机器学习算法是近年量化策略的热点，我们在这一章中通过一个简单的例子感受一下。

KNN 是机器学习中的一种算法，它的核心思想是：如果一个样本在特征空间中的 K 个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。更通俗点说，KNN 可以找到和目标样本最相似的 K 个样本，然后根据其中的大多数来预测目标样本。

我们也可以用这种方法来预测股票的涨跌，构造一个特征空间然后在历史数据中找到和当日特征最相似的 K 个交易日数据，然后根据这 K 个交易日第二天的涨跌情况来预测第二天的涨跌（大多数涨就预测为涨，大多数跌就预测为跌）。

KNN 简单策略的具体方法如下：

1. 将第二天是否上涨作为预测目标，即计算收盘 [1]- 收盘，大于 0 时目标值为 1，小于 0 时为 -1，其余为 0。

2. 增加两个特征，最高价 - 最低价和收盘价 - 开盘价作为特征空间

3. 计算历史数据和当日样本特征之间的距离，距离越近越相似。具体为：计算当天样本特征和之前 n 个交易日的特征距离，找到距离最近的 m 个交易日数据，把这 m 个交易日目标值的众数作为第二天的预测结果。

计算距离的常用的方法有欧式距离和马氏距离，在 SPL 里有现成的函数 dis()和 dism()，这里我们用欧式距离来计算。

需要注意的是，在使用一些比较专业的数学函数时，需要打开 SPL 里的数学库。

工具→选项：

可以在文档外部库 -Math里查看数学库有哪些函数。

言归正传，我们同样先将 KNN 的计算方便编写为指标，再用指标写策略。

定义指标参数：

在indicator.splx中编写指标函数:

当 KNN 指标结果为 1 且空仓时，下买入订单；指标结果为 -1 且有持仓股票时，下卖出订单。n 和 m 分别取 100 和 20：

回测结果：

看起来先进技术的效果也不见得更好。