Alpha2：使用深度强化学习挖掘公式化的超额收益因子（附论文及源代码）

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：

今天说说因子挖掘，我们之前交付的Deap遗传算法因子挖掘，大家可以前往温习一下：

源码发布Quantlab4.2，Deap因子挖掘|gplearn做不到的咱们也能做。（代码+数据）

Deap因子挖掘框架，具有灵活性和高自动化优势，但其对初始种群敏感、计算速度慢且容易陷入局部最优。

在量化金融领域，深度强化学习（深度学习+强化学习）同样可以被用来开发动态的交易策略，以应对市场环境的不断变化。虽然DRL的训练过程较为复杂，且必须面对市场的不确定性，但它的自适应能力和长期优化的潜力是其显著的优势。

强化学习的版本，我们之前也交付过代码：

DeepAlpha通用因子挖掘：支持GPlearn遗传算法和深度强化学习挖掘因子（代码+数据下载）

今天我们看一篇更加高效的“因子挖掘”论文——“Alpha2：使用深度强化学习发现逻辑公式化的超额收益因子”。

这是官方给的代码，大家可以结合论文先看作者的思路，后续会结合我们自己的数据，考虑整合到Quantlab框架中。

核心要点：DRL指导的MCTS搜索能够在庞大的搜索空间中高效地发现高质量的alpha。——个人比较看到MCTS的检索技术。

这里引入了AlphaGo类似的技术，通过蒙特卡罗树来有效缩小检索空间。

最近开始，还会把星球沉淀下来的模块，生成相应的专栏，可能会使用小报童的形式，大家这几周可以关注下。

吾日三省吾身

未雨绸缪，是必要的。

数年前，曾经就想过的老命题，终究还是绕不过去。

职场是一个复杂的存在，在商言商，本身没有什么问题。

爱迪生的研究所，在经济周期面前，仍然需要断臂求生，这就是商业法则——生存为第一要义。

活着，才能谈梦想。

这个时段，切记不要上杠杆。

积蓄力量，稳中求进。

“一人企业”——就是你可以离开职场，不依赖大的组织，依然可以创造收入的商业逻辑。

这可能是现在很多中年危机人的终极出路。

职场终究会越来越难，终归逃不过年岁增长，体力、精力下降。

所有之谈判，均是底牌与价值，而不是其他。

你有多大价值，你就有得选，越是市场下行期，越是如此。

前路漫漫，我们一起加油。

——如此不确定的当下与未来，AI量化技能，值得每个人拥有。