A股一直有新股不敗的神話。打新股幾乎是穩(wěn)賺不賠的生意。但是新股中簽率一般只有萬分之一到五之間。中國電信是最容易打中的新股之一，中簽率也只有0.95%。既然新股如此難中，我們能否退而求其次，在二級(jí)市場(chǎng)上參與新股的投資？

實(shí)際上，作者提出這個(gè)問題，是受三峽能源的啟示。三峽能源低價(jià)上市，上市第三天即打開漲停板，給了普通投資者一個(gè)非常好的參與的機(jī)會(huì)。如果當(dāng)天上車，后面短短7個(gè)交易日，出現(xiàn)了幾乎翻倍的行情。關(guān)鍵是，能否提前預(yù)測(cè)出新股的價(jià)格？如果不能，那么參與新股炒作，無疑只是一種賭博而已。

這篇文章探索了通過機(jī)器學(xué)習(xí)模型預(yù)測(cè)新股上市前幾日表現(xiàn)的問題。我們通過模型預(yù)測(cè)新股上市前幾日的收益率，分別就以下四種情況，做出了四個(gè)模型：

1. 非注冊(cè)制新股，預(yù)測(cè)有多少個(gè)漲停板，這樣可以從第一天就參與進(jìn)來。預(yù)測(cè)時(shí)間為上市前。
2. 非注冊(cè)制新股上市首日收盤后，預(yù)測(cè)還有多少個(gè)漲停板。有了真實(shí)交易數(shù)據(jù)，可以對(duì)前一個(gè)模型進(jìn)行修正，預(yù)測(cè)結(jié)果可能更準(zhǔn)確。
3. 注冊(cè)制新股，從上市之日起，不回調(diào)的情況下，最高漲幅是多少？預(yù)測(cè)時(shí)間為上市前。
4. 同上，預(yù)測(cè)時(shí)間為上市首日收盤后。結(jié)合當(dāng)日數(shù)據(jù)，進(jìn)行修正。

在上市交易前進(jìn)行預(yù)測(cè)的模型，我們稱之為零日模型(zero)，在上市后進(jìn)行預(yù)測(cè)的模型，則稱之為day one模型。

數(shù)據(jù)采集

新股數(shù)據(jù)可以從東方財(cái)富網(wǎng)上抓取。從網(wǎng)上抓取的數(shù)據(jù)中，我們主要關(guān)心的是以下幾個(gè)字段：

1. 發(fā)行總股數(shù)
2. 網(wǎng)上發(fā)行總股數(shù)
3. 頂格申購配市值
4. 申購上限
5. 發(fā)行價(jià)格
6. 中簽率
7. 發(fā)行市盈率
8. 行業(yè)市盈率
9. 詢價(jià)累計(jì)報(bào)價(jià)倍數(shù)和配售對(duì)象報(bào)價(jià)家數(shù)

上述字段為兩種模型共用。

day one模型還需要的字段有：

1. 上市首日開盤價(jià)
2. 上市首日收盤價(jià)
3. 上市首日漲幅
4. 上市首日換手率

預(yù)測(cè)目標(biāo)則分別是連續(xù)漲停的一字板數(shù)，以及最高漲幅（連續(xù)上漲至首次回調(diào)前）。這樣我們大概能得到2700條左右的數(shù)據(jù)。這個(gè)數(shù)據(jù)量，也只能使用機(jī)器學(xué)習(xí)模型來進(jìn)行訓(xùn)練了。

其中注冊(cè)制新股的數(shù)據(jù)還要更少一點(diǎn)。所以在訓(xùn)練注冊(cè)制新股預(yù)測(cè)模型時(shí)，我們將連續(xù)一字板漲停、及以后不回調(diào)情況下的上漲出現(xiàn)的最高點(diǎn)數(shù)據(jù)作為target，來進(jìn)行訓(xùn)練，這樣可以也能得到2000多條數(shù)據(jù)。
當(dāng)然，漲停板有助漲助跌的效果，這樣換算的數(shù)據(jù)，應(yīng)該不是最佳的。

模型訓(xùn)練

首選的模型當(dāng)然是xgboost。由于我們要預(yù)測(cè)的對(duì)象，無論是連續(xù)板個(gè)數(shù)，還是最高漲幅，都不具有類別屬性，因此，這是一個(gè)回歸問題，我們需要采用回歸模型。

為了找出最佳超參數(shù)，我們直接使用了grid search的方法，并且在構(gòu)造RandomizedSearchCV時(shí)，傳入`refit=True`。這樣一旦最佳超參數(shù)確立，RandomizedSearchCV還將使用最佳超參數(shù)訓(xùn)練出最佳模型。然后我們保存這個(gè)模型，即可用于此后的預(yù)測(cè)。

