1. 板块轮动策略的数据基础做量化交易的朋友都知道板块轮动是A股市场的一个重要特征。不同行业、概念板块在不同时期会有不同的表现如果能及时捕捉到这种轮动规律就能获得不错的收益。而要开发一个基于深度学习的板块轮动策略第一步就是要准备好高质量的数据。我在开发自己的量化系统时发现数据准备这个环节看似简单实际上暗藏玄机。很多新手容易在这里踩坑比如数据格式不统一、缺失值处理不当、特征工程不合理等等。这些问题看似小但会直接影响后续模型的训练效果。xtQuant作为miniQMT的Python接口提供了非常丰富的板块和成分股数据获取功能。我们可以通过它来获取行业分类、概念板块、地域板块等多维度的数据。这些数据就是我们构建板块轮动策略的基础原材料。2. 数据获取实战2.1 初始化环境配置在开始之前我们需要确保环境配置正确。首先得安装好xtquant库pip install xtquant然后启动miniQMT终端并登录。这里有个小技巧我建议把miniQMT设置为开机自启动这样可以避免每次都要手动打开。另外要注意Python版本要在3.7-3.11之间目前xtquant只支持Windows系统。2.2 获取板块分类数据xtQuant提供了完整的板块数据获取接口。第一步是要下载最新的板块分类数据from xtquant import xtdata # 下载板块分类数据 xtdata.download_sector_data()这个操作是同步的会阻塞程序直到数据下载完成。由于板块数据更新不频繁我一般会在策略初始化时调用一次或者每周更新一次就够了。下载完成后我们可以查看所有可用的板块列表sector_list xtdata.get_sector_list() print(板块数量:, len(sector_list)) print(前10个板块:, sector_list[:10])在我的测试中这个列表包含了行业板块、概念板块、地域板块等多种类型总数大概有几百个。2.3 获取成分股数据有了板块列表接下来就可以获取具体板块的成分股了。比如要获取半导体板块的所有股票semiconductor_stocks xtdata.get_stock_list_in_sector(半导体) print(半导体板块成分股数量:, len(semiconductor_stocks)) print(示例股票:, semiconductor_stocks[:5])这里返回的股票代码是code.market的格式比如600000.SH。这个格式在后续获取行情数据时会用到。3. 数据预处理技巧3.1 处理缺失值和异常值原始数据往往存在各种问题需要进行清洗。常见的包括停牌股票的数据缺失新股上市初期数据不全异常的价格波动比如涨跌停除权除息导致的价格跳空我通常会先用pandas进行初步清洗import pandas as pd def clean_data(df): # 处理缺失值 df df.dropna() # 处理极端值 for col in [open, high, low, close]: df df[(df[col] 0) (df[col] df[col].quantile(0.99))] return df3.2 构建特征工程好的特征是模型成功的关键。对于板块轮动策略我通常会计算以下几类特征动量类特征板块5日/20日/60日收益率相对强弱指标(RSI)MACD指标波动率类特征历史波动率最大回撤夏普比率资金流向特征主力资金净流入成交量变化率换手率计算示例def calculate_features(df): # 计算5日收益率 df[return_5d] df[close].pct_change(5) # 计算20日波动率 df[volatility_20d] df[close].pct_change().rolling(20).std() # 计算RSI delta df[close].diff() gain delta.where(delta 0, 0) loss -delta.where(delta 0, 0) avg_gain gain.rolling(14).mean() avg_loss loss.rolling(14).mean() rs avg_gain / avg_loss df[rsi] 100 - (100 / (1 rs)) return df4. 构建训练数据集4.1 数据标准化不同特征的值域差异很大需要进行标准化处理。我常用的是Z-score标准化from sklearn.preprocessing import StandardScaler def standardize_data(train, test): scaler StandardScaler() scaler.fit(train) train_scaled scaler.transform(train) test_scaled scaler.transform(test) return train_scaled, test_scaled, scaler4.2 构建时间序列样本深度学习模型通常需要固定长度的历史数据作为输入。