虽然PTrade不能直接训练机器学习模型，但可以加载外部训练好的模型文件进行预测。本文介绍如何在PTrade中集成一个简单的逻辑回归模型，预测次日股票涨跌。

步骤一：外部训练模型。在本地Python环境中，使用历史数据训练模型，特征包括过去5日收益率、成交量变化、RSI等。训练完成后，使用joblib保存模型文件。

`python

from sklearn.linear_model import LogisticRegression

import joblib

假设X_train, y_train已准备好

model = LogisticRegression()

model.fit(X_train, y_train)

joblib.dump(model, 'model.pkl')

`

步骤二：将模型文件上传到PTrade可访问的目录（如策略文件同目录）。在PTrade策略的init函数中加载模型。

`python

def initialize(context):

   import joblib

   context.model = joblib.load('model.pkl')

`

步骤三：在盘后计算每日特征，调用模型预测次日上涨概率。选择概率最高的前5只股票，次日开盘买入。

`python

def after_trading(context):

   features = compute_daily_features()  # 返回DataFrame

   prob = context.model.predict_proba(features)[:, 1]

   top_stocks = features.index[np.argsort(prob)[-5:]]

   context.buy_list = top_stocks

def handle_bar(context):

   if context.now.time() == time(9,30):

       for stock in context.buy_list:

           order_target_percent(stock, 0.2)

`

注意事项：

- 特征必须在盘后能完全计算，不能使用未来数据。

- 模型需要定期重新训练（如每周），策略中应实现模型更新逻辑。

- 机器学习模型容易过拟合，建议使用简单的模型（逻辑回归、随机森林）并交叉验证。

PTrade的Python环境可能缺少某些机器学习库（如sklearn），但常见库已预装。如果缺少，可以尝试安装（权限受限）。国金证券的PTrade支持多数数据科学库。量化社群中有完整的机器学习集成案例。将机器学习纳入量化，是策略迭代的方向之一。