据失败: {str(e)})continue# 合并数据fina_data pd.concat(all_fina_data, ignore_indexTrue)# 处理update_flag保留最新数据fina_data (fina_data.groupby([ts_code, end_date]).agg({roe_dt: first,assets_yoy: first,update_flag: max}).reset_index())# 将end_date转换为datetimefina_data[end_date] pd.to_datetime(fina_data[end_date])# 创建季度到月度的映射monthly_data []for _, row in fina_data.iterrows():quarter_end row[end_date]if quarter_end.month 3: # Q1months [quarter_end pd.DateOffset(monthsi) for i in range(1, 4)]elif quarter_end.month 6: # Q2months [quarter_end pd.DateOffset(monthsi) for i in range(1, 4)]elif quarter_end.month 9: # Q3months [quarter_end pd.DateOffset(monthsi) for i in range(1, 4)]else: # Q4months [quarter_end pd.DateOffset(monthsi) for i in range(1, 4)]for month in months:monthly_data.append({ts_code: row[ts_code],trade_date: month,roe_dt: row[roe_dt],assets_yoy: row[assets_yoy]})monthly_df pd.DataFrame(monthly_data)return monthly_dfdef calculate_monthly_log_returns(df):计算每月的对数收益率df[date] pd.to_datetime(df[date])monthly_last_close df.groupby([ts_code, pd.Grouper(keydate, freqM)])[close].last().unstack(level-1)monthly_log_returns np.log(monthly_last_close).diff().dropna()return monthly_log_returns.Tdef calculate_expected_returns(monthly_log_returns):使用Fama-French五因子模型计算各股票的预期收益率start_date monthly_log_returns.index.min().strftime(%Y%m%d)end_date monthly_log_returns.index.max().strftime(%Y%m%d)# 获取财务数据时将start_date往前推一个季度以确保有完整的季度数据fina_start_date (datetime.strptime(start_date, %Y%m%d) - timedelta(days90)).strftime(%Y%m%d)# 获取市场收益率market_returns get_market_data(index_code, start_date, end_date)# 获取股票的市值和PB数据stock_data get_factor_data(monthly_log_returns.columns.tolist(),start_date,end_date)# 获取财务指标数据使用提前的start_datefina_data get_fina_data(monthly_log_returns.columns.tolist(),fina_start_date,end_date)# 确保所有数据的日期对齐aligned_dates monthly_log_returns.index.intersection(market_returns.index)market_returns market_returns[aligned_dates]stock_returns monthly_log_returns.loc[aligned_dates].copy() # 使用copy()避免SettingWithCopyWarningdef calculate_size_factor(date):date_data stock_data[stock_data[trade_date].dt.to_period(M) date.to_period(M)]median_mv date_data[total_mv].median()small_returns stock_returns.loc[date, date_data[date_data[total_mv] median_mv][ts_code]]big_returns stock_returns.loc[date, date_data[date_data[total_mv] median_mv][ts_code]]return small_returns.mean() - big_returns.mean()def calculate_value_factor(date):date_data stock_data[stock_data[trade_date].dt.to_period(M) date.to_period(M)]# 创建date_data的副本并计算bm_ratiodate_data date_data.copy()date_data.loc[:, bm_ratio] 1 / date_data[pb]median_bm date_data[bm_ratio].median()high_returns stock_returns.loc[date, date_data[date_data[bm_ratio] median_bm][ts_code]]low_returns stock_returns.loc[date, date_data[date_data[bm_ratio] median_bm][ts_code]]return high_returns.mean() - low_returns.mean()def calculate_profitability_factor(date):date_data fina_data[fina_data[trade_date].dt.to_period(M) date.to_period(M)]median_roe date_data[roe_dt].median()robust_returns stock_returns.loc[date, date_data[date_data[roe_dt] median_roe][ts_code]]weak_returns stock_returns.loc[date, date_data[date_data[roe_dt] median_roe][ts_code]]return robust_returns.mean() - weak_returns.mean()def calculate_investment_factor(date):date_data fina_data[fina_data[trade_date].dt.to_period(M) date.to_period(M)]median_growth date_data[assets_yoy].median()conservative_returns stock_returns.loc[date, date_data[date_data[assets_yoy] median_growth][ts_code]]aggressive_returns stock_returns.loc[date, date_data[date_data[assets_yoy] median_growth][ts_code]]return conservative_returns.mean() - aggressive_returns.mean()# 计算每个月的因子收益smb_factor pd.Series([calculate_size_factor(date) for date in aligned_dates], indexaligned_dates)hml_factor pd.Series([calculate_value_factor(date) for date in aligned_dates], indexaligned_dates)rmw_factor pd.Series([calculate_profitability_factor(date) for date in aligned_dates], indexaligned_dates)cma_factor pd.Series([calculate_investment_factor(date) for date in aligned_dates], indexaligned_dates)# 使用OLS回归计算每个股票的因子载荷factor_loadings {}for stock in stock_returns.columns:X sm.add_constant(pd.concat([market_returns - risk_free_rate,smb_factor,hml_factor,rmw_factor,cma_factor], axis1))y stock_returns[stock] - risk_free_ratemodel sm.OLS(y, X).fit()factor_loadings[stock] model.params[1:]# 计算因子风险溢价market_premium market_returns.mean() - risk_free_ratesmb_premium smb_factor.mean()hml_premium hml_factor.mean()rmw_premium rmw_factor.mean()cma_premium cma_factor.mean()# 使用FF5模型计算预期收益率expected_returns pd.Series({stock: (risk_free_rate loadings.iloc[0] * market_premium loadings.iloc[1] * smb_premium loadings.iloc[2] * hml_premium loadings.iloc[3] * rmw_premium loadings.iloc[4] * cma_premium)for stock, loadings in factor_loadings.items()})return expected_returnsdef calculate_covariance_matrix(monthly_log_returns):计算收益率协方差矩阵return monthly_log_returns.cov()def portfolio_performance(weights, mean_returns, cov_matrix):计算投资组合的表现returns np.sum(mean_returns * weights)std_dev np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))return returns, std_devdef negative_sharpe_ratio(weights, mean_returns, cov_matrix, risk_free_rate):计算负夏普比率p_ret, p_std portfolio_performance(weights, mean_returns, cov_matrix)sharpe_ratio (p_ret - risk_free_rate) / p_stdreturn -sharpe_ratiodef max_sharpe_ratio(mean_returns, cov_matrix, risk_free_rate):计算最大夏普比率的投资组合权重num_assets len(mean_returns)args (mean_returns, cov_matrix, risk_free_rate)constraints ({type: eq, fun: lambda x: np.sum(x) - 1})bounds tuple((0, 1) for asset in range(num_assets))result minimize(negative_sharpe_ratio, num_assets*[1./num_assets], argsargs,methodSLSQP, boundsbounds, constraintsconstraints)return result.xdef calculate_top_holdings_weights(optimal_weights, monthly_log_returns_columns, top_n):计算前N大持仓的权重占比result_dict {asset: weight for asset, weight in zip(monthly_log_returns_columns, optimal_weights)}top_n_holdings sorted(result_dict.items(), keylambda item: item[1], reverseTrue)[:top_n]top_n_sum sum(value for _, value in top_n_holdings)updated_result {key: value / top_n_sum for key, value in top_n_holdings}return updated_resultdef get_ai_weights(character, policy_info, updated_result, api_key):# 定义发送对话内容messages [{role: system, content: character},{role: user, content: policy_info},{role: user, content: json.dumps(updated_result, ensure_asciiFalse)}]client OpenAI(api_keyapi_key, base_urlhttps://api.deepseek.com)response client.chat.completions.create(modeldeepseek-chat,messagesmessages,streamFalse)# 提取content内容content response.choices[0].message.content# 将JSON字符串转换为Python字典portfolio_weights json.loads(content)# 对AI输出结果进行归一化weights_sum sum(portfolio_weights.values())portfolio_weights {key: value/weights_sum for key, value in portfolio_weights.items()}# 将字典中的值修改为6位小数portfolio_weights {k: round(v, 6) for k, v in portfolio_weights.items()}return portfolio_weightsdef main():# 获取数据code_list get_industry_stocks(industry)df get_data(code_list, end_date, years)# 计算每月的对数收益率monthly_log_returns calculate_monthly_log_returns(df)# 使用FF5模型计算预期收益率mean_returns calculate_expected_returns(monthly_log_returns)# 计算收益率协方差矩阵cov_matrix calculate_covariance_matrix(monthly_log_returns)# 优化权重optimal_weights max_sharpe_ratio(mean_returns, cov_matrix, risk_free_rate)# 计算前N大持仓权重updated_result calculate_top_holdings_weights(optimal_weights,monthly_log_returns.columns,top_holdings)# 计算AI调仓后的持仓权重updated_result get_ai_weights(character, policy_info, updated_result, api_key)# 打印更新后的资产占比print(f\n{end_date}最优资产前{top_holdings}占比:)print(updated_result)if __name__ __main__:main()运行结果
AI金融智能DeepSeek-V3体调仓后权重
{601398.SH: 0.166525, 601328.SH: 0.165165, 600919.SH: 0.134011, 600036.SH: 0.112955, 601169.SH: 0.092157,
600016.SH: 0.086663, 601166.SH: 0.084316, 601288.SH: 0.062868, 600908.SH: 0.053454, 600926.SH: 0.041885}与Qwen-Max进行对比
股票代码股票占比Qwen-Max股票占比DeepSeek-V3601398.SH0.1630250.166525601328.SH0.1616230.165165600919.SH0.1292520.134011600036.SH0.1073720.112955601169.SH0.0957640.092157600016.SH0.0900460.086663601166.SH0.0876060.084316601288.SH0.0653230.062868600908.SH0.0555410.053454600926.SH0.0444490.041885
DeepSeek-V3相较于Qwen-Max通过保守的风格调整资产权重降低高波动性资产的占比保持重点资产的较高权重展现出较低的风险偏好和对稳健收益的追求。它注重分散化投资和长期价值旨在实现投资组合的稳定增长适合寻求风险控制与稳定回报的投资者。
其他尝试或许我们能够直接在人设提示词工程让AI金融智能体更加趋向于高波动高收益。
4. 反思
4.1 不足之处
政策信息获取获取政策信息方案仍为半手动AI逻辑缜密度AI可能未能完全按照提示词工程执行
4.2 提升思路
更换提示词工程工作流接入金融工程内部实现真正全自动
5. 启后 优化思路可参考下一篇文章 pass 量化回测实现可参考下一篇文章 pass
