本文摘自清华大学出版《深入浅出Python量化交易实战》一书的读书笔记，这里把作者用KNN模式做的交易策略，换成了逻辑回归模型，试试看策略的业绩会有怎样的变化。
二话不说，上梯子，导库拉数据：
import pandas as pd import pandas_datareader.data as web import numpy as np from datetime import datetime
数据甭多了，来个3年的：
end = datetime.date.today() start = end - datetime.timedelta(days = 365*3)
我大A股，最牛X的股票，要说是茅台，没人反对吧?那咱搞茅台的行情数据：
cowB = web.DataReader('600519.ss', 'yahoo', start, end) cowB.head()
拉下来本仙就惊了，2019年1月的时候，大茅台才600多块钱啊!不过估计当时让本仙买，本仙也不敢。那时候我大A股过百的股票也没多少吧!
然后我按照书里的方法，做下特征工程：
cowB['open-close'] = cowB['Open'] - cowB ['Close'] cowB ['high-low'] = cowB ['High'] - cowB ['Low'] cowB ['target'] = np.where(cowB['Close'].shift(-1) > cowB['Close'],1,-1) cowB = cowB.dropna() cowB.tail()
然后就多了几列，target里面，1表示次日上涨，-1表示次日下跌：
下面要搞模型了：
x = cowB [['open-close','high-low']] y = cowB ['target']
拆成x和y，然后请出scikit-learn：
from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression
然后把数据集拆分成训练集和测试集：
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size = 0.8)
看看逻辑回归表现如何：
lr = LogisticRegression() lr.fit(x_train, y_train) print(lr.score(x_train, y_train)) print(lr.score(x_test, y_test))
结果发现，还没有书里KNN的分数高：
0.5438898450946644 0.5136986301369864
逻辑回归在训练集里面的准确率是54.39%，与书里KNN的准确率基本持平;但是测试集里只有51.37%，比书里的KNN模型低了差不多3个百分点。
折腾了一圈，结果并不满意。按说逻辑回归在分类任务上的表现，应该优于KNN才对啊。难道是本仙的数据噪音太大了?还是说其实这种预测本身意义就不大呢?
原文地址：https://www.toutiao.com/a7065565734553993764/
