年化收益19.3%，最大回撤率：-18.32%。

基于pybroker实现的“创业板-择时策略”，策略代码在这个notebook里，

首先加载数据——这里可以加载多个symbols，

from datafeed.dataloader import CSVDataloader
df = CSVDataloader.get_df(['000300.SH', #沪深300
                          '000905.SH', #创业板
                           '159915.SZ'
                         ])
df

得到如下数据：

自定义一个指标，这里我们没有使用pandas的函数，而是使用numba来加速。

这里需要说明的是ctx里的数据，已经是按symbol，group_by之后的结果，因此可以直接使用。

import talib
import pybroker
import numpy as np
from numba import njit

def roc_N(bar_data, lookback):

    @njit  # Enable Numba JIT.
    def vec_roc(values):
        # Initialize the result array.
        n = len(values)
        out = np.array([np.nan for _ in range(n)])

        for i in range(lookback, n):
            out[i] = values[i]/values[i-lookback] -1
        return out

    # Calculate with close prices.
    return vec_roc(bar_data.close)

这里的指标，还有更简洁的实现方式，调用talib：

roc_20 = pybroker.indicator('roc_20', lambda data: talib.ROC(data.close, timeperiod=20)/100)

与如下这行代码是等价的：

roc_20 = pybroker.indicator('roc_20', roc_N, lookback=20)

定义好的指标，就可以开始写策略了：

def pick_time(ctx):
    if ctx.indicator("roc_20")[-1] > 0.08:
        ctx.buy_shares = ctx.calc_target_shares(1.0)
    if ctx.indicator("roc_20")[-1] < 0:

ctx.sell_all_shares()

roc_20 = pybroker.indicator('roc_20', roc_N, lookback=20)

from pybroker import Strategy
strategy = Strategy(df, '20100101','20240601')
strategy.add_execution(pick_time, ['159915.SZ'],indicators=[roc_20])
result = strategy.backtest()
result.orders

年化收益19.3%，最大回撤率：-18.32%。

这里需要说明的是，简单的信号择时策略，bt框架也是胜任的，而且代码量会更少。

不过如果要涉及更复杂的操作，比如加减仓策略，止损、止赢等，那bt就不太方便了，或者多重逻辑判断，多重if-else信号，bt也比较麻烦。

因此，还是那句话，每个框架有其优缺点。

比如backtesing.py就支持多个参数网格调优，搜寻最优参数——类似backtrader的单symbol版本，但代码更简洁，它不支持多symbols。

backtrader不支持机器学习，qlib不支持传统规则量化。

vnpy和wonder trader偏重实盘，写策略就有点麻烦了。

所以，都可以关注一下，艺多不压身，当然更重要的是，策略、思路、因子。——框架只是工具罢了。

Quantlab5.0代码发布：

值得说明，Quantlab5与4没有继承关系，5开始的思路是：

1、尽量少封装，保留回测框架最原始的功能。

2、取消配置、可视化界面，使用notebook写策略，方便大家直观学习。

后续会引入多框架，包含但不限于：bt, pybroker, backtesting.py, backtrader, qlib，vnpy, wonder trader…

希望可视化回测系统前下载4.3版本：

【代码发布】Quantlab4.3：lightGBM应用于全球大类资产的多因子智能策略（代码+数据）

先从方法论上讲讲，投资的三个层次：大类资产配置、战术资产调优和择时。

续前文：稳稳的长期年化10%，想以投资为生？先理解投资三大层次——大类资产配置背后的逻辑基础

大类资产——风险平价——配置曲线看就就挺舒服的：

我们先来一个”大类资产——等权配置“作为对比：

波动会大一些，但作为普通用户，其实等权也是可以的。

——曾经有人问马可维茨（因投资组合理论获诺奖），他自己是否使用”均值—方差理论来做配置“。

他的回答是，他做股债平衡时，也是自己给一个固定比例的股债平衡，然后定期再平衡。

今天我们来聊——战术资产配置。

战略资产配置，就是给不同类型的投资品，分配相应的权重，不做预测。

而战术资产配置，在战略资产的基础上，加上一些择优。——这里仍然不做市场预测，就像我们不预测气温，但夏天的时候少穿衣服，冬天时候多穿衣服肯定是没错的。

那如何判断当前投资品的市场是夏天还是冬天呢？

——低相关性的标的之间，使用趋势指标来择优。

bt内置没有实现轮动函数，我扩展了一个：

class SelectTopK(bt.AlgoStack):
    def __init__(self, signal, K, sort_descending=True, all_or_none=False, filter_selected=False):
        super(SelectTopK, self).__init__(bt.algos.SetStat(signal),
                                         bt.algos.SelectN(K, sort_descending, all_or_none, filter_selected))

回测结果如下：——另外，bt有一个很大的优点，可以多策略一起跑，然后参数进行对比，其实框架这一点需要自己实现。

可以看出，K=1，也就是选择最强的标的最优，年化达到21%，最大回撤35%，但K=3时，卡玛比最优，最大回撤才20%（年化15.2%）。

代码在如下位置：