在量化投资配置，还是“与交易为生”的投资能力上摇摆。

今天咱们换一个通道指标：布林带——backtrader内置的指数，不需要自己实现，使用默认参数20，2。

# 参数定义
    params = (
        ('period', 20),
        ('devfactor', 2)
    )


    def __init__(self):
        self.bbands = bt.indicators.BollingerBands(period=self.params.period, devfactor=self.params.devfactor)
        self.order = None

下面是策略逻辑——收盘价突破上轨时买入，突破下轨时平仓：

def next(self):
    if self.order:
        return

    if self.data.close[0] > self.bbands.lines.top[0]:
        if self.position.size == 0:
            commission_info = self.broker.getcommissioninfo(self.data)
            cash = self.broker.get_cash() - commission_info.getsize(1, self.data.close[0])
            size = cash // self.data.close[0]
            self.buy(size=size)
            # print(f'BUY: {size} shares')

    elif self.data.close[0] < self.bbands.lines.bot[0]:
        if self.position.size > 0:
            size = self.position.size
            self.close(size=size)
            # print(f'SELL: {size} shares')

使用empyrical来计算风险、收益指标：

import empyrical as em
max_drawdown = em.max_drawdown(returns) 
print('夏普比：%.2f'%em.sharpe_ratio(returns))
print('最大回撤：%.2f'%max_drawdown)

print('年化收益：%.2f'%em.annual_return(returns))

代码所在位置：

empyrical的年化收益计算逻辑：

  num_years = len(returns) / ann_factor
    # Pass array to ensure index -1 looks up successfully.
    ending_value = cum_returns_final(returns, starting_value=1)

    return ending_value ** (1 / num_years) - 1

而quantstats——区别在于这个years，它计算的是日期区间，比如20100101-20101231，那就是365天——这里应该取len(returns)，它的years偏大，计算出来的年化收益率偏小。

years = (returns.index[-1] - returns.index[0]).days / periods

res = abs(total + 1.0) ** (1.0 / years) - 1

投资，含投机，获利的本质逻辑，是建立概率优势。

结果还是不确定的，但重复博弈结果是有正收益的，这就是一个好的交易系统。

然后咱们再来聊，基本面价值投资（成长型投资），技术分析，量化投资，套利，高频交易等。

普通人做所谓价值投资我是不太看好的。

价值发现的时间，可能是数年甚至更久。这期间会发生什么事情，普通人是没有渠道获知的。

普通人根本判断不了什么是好公司，好的商业模式。

——替代方案是大类资产配置，选择低相关性的长期向上指数，动态再平衡即可。

然后就是偏短线的量化，价量为主，辅以其他一些数据——量化投机。

以控制回撤为前提，获取市场alpha。

从这个意义上看，期货就是一个挺好的选择。

吾日三省吾身

“没有实力做支撑的愤怒毫无意义”。

“你生气，说明你没有赢它的把握”。

不必愤怒，而是持续，抓紧一切机会提升自己，然后潇洒离开那些烂人烂事。

backtrader，去年我们花了不少时间，当然，我在backtrader的基础上做了很多封装。

backtrader的策略模板，结合“积木式”的策略模块（全系统代码下载）。

量化投资里的风险收益分析与可视化：empyrical和pyfolio实战，与backtrader整合

按quantlab5.x的规划，我们同样纳入backtrader，但不做太多的封装。

使用notebook来呈现它的策略开发过程。

首先同样是数据预处理和加载：

backtrader与bt、pybroker不同：

它是加载一个个独立的dataframe，然后需要加一个字段——openinterest，这是期货里的概念，暂时用不到，直接置为0即可。

@staticmethod
def get_backtrader_df(symbol: str):
    df = CSVDataloader.get_df([symbol])
    df.set_index('date', inplace=True)
    df['openinterest'] = 0
    df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']]
    return df

同样实现昨天的策略：

class roc_trend(bt.Strategy):
    # 参数定义
    params = dict(
        period=20,  # 动量周期
    )

    def __init__(self):
        self.roc = bt.indicators.ROC(self.data, period=self.p.period)
        # self.roc = bt.talib.ROC(self.data, period=self.p.period)

    def next(self):
        if not self.position:  # not in the market
            if self.roc[-1] > 0.08:  # if fast crosses slow to the upside
                self.order_target_percent(self.data, 0.99)  # enter long
                # self.buy()  # enter long

        elif self.roc[-1] < 0:  # in the market & cross to the downside
            self.close()  # close long position

