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

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…

【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：