AI量化投资的星辰大海！

之前我们说过，策略开发（回测）与实盘，我们建议是分开考虑的。

因此，策略开发依赖的回测框架，不强求实盘功能。

而市场上开源的回测框很多，很多新手不知道用哪个？

我的建议是多试试，每个框架有其设计理念和出发点，然后再决定选择合适自己的。

bt（不是backtrader）的优点是做资产配置，内置了风险平价，波动率控制等算子，可以复用。但bt的仓位管理是等权或者风险平价，而“不支持”买入多少股之类的——当然按仓位比例其实是够用的。

昨天发布的策略，年化21%：年化达21%(K=1)，最大回撤35%，K=3时，卡玛比最优，最大回撤20%（年化15.2%）| Quantlab5.0代码发布

在Quantlab5.x开始，我们会引入多个底层框架，当某个策略最适合某个框架时，就选用它。

今天回到pybroker—一个兼容机器学习和传统规则量化的回测框架。

它还支持numba加速，数据缓存等。

首先当然还是数据，尽管pybroker支持yfinance, akshare等datasource，我们还是直接使用dataframe。

@staticmethod
def get_df(symbols: list[str], set_index=False, start_date='20100101'):
    dfs = []
    for s in symbols:
        df = CSVDataloader.read_csv(s)
        if df is not None:
            dfs.append(df)

    df = pd.concat(dfs, axis=0)
    if set_index:
        df.set_index('date', inplace=True)
        df.index = pd.to_datetime(df.index)
        df.sort_index(inplace=True, ascending=True)
        df = df[start_date:]
    else:
        df.sort_values(by='date', ascending=True, inplace=True)
        df = df[df['date']>=start_date]

return df

它的数据格式与bt不同，bt是把所有close抽出来，而pybroker把所有dataframe叠加在一起。

写一个策略特别简单——pybroker支持多个子策略复合，

就是add_execution，加一个函数以及对应的symbols列表：

def buy_and_hold(ctx):
    if ctx.long_pos():
        return
    ctx.buy_shares = ctx.calc_target_shares(0.3)

from pybroker import Strategy
strategy = Strategy(data, '20100101','20240601')
strategy.add_execution(buy_and_hold, ['000300.SH', '000905.SH','159915.SZ'])
#strategy.add_execution(short_high, ['159915.SZ'])
result = strategy.backtest()
result.orders

交易之道

期货交易者追求平稳收益曲线，即通过多次交易逐步积累利润。这种策略对大资金投资者适用，因为他们能承受更大回撤，适合轻仓长线。

然而，对于资金量较小的投资者，这种策略可能并不理想。小资金投资者应采取更激进的策略，如重仓甚至梭哈，同时严格控制止损，以实现快速翻倍。

大资金和小资金在相同收益率下，收益金额差异巨大。

小资金若过于保守，难以在期货市场取得显著成就。

期货市场高杠杆特性意味着高风险高回报，小资金投资者应敢于抓住大行情。

如果追求稳定收益，期货可能不是最佳选择，其他更稳健的投资方式可能更合适。

投资者应根据自己的资金量和风险承受能力，选择合适的交易策略。

吾日三省吾身

《出奇制胜：在快速变化的世界如何加速成功》，这本书里讲了很多“出奇制胜”的招数，其中有一个就是我们在：以交易为生，定一个小目标|10倍法则：思考与行动，提及的——10倍法则，有些事情，做得10倍好，比提升10%会更加容易。

把目标提升10倍很容易，但你与之匹配的努力也需要提升10倍。

比如你做自媒体，原先一天写1000字左右，现在要在质量不明显下降的条件下，每天写出10000字的原创稿件。——这个付出的心力可想而知！

10个的思考+10倍的努力才是关键中的关键——知行合一，知易而行难。

聚焦而专注，当下你最关心财富自由，那么一切非此无关之事，都应该少投入或不投入精力，懂重取舍。

——成功的关键是找到你生命中最重要的事情，集中你的时间和精力，然后在这些事情上取得进展。

之前我们说过，策略开发（回测）与实盘，我们建议是分开考虑的。

因此，策略开发依赖的回测框架，不强求实盘功能。

而市场上开源的回测框很多，很多新手不知道用哪个？

我的建议是多试试，每个框架有其设计理念和出发点，然后再决定选择合适自己的。

昨天发布的策略，年化21%：年化达21%(K=1)，最大回撤35%，K=3时，卡玛比最优，最大回撤20%（年化15.2%）| Quantlab5.0代码发布

在Quantlab5.x开始，我们会引入多个底层框架，当某个策略最适合某个框架时，就选用它。

今天回到pybroker—一个兼容机器学习和传统规则量化的回测框架。

它还支持numba加速，数据缓存等。

首先当然还是数据，尽管pybroker支持yfinance, akshare等datasource，我们还是直接使用dataframe。

@staticmethod
def get_df(symbols: list[str], set_index=False, start_date='20100101'):
    dfs = []
    for s in symbols:
        df = CSVDataloader.read_csv(s)
        if df is not None:
            dfs.append(df)

    df = pd.concat(dfs, axis=0)
    if set_index:
        df.set_index('date', inplace=True)
        df.index = pd.to_datetime(df.index)
        df.sort_index(inplace=True, ascending=True)
        df = df[start_date:]
    else:
        df.sort_values(by='date', ascending=True, inplace=True)
        df = df[df['date']>=start_date]

return df

它的数据格式与bt不同，bt是把所有close抽出来，而pybroker把所有dataframe叠加在一起。

写一个策略特别简单——pybroker支持多个子策略复合，

就是add_execution，加一个函数以及对应的symbols列表：

def buy_and_hold(ctx):
    if ctx.long_pos():
        return
    ctx.buy_shares = ctx.calc_target_shares(0.3)

from pybroker import Strategy
strategy = Strategy(data, '20100101','20240601')
strategy.add_execution(buy_and_hold, ['000300.SH', '000905.SH','159915.SZ'])
#strategy.add_execution(short_high, ['159915.SZ'])
result = strategy.backtest()
result.orders

交易之道

期货交易者追求平稳收益曲线，即通过多次交易逐步积累利润。这种策略对大资金投资者适用，因为他们能承受更大回撤，适合轻仓长线。

大资金和小资金在相同收益率下，收益金额差异巨大。

小资金若过于保守，难以在期货市场取得显著成就。

期货市场高杠杆特性意味着高风险高回报，小资金投资者应敢于抓住大行情。

如果追求稳定收益，期货可能不是最佳选择，其他更稳健的投资方式可能更合适。

投资者应根据自己的资金量和风险承受能力，选择合适的交易策略。

吾日三省吾身

把目标提升10倍很容易，但你与之匹配的努力也需要提升10倍。

比如你做自媒体，原先一天写1000字左右，现在要在质量不明显下降的条件下，每天写出10000字的原创稿件。——这个付出的心力可想而知！

10个的思考+10倍的努力才是关键中的关键——知行合一，知易而行难。

聚焦而专注，当下你最关心财富自由，那么一切非此无关之事，都应该少投入或不投入精力，懂重取舍。

——成功的关键是找到你生命中最重要的事情，集中你的时间和精力，然后在这些事情上取得进展。

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…

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))