一一中文网

手机浏览器扫描二维码访问

第81章 监控告警（第1页）

窗外的天色从深蓝渐变成鱼肚白，林晨揉了揉发酸的眼睛，看了一眼电脑右下角的时间：清晨五点四十七分。

父母今天下午就要到了。

这个念头像一根细刺，扎在他持续获得技术成就感的愉悦情绪底层。

昨晚几乎没怎么睡，脑子里交替闪过一行行python代码和父母可能出现的担忧面孔。

他知道，躲是躲不过去的，与其焦虑，不如做点实际的事——把系统的最后一个大短板补上。

他的量化交易系统现在有了稳健的策略、高效的数据库架构，收益曲线也在稳步上扬。

但还有一个致命问题：它缺乏真正的“眼睛”

和“警报器”

。

系统现在全天候运行，如果他不是每天亲自检查日志和绩效报表，根本无法实时知道策略是否失效、市场是否出现异常波动、程序是否出错。

一个真正的生产级系统，必须能自己监控自己，并在出问题时第一时间通知主人。

“就从这里开始吧”

。

林晨深吸一口气，打开pycharm，新建了一个名为monitor.py的文件。

异常检测模块是第一个目标。

金融市场里，黑天鹅事件虽然罕见，但一旦发生就足以吞噬所有利润。

他的系统目前只依赖历史波动率设定止损，这不够。

他需要一种能自动识别“模式外”

行情的方法。

林晨选择了孤立森林（IsolationForest）算法。

这是一种无监督学习算法，特别适合找出数据中的“离群点”

——也就是异常值。

原理不复杂：通过随机切割数据空间，那些容易被“孤立”

出来的数据点，就很可能是异常。

“用过去二十个交易日的分钟级行情数据作为正常样本池”

，他一边敲代码一边低声自语，“实时数据进来后，计算其异常分数。

超过阈值，就触发预警”

。

fromsklearn.ensembleimportIsolationForest

importnumpyasnp

classmarketAnomalydetector:

def__init__（self，historical_data，contamination=0.01）:

historical_data:形状为（n_samples，n_features）的历史数据矩阵

特征可包括收益率、波动率、成交量变化率等

contamination:预期异常值比例，保守点设小一些