我们可以用滑动窗口的方法来构建样本def create_sequences(data, window_size): sequences [] for i in range(len(data) - window_size): seq data[i:iwindow_size] sequences.append(seq) return np.array(sequences)4.3 处理类别不平衡板块轮动数据往往存在明显的类别不平衡问题。表现好的板块总是少数我们可以使用过采样或加权损失函数来解决这个问题。from imblearn.over_sampling import SMOTE smote SMOTE() X_resampled, y_resampled smote.fit_resample(X, y)5. 实战中的经验分享在实际开发中我总结出几个重要的经验数据更新策略板块成分股会定期调整建议每周更新一次数据。对于重要指数如沪深300在成分股调整日要特别注意。数据缓存机制频繁调用xtQuant接口会影响性能。我通常会实现一个本地缓存层把常用数据保存到本地数据库。异常处理网络不稳定时数据获取可能会失败要添加重试机制。我一般会设置最多3次重试并记录失败情况。并行获取获取多个板块数据时可以使用多线程加速。但要注意miniQMT的接口可能有并发限制。from concurrent.futures import ThreadPoolExecutor def get_sector_data(sector): try: return xtdata.get_stock_list_in_sector(sector) except Exception as e: print(f获取{sector}数据失败:, e) return [] with ThreadPoolExecutor(max_workers4) as executor: results list(executor.map(get_sector_data, sector_list))数据验证获取的数据要进行基本验证比如检查股票数量是否合理权重总和是否接近100%等。开发量化系统就像盖房子数据准备就是打地基。地基不牢后面的模型再高级也白搭。我在最初开发时曾经忽视数据质量结果模型表现很不稳定。后来花了大量时间重构数据模块才让系统真正稳定下来。
【深度学习量化交易11】miniQMT实战指南：基于xtQuant的板块轮动策略数据准备与预处理
发布时间：2026/6/13 1:25:06
1. 板块轮动策略的数据基础做量化交易的朋友都知道板块轮动是A股市场的一个重要特征。不同行业、概念板块在不同时期会有不同的表现如果能及时捕捉到这种轮动规律就能获得不错的收益。而要开发一个基于深度学习的板块轮动策略第一步就是要准备好高质量的数据。我在开发自己的量化系统时发现数据准备这个环节看似简单实际上暗藏玄机。很多新手容易在这里踩坑比如数据格式不统一、缺失值处理不当、特征工程不合理等等。这些问题看似小但会直接影响后续模型的训练效果。xtQuant作为miniQMT的Python接口提供了非常丰富的板块和成分股数据获取功能。我们可以通过它来获取行业分类、概念板块、地域板块等多维度的数据。这些数据就是我们构建板块轮动策略的基础原材料。2. 数据获取实战2.1 初始化环境配置在开始之前我们需要确保环境配置正确。首先得安装好xtquant库pip install xtquant然后启动miniQMT终端并登录。这里有个小技巧我建议把miniQMT设置为开机自启动这样可以避免每次都要手动打开。另外要注意Python版本要在3.7-3.11之间目前xtquant只支持Windows系统。2.2 获取板块分类数据xtQuant提供了完整的板块数据获取接口。第一步是要下载最新的板块分类数据from xtquant import xtdata # 下载板块分类数据 xtdata.download_sector_data()这个操作是同步的会阻塞程序直到数据下载完成。由于板块数据更新不频繁我一般会在策略初始化时调用一次或者每周更新一次就够了。下载完成后我们可以查看所有可用的板块列表sector_list xtdata.get_sector_list() print(板块数量:, len(sector_list)) print(前10个板块:, sector_list[:10])在我的测试中这个列表包含了行业板块、概念板块、地域板块等多种类型总数大概有几百个。2.3 获取成分股数据有了板块列表接下来就可以获取具体板块的成分股了。比如要获取半导体板块的所有股票semiconductor_stocks xtdata.get_stock_list_in_sector(半导体) print(半导体板块成分股数量:, len(semiconductor_stocks)) print(示例股票:, semiconductor_stocks[:5])这里返回的股票代码是code.market的格式比如600000.SH。