客观讲，backtreader更接近传统像zipline和quantopian的逻辑：

支持order_target_percent（目标比例仓位）这样的api。

我们使用quantstats做结果分析：

代码在如下位置：

对比一下：

吾日三省吾身

人们习惯低估做成一件事情的难度，尤其在开发回测系统这件事上。

要做一个demo几行代码就够了，比如一个向量化的信号回测策略。

但，要写一个完善的，稳定的系统，那需要考虑的事情，细节就相当多了。

一开始，低估难度，追求可控性，选择自己从零开始写。

刚开始当然很爽，很有成就感。

但越后面，发现稳定性，扩展性，功能。

不如选择成熟的框架，即便一开始有学习成本，甚至有些看似不合理的地方。

第二个问题，在选择框架方面，同样过于追求可控性，代码可读性。忽视了，其实，稳定性，生态，扩张性才是最重要的。真正需要改造框架的机会不多！

第三个问题，在界面上，网站上，数据自动更新，缓存上，规则配置上花了不少时间，没有直奔主题。真正的点是策略，可实盘交易的策略，交易体系。

——大道至简！福尔摩斯只关心且精通与侦破有关的知识，对于地球围绕太阳转还是反过来，他完全不关心，甚至觉得，你就算知道了，也应该尽快忘掉它！。

精力有限，专注于最重要的事情上并取得突破。

在量化投资配置，还是“与交易为生”的投资能力上摇摆。——这是基础逻辑。

“具备职业投资的能力，但不需要依赖它谋生”——以出世的心态做入世的事情。

感悟

阅读三体有一个体会，当你在一段关系中，由于某种原因暂时无法离开，如同三体人在黑暗森林威慑下，应该报持何种态度对待地球人？

1、真心诚意地满足对方。

2、时刻准备让自己离的开它。

一段感情如是，职场纷争亦然。

几个心态：

“允许一切发生”的淡定与释然。

“凡事发生必有利于我”——生命中看似让你不爽，不愉快的人和事，必定是来“提醒你”，还有进步与提升的空间，或者，在某些方面需要最出改变。

“避免与猪在泥地里摔跤”。

你要做的是，有能力离开泥地。

社会运行规律是价值交换，让自己强大。

然后笑看风云。

你会发现身边的人都会越来越美好。

今天咱们换一个通道指标：布林带——backtrader内置的指数，不需要自己实现，使用默认参数20，2。

# 参数定义
    params = (
        ('period', 20),
        ('devfactor', 2)
    )


    def __init__(self):
        self.bbands = bt.indicators.BollingerBands(period=self.params.period, devfactor=self.params.devfactor)
        self.order = None

下面是策略逻辑——收盘价突破上轨时买入，突破下轨时平仓：

def next(self):
    if self.order:
        return

    if self.data.close[0] > self.bbands.lines.top[0]:
        if self.position.size == 0:
            commission_info = self.broker.getcommissioninfo(self.data)
            cash = self.broker.get_cash() - commission_info.getsize(1, self.data.close[0])
            size = cash // self.data.close[0]
            self.buy(size=size)
            # print(f'BUY: {size} shares')

    elif self.data.close[0] < self.bbands.lines.bot[0]:
        if self.position.size > 0:
            size = self.position.size
            self.close(size=size)
            # print(f'SELL: {size} shares')

使用empyrical来计算风险、收益指标：

import empyrical as em
max_drawdown = em.max_drawdown(returns) 
print('夏普比：%.2f'%em.sharpe_ratio(returns))
print('最大回撤：%.2f'%max_drawdown)

print('年化收益：%.2f'%em.annual_return(returns))

代码所在位置：

empyrical的年化收益计算逻辑：

  num_years = len(returns) / ann_factor
    # Pass array to ensure index -1 looks up successfully.
    ending_value = cum_returns_final(returns, starting_value=1)

    return ending_value ** (1 / num_years) - 1

而quantstats——区别在于这个years，它计算的是日期区间，比如20100101-20101231，那就是365天——这里应该取len(returns)，它的years偏大，计算出来的年化收益率偏小。

