Quantlab5.0：一切围绕可实盘策略驱动开发

越发不确定的当下，职场躺不平，卷不动——有时候连卷的机会都没有。

很多公司遇到的困难，必须断臂求生。

创业又九死一生。

中年人上有老，下有小，躺不平，卷不动。

很多人“被动”走向了投资。——至少似乎有点事情做，好像有时候还能赚点钱。——梦想中，没准还能一不小心，找到圣杯，走向人生巅峰。

——当然，小心你的本金。

投资是一个非常专业的行为，不比你任何从事过的工作简单。

看起来不就是一买一卖嘛，有多少英雄折戟沉沙。

今天还是要先从方法论上讲讲，投资的三个层次：大类资产配置、战术资产调优和择时。

大类资产配置

资本市场有一个假设就是肯定长期向上。资本市场建立的逻辑，本身就是大家集中力量办大事，风险共担，收益共享。——这里办大事的逻辑，当然是要把事情做成。——比如大航海时代，集资出海贸易。

某一艘船会有很大的不确定性，也就是风险。但从长期和整体来看，航海事业一定是高收益——否则你折腾它干啥。

这时候，如果你全面配置，无视短期波动，就可能拿到市场长期增长的收益，俗称市场Beta。

这是大类资产配置的逻辑基础。风险平价等策略都是它的衍生和应用。

它的特点是不预测，按风险暴露情况相等来配置，拿到市场综合Beta。

长期看，10%左右的长期收益是可期的。——这时候，如果你本金超过500万，就可以每年获得税后50万的被动收入——你就一定意义上财务自由了！10%长期年化真的挺容易的：国内版全天候风险平价策略——零代码开发（系统代码+数据）

数据说话——全球主要指数，A股，港股，美股，欧洲，黄金，原油：

from datafeed.dataloader import CSVDataloader
data = CSVDataloader.get(['000300.SH', #沪深300
                          '159915.SZ', #创业板
                          'HSI', #香港恒生
                          '^NDX',# 纳指100
                          'GDAXI',#德国DAX
                          'N225',#日经225
                          'AU.NH',#南华黄金期货指数
                          'SC.NH',#南华 原油期货指数
                          '000012.SH',#国债指数
                         ])
data.dropna(inplace=True)
(data.pct_change()+1).cumprod().plot()

最近A股回调，以致于从指数上看，竟然十年没跑盈国债——当然这是暂时的——投资是一个无限游戏。

从相关性看过去，还是很好的，黄金、原油，债券和所有其他品类的相关性都低，除A股与恒生相关性比较高之外，A股与美股、欧洲相关性都不高。

这些资产我们做——风险平价策略：

import bt
s = bt.Strategy('全球大类资-风险平价-月度再平衡', [
                            bt.algos.RunAfterDays(
                            20*6 + 1
                        ),
                       bt.algos.RunMonthly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighERC(),
                       bt.algos.Rebalance()])
test = bt.Backtest(s, data)
stras = [test]

长期年化7.2%，最大回撤13%，要知道——我们没有使用全收益指数，真正交易的时候收益会更高。

另外，这些都是大盘宽期指数，做一些行业指数增强后，收益年化10%不是大问题。

代码和策略这里取：

目前设想的——Quantlab5.0，之所以升级一个大版本，与4.x有很大不同。

5.0专注策略开发，可能以notebook形式为主，弱化gui界面，甚至少用streamlit。同时弱化策略框架的封装，这样大家一可一眼看明白一个策略如何开发出来，如何运行，如何调优。

——简言之，就是一切围绕可实盘策略驱动开发，开发赋能交易，而非其他。

数据加载方面，使用csv加载，数据很重要，处理也挺耗时，但之于策略开发，并非核心，因此简化+标准化：

对于bt框架而言，就是一次性加载多个symbols的收盘价，形成一个dataframe即可——以下示例，加载沪深300指数、创业板指数收盘价，并给图，计算相关性：

可以看出，大小盘的相关性仍然高达0.73。

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

    df_all = pd.concat(dfs, axis=0)
    if col not in df_all.columns:
        logger.error('{}列不存在')
        return None
    df_close = df_all.pivot_table(values=col, index=df_all.index, columns='symbol')
    df_close = df_close[start_date:]
    return df_close

我们可以很容易进行全球大类资产——时间序列的分析：

from datafeed.dataloader import CSVDataloader
data = CSVDataloader.get(['000300.SH', #沪深300
                          '159915.SZ', #创业板
                          'HSI', #香港恒生
                          '^NDX',# 纳指100
                          'GDAXI',#德国DAX
                          '000012.SH',#国债指数
                         ])
data.dropna(inplace=True)
(data.pct_change()+1).cumprod().plot()