按不同的思路，构建不同的策略，形成相关度低的策略集。

多因子模型的实战，考虑到可转债数据最容易获得。

咱们从可转债市场开始——其实逻辑都是一样的。

一是从投资理念看，可转债与ETF相似之处在于，可转债也属于“中低”风险投资领域；

二是可转债几百支(A股市场，一共上市954支可转债，除去已经退市的，当前可以交易的转债为567支)，数据量相对小，而且可转债的数据里，也需要构建对应的正股数据，也为后续做股票数据打下基础。

可转债背后的正股就是股票，股票的因子都是可以用的。另外可转债有债性，其实就看涨期权，这部分因子也可以用。

策略的基准就是“双低”，这个玩转债的同学都非常熟悉了，长期有效的策略。有点类似股票里的低估值，只要买得便宜，分散，市场都会回来的。

通过这一个多因子“流水线”的搭建，我们把这个体系建立起来。

后续就是补充基础数据，比如股票市场的价量数据、基本面数据，甚至是另类数据。然后积累因子库，因子自动分析、筛选、入库，定期检测。

按不同的思路，构建不同的策略，形成相关度低的策略集。

1、下载可转债数据，我们从tushare上下载，包括计算好的转股溢价率：

2、数据加载，读了所有——包括已经退市的历史数据：

import sys
sys.path.append('../')
from matplotlib import rcParams
rcParams['font.family'] = 'SimHei'

import backtrader as bt
from datafeed.dataloader import CSVDataloader
from backtrader_extends.engine import BacktraderEngine, StFetcher
from datafeed.dataloader import CSVDataloader
from backtrader_extends.strategy import StrategyBase
from backtrader_extends.algos import *
from datetime import datetime
import pandas as pd
from config import DATA_DIR_BASIC
bonds = pd.read_csv(DATA_DIR_BASIC.joinpath('cb_list.csv'))['ts_code']

df = CSVDataloader.get_df(bonds, set_index=True, start_date='20150101',path='bonds')
df = CSVDataloader.calc_expr(df, ['close+cb_over_rate'], ['double_low'])
print(df)

一共50多万行数据——这里我们已经计算好了所有转债的“双低”因子——double，其实就是收盘价+ 100* 转股溢价率。

吾日三省吾身

“做时间的朋友”——把目标变成系统，就是把你的目标，转换成每天都能做，每天做持续做的事情。

然后，就但行好事，莫问前程。

短期内可能看不出明显的变化，但随着时间的推移，你会拿到你想要的结果。

春种秋收，如此而已。

你现在的生活，是五年前的你的行为模式，认知模式所决定的。

你想一朝一夕去改变，不可能。

但你可以让五年后的自己，变成自己更喜欢的样子。

其实不是写鸡汤，而是，成功与成长，本身就是显学。

你看似懂那么多道理，却过不好这一生的原因是，你并没有真懂，或者懂了没有去践行。或者践行了一段时间没有持续下去。——如此罢了。

定下10倍的目标，而后付出10倍的努力。

今天来看一个有意思的策略——10年13倍(年化28.2%,夏普1.2)大类资产趋势轮动。

净值从1开始算，结果是13.79，翻了13倍。

折合到长期年化，按复利算，达到28.2%。

四大底层大类资产的趋势图：

以及相关分析：

除了沪深300与创业板走势比较相关之外，黄金与美股与A股市场的相关性均比较弱。

今天的策略，我使用的底层框架是bt。

大家拿到代码后，建议使用backtrader，咱们封装的框架基础上，重新复现一下。

核心代码：

all = []
for K in [1,]:
    s = bt.Strategy('10年12倍的趋势轮动（大类资产）'.format(K), [
                           SelectTopK(signal,K),
                           bt.algos.WeighEqually(),
                           bt.algos.Rebalance()])
    all.append(s)
stras = [bt.Backtest(s, data) for s in all]

数据都已经后复权好，直接加载使用即可：

from datafeed.dataloader import CSVDataloader
data = CSVDataloader.get(['510300.SH','159915.SZ','513100.SH','518880.SH'])
data.dropna(inplace=True)
(data.pct_change()+1).cumprod().plot()