years = (returns.index[-1] - returns.index[0]).days / periods

res = abs(total + 1.0) ** (1.0 / years) - 1

投资，含投机，获利的本质逻辑，是建立概率优势。

结果还是不确定的，但重复博弈结果是有正收益的，这就是一个好的交易系统。

然后咱们再来聊，基本面价值投资（成长型投资），技术分析，量化投资，套利，高频交易等。

普通人做所谓价值投资我是不太看好的。

价值发现的时间，可能是数年甚至更久。这期间会发生什么事情，普通人是没有渠道获知的。

普通人根本判断不了什么是好公司，好的商业模式。

——替代方案是大类资产配置，选择低相关性的长期向上指数，动态再平衡即可。

然后就是偏短线的量化，价量为主，辅以其他一些数据——量化投机。

以控制回撤为前提，获取市场alpha。

从这个意义上看，期货就是一个挺好的选择。

吾日三省吾身

“没有实力做支撑的愤怒毫无意义”。

“你生气，说明你没有赢它的把握”。

不必愤怒，而是持续，抓紧一切机会提升自己，然后潇洒离开那些烂人烂事。

按quantlab5.x的规划，我们同样纳入backtrader，但不做太多的封装。

使用notebook来呈现它的策略开发过程。

首先同样是数据预处理和加载：

backtrader与bt、pybroker不同：

它是加载一个个独立的dataframe，然后需要加一个字段——openinterest，这是期货里的概念，暂时用不到，直接置为0即可。

@staticmethod
def get_backtrader_df(symbol: str):
    df = CSVDataloader.get_df([symbol])
    df.set_index('date', inplace=True)
    df['openinterest'] = 0
    df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']]
    return df

同样实现昨天的策略：

class roc_trend(bt.Strategy):
    # 参数定义
    params = dict(
        period=20,  # 动量周期
    )

    def __init__(self):
        self.roc = bt.indicators.ROC(self.data, period=self.p.period)
        # self.roc = bt.talib.ROC(self.data, period=self.p.period)

    def next(self):
        if not self.position:  # not in the market
            if self.roc[-1] > 0.08:  # if fast crosses slow to the upside
                self.order_target_percent(self.data, 0.99)  # enter long
                # self.buy()  # enter long

        elif self.roc[-1] < 0:  # in the market & cross to the downside
            self.close()  # close long position

客观讲，backtreader更接近传统像zipline和quantopian的逻辑：

支持order_target_percent（目标比例仓位）这样的api。

我们使用quantstats做结果分析：

代码在如下位置：

对比一下：

吾日三省吾身

人们习惯低估做成一件事情的难度，尤其在开发回测系统这件事上。

要做一个demo几行代码就够了，比如一个向量化的信号回测策略。

但，要写一个完善的，稳定的系统，那需要考虑的事情，细节就相当多了。

一开始，低估难度，追求可控性，选择自己从零开始写。

刚开始当然很爽，很有成就感。

但越后面，发现稳定性，扩展性，功能。

不如选择成熟的框架，即便一开始有学习成本，甚至有些看似不合理的地方。

第二个问题，在选择框架方面，同样过于追求可控性，代码可读性。忽视了，其实，稳定性，生态，扩张性才是最重要的。真正需要改造框架的机会不多！

第三个问题，在界面上，网站上，数据自动更新，缓存上，规则配置上花了不少时间，没有直奔主题。真正的点是策略，可实盘交易的策略，交易体系。

——大道至简！福尔摩斯只关心且精通与侦破有关的知识，对于地球围绕太阳转还是反过来，他完全不关心，甚至觉得，你就算知道了，也应该尽快忘掉它！。

精力有限，专注于最重要的事情上并取得突破。

在量化投资配置，还是“与交易为生”的投资能力上摇摆。——这是基础逻辑。

“具备职业投资的能力，但不需要依赖它谋生”——以出世的心态做入世的事情。

感悟

阅读三体有一个体会，当你在一段关系中，由于某种原因暂时无法离开，如同三体人在黑暗森林威慑下，应该报持何种态度对待地球人？

1、真心诚意地满足对方。

2、时刻准备让自己离的开它。

一段感情如是，职场纷争亦然。

几个心态：

“允许一切发生”的淡定与释然。

“凡事发生必有利于我”——生命中看似让你不爽，不愉快的人和事，必定是来“提醒你”，还有进步与提升的空间，或者，在某些方面需要最出改变。

“避免与猪在泥地里摔跤”。

你要做的是，有能力离开泥地。

社会运行规律是价值交换，让自己强大。

然后笑看风云。

你会发现身边的人都会越来越美好。