通过akshare能拿到每只股票的所有历史行情数据（名称、日期、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额、换手率），分三个时间粒度统计（天、周、月），复权方式有3种，量化交易常采用后复权，数据总量在1000多万。
从akshare也可以拿到实时数据、指数数据等，目前暂且未使用。 还有一些非结构数据，如新闻、消息等也可从akshare拿到，目前也未使用。
从akshare无法直接拿到技术指标数据，但是可以从开盘、收盘、最高、最低数据计算， myTT和talib都行，myTT更方便一些，目前使用myTT提取了大约30个技术指标，共约80个值。 https://github.com/mpquant/MyTT/blob/main/README.md https://github.com/HuaRongSAO/talib-document
关于技术指标的说明和使用，可以参考 https://www.joinquant.com/help/api/help#name:technicalanalysis
由于A股是T+1的交易，即当天买的股票，最早只能第二天卖出，所以模型暂且都只做以天为粒度的预测。
如果是分类模型，比如预测某支股票第二天的涨跌，可以把第二天的涨跌幅做处理，大于3%的记1，小于3%的记0。 如果是回归模型，可以把第二天的涨跌幅做为标签，也可以直接拿收盘价做标签做股价预测。
上面第二天可以改为：第3天，或者未来5天以内，如果是未来几天以内，就不能用那天的涨跌幅直接做标签，需要计算那天的收益，即把中间几天的涨跌都算进去。
原始特征就是每支股票每天的开盘、收盘等数据，衍生特征目前只使用了myTT计算出来的技术指标。
ma_5 ma_10 ma_20 ma_60 ma_120 ma_240
hhv_5 hhv_10 hhv_20 hhv_60 hhv_120 hhv_240
llv_5 llv_10 llv_20 llv_60 llv_120 llv_240
bias_6 bias_12 bias_24
boll_upper_20 boll_mid_20 boll_lower_20
rsi_6 rsi_12 rsi_24
wr_10 wr_6
mtm_12 mtm_12_ma_6
k_9 d_9 j_9
macd_dif macd_dea macd
dmi_pdi dmi_mdi dmi_adx dmi_adxr
obv
cci
roc_12 ma_6_roc_12
bbi
expma_12 expma_50
ar br
atr
dma_dif dma
emv maemv
psy psyma
asi asit
mfi
mass mamass
dpo madpo
vr
trix trma
kc_upper kc_mid kc_lower
dc_upper dc_mid dc_lower
经典策略可以参考 https://github.com/zhy0313/ea-python ， 这些策略基本上是通过一个或者多个技术指标的值或者趋势判断。
2022年九坤Kaggle量化大赛的一些模型 https://www.vzkoo.com/read/202301318245ba57351bdd7c187391ba.html
九坤量化模型的数据条数约300万，共1211个time_id（推测是天数，大约是3年多）,3579个investment_id(推测是这么多个股票)
- xgboost/lightgbm reg
- xgboost cls
- mlp reg
- lstm: 将特征的时间序列引进来
代码在code文件夹里，包含lightgbm和mlp两个模型。分别运行 quant_reg_mlp_train.py 和 quant_reg_gbdt_train.py 即可。
数据已经存到 quant_reg_data.pkl 文件里了，
每支股票每天一条数据，只使用了过去1年的数据，数据总量约30万。特征是按天统计的73个技术指标，技术指标的名称跟dataframe的列名一致。标签是第二天的涨跌幅/10.