这个格式在后续获取行情数据时会用到。3. 数据预处理技巧3.1 处理缺失值和异常值原始数据往往存在各种问题需要进行清洗。常见的包括停牌股票的数据缺失新股上市初期数据不全异常的价格波动比如涨跌停除权除息导致的价格跳空我通常会先用pandas进行初步清洗import pandas as pd def clean_data(df): # 处理缺失值 df df.dropna() # 处理极端值 for col in [open, high, low, close]: df df[(df[col] 0) (df[col] df[col].quantile(0.99))] return df3.2 构建特征工程好的特征是模型成功的关键。对于板块轮动策略我通常会计算以下几类特征动量类特征板块5日/20日/60日收益率相对强弱指标(RSI)MACD指标波动率类特征历史波动率最大回撤夏普比率资金流向特征主力资金净流入成交量变化率换手率计算示例def calculate_features(df): # 计算5日收益率 df[return_5d] df[close].pct_change(5) # 计算20日波动率 df[volatility_20d] df[close].pct_change().rolling(20).std() # 计算RSI delta df[close].diff() gain delta.where(delta 0, 0) loss -delta.where(delta 0, 0) avg_gain gain.rolling(14).mean() avg_loss loss.rolling(14).mean() rs avg_gain / avg_loss df[rsi] 100 - (100 / (1 rs)) return df4. 构建训练数据集4.1 数据标准化不同特征的值域差异很大需要进行标准化处理。我常用的是Z-score标准化from sklearn.preprocessing import StandardScaler def standardize_data(train, test): scaler StandardScaler() scaler.fit(train) train_scaled scaler.transform(train) test_scaled scaler.transform(test) return train_scaled, test_scaled, scaler4.2 构建时间序列样本深度学习模型通常需要固定长度的历史数据作为输入。我们可以用滑动窗口的方法来构建样本def create_sequences(data, window_size): sequences [] for i in range(len(data) - window_size): seq data[i:iwindow_size] sequences.append(seq) return np.array(sequences)4.3 处理类别不平衡板块轮动数据往往存在明显的类别不平衡问题。表现好的板块总是少数我们可以使用过采样或加权损失函数来解决这个问题。from imblearn.over_sampling import SMOTE smote SMOTE() X_resampled, y_resampled smote.fit_resample(X, y)5. 实战中的经验分享在实际开发中我总结出几个重要的经验数据更新策略板块成分股会定期调整建议每周更新一次数据。对于重要指数如沪深300在成分股调整日要特别注意。数据缓存机制频繁调用xtQuant接口会影响性能。我通常会实现一个本地缓存层把常用数据保存到本地数据库。异常处理网络不稳定时数据获取可能会失败要添加重试机制。我一般会设置最多3次重试并记录失败情况。并行获取获取多个板块数据时可以使用多线程加速。但要注意miniQMT的接口可能有并发限制。from concurrent.futures import ThreadPoolExecutor def get_sector_data(sector): try: return xtdata.get_stock_list_in_sector(sector) except Exception as e: print(f获取{sector}数据失败:, e) return [] with ThreadPoolExecutor(max_workers4) as executor: results list(executor.map(get_sector_data, sector_list))数据验证获取的数据要进行基本验证比如检查股票数量是否合理权重总和是否接近100%等。开发量化系统就像盖房子数据准备就是打地基。地基不牢后面的模型再高级也白搭。我在最初开发时曾经忽视数据质量结果模型表现很不稳定。后来花了大量时间重构数据模块才让系统真正稳定下来。
的演进与通信机制)