在sklearn的grid search方法中，帶CV字樣的，表明它使用了cross validation方法，這也是在樣本量不足的情況下，常用的一種方法。

它的原理是，正常情況下，為了防止data leak，我們?cè)谟?xùn)練前，將數(shù)據(jù)劃分為train、validation和test三個(gè)子集。訓(xùn)練時(shí)只使用train和validation數(shù)據(jù)集，訓(xùn)練完成后，再用test來測(cè)試一下，該模型對(duì)從未見過的數(shù)據(jù)，其效果如何。

但這樣做也會(huì)導(dǎo)致validation的數(shù)據(jù)無法用于訓(xùn)練，從而使得小樣本數(shù)據(jù)量下，訓(xùn)練更是捉襟見肘。所以我們使用cross validation的方法，只將數(shù)據(jù)劃分為train和test兩個(gè)數(shù)據(jù)集，在train數(shù)據(jù)集中，再滾動(dòng)劃分train和validation子集。當(dāng)一部分?jǐn)?shù)據(jù)（n-1)/n用于訓(xùn)練時(shí)，另一部分?jǐn)?shù)據(jù)(1/n)用以驗(yàn)證，然后再進(jìn)行輪換。

上述代碼中，使用了三分法（`cv=3`)，即每次使用1/3的數(shù)據(jù)用以驗(yàn)證。在超參數(shù)指定的空間里，我們又將其劃分為100個(gè)迭代進(jìn)行參數(shù)搜尋。因此上面定義的`search`對(duì)象，實(shí)際上會(huì)進(jìn)行300次訓(xùn)練。

如果有GPU可以用的話，在定義model時(shí)，可以加上這樣的參數(shù)，以啟用GPU：```model = XGBRegressor(tree_method='gpu_hist')```這樣訓(xùn)練的速度要提升幾倍（當(dāng)然遠(yuǎn)不及深度學(xué)習(xí)那樣提升得多）。

結(jié)果評(píng)估

我們先感性地認(rèn)識(shí)一下預(yù)測(cè)與真實(shí)值之間的差異：

day-one模型預(yù)測(cè)結(jié)果

zero模型預(yù)測(cè)結(jié)果

可以看出，day-one模型由于有了真實(shí)交易數(shù)據(jù)，預(yù)測(cè)結(jié)果比較準(zhǔn)確；zero模型也不算差。

不過，究竟這兩個(gè)模型的誤差有多大呢？我們還需要通過定量的方法來評(píng)估一下。
在訓(xùn)練時(shí)我們使用了RMSE（這是regressor默認(rèn)的loss)。但在結(jié)果評(píng)估時(shí)，為了更直觀地理解誤差大小，我們使用了MAE（mean absolute error），即預(yù)測(cè)值與真實(shí)值之間的絕對(duì)值誤差。

MAE

這個(gè)結(jié)果好得令人難以置信。特別是day-one模型，平均誤差僅為0.48個(gè)板！當(dāng)然，這個(gè)數(shù)據(jù)是在全體非注冊(cè)制新股記錄中獲取的，它們有一部分已經(jīng)參與了訓(xùn)練，可能發(fā)生data leak。但是，在訓(xùn)練結(jié)束后，通過計(jì)算在test數(shù)據(jù)集上的MAE，我們得到day-one模型的誤差僅為0.45，確實(shí)是相當(dāng)好的結(jié)果。

幾點(diǎn)思考

股價(jià)預(yù)測(cè)是一件很難的事。為什么我們的模型可以很好地預(yù)測(cè)新股上市的漲停板個(gè)數(shù)？這很可能跟當(dāng)前的發(fā)行制度有關(guān)。新股流通股的持有者主要是機(jī)構(gòu)，機(jī)構(gòu)關(guān)于定價(jià)，有自己的固有邏輯，因此，股價(jià)較為確定。這是股價(jià)可以預(yù)測(cè)的客觀因素。只有當(dāng)一件事有規(guī)律可尋，我們才能發(fā)現(xiàn)規(guī)律。如果股價(jià)真的是隨機(jī)的，不確定的，那么無論用什么樣的方法，都是無法預(yù)測(cè)的。

這件事的第二個(gè)意義就是，在股票市場(chǎng)上，一定存在著在某些條件下，證券有確定的定價(jià)的情況。因此，大力使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法，完成可能找到這些場(chǎng)景下的套利機(jī)會(huì)。

第三點(diǎn)思考的則是一則壞消息。盡管漲停板的個(gè)數(shù)可以準(zhǔn)確地預(yù)測(cè)，但對(duì)于散戶來講，新股即使是上市以后，仍然很難買到。這個(gè)模型的主要作用，一是對(duì)機(jī)構(gòu)和有VIP通道的大戶有用；二是對(duì)于中簽的散戶，可以提前知道大概應(yīng)該何時(shí)下車。