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。

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()

可以看出来，纳指100一骑绝尘。

国债和所有资产都是负相关，沪深 和德国，纳指100的相关度很低，与恒生相关度高。德国（欧洲）与美股（纳指100）相关度也还好。

——从大类资产配置的角度，长期向上的资产，相关度越低，则越能在不降低收益率的基础上，有效降低波动。

重新整合代码目录：

这是投资组合理论，是投资之基础。

从量化学习的角度，除了python基础之外，最应该熟悉的是掌握一两款回测框架。

当然，如果有兴趣，自己实现一个回测框架——之前我花不少时间，在打磨自己的回测引擎。——这个好处是你知道底层框架的设计细节，对于你调试策略，理解逻辑很有帮助。

从实战的角度，选择成熟的框架就好。

回测框架与实盘框架，我建议是分开的。——回测是验证你的思路，求方便、省事，效率高。而实盘是真金白银，求稳定，可靠。

二者有一定冲突的，都按实盘的标准来，你的策略很复杂，而且你搞不清楚是策略没写好，还是策略本身就不行。所以，分开来。

从回测的角度，Quantlab5.0（计划中），会引入多个回测框架，包含但不限于：bt, backtesting.py, pybroker或backtrader， qlib等。

每个框架各有所长，比如bt特别适合资产配置、轮动策略，而backtesting.py适合单标的择时（backtrader的单标的版本，但策略和指标比backtrader直观和易用），pybroker支持机器学习，尤其是WFA股东训练。

数据方面，专注指数（ETF），对于回测而言，它们都是时间序列，迁移起来是非常容易的。——一开始不必在数据上花费太多时间。

你运行task.py会得到如下结果：

另外，运行动量策略，会得到如下结果：

一些思考

机器学习应用于投资，主要是多因子策略，监督学习有一个“天然”的问题，它需要label，比如“未来N天的收益率”。——那么这就意味着，这个策略必须是N天为调仓周期。

这会带来一个问题，那如果在N天内，市场发生了“重大变化”呢？

传统技术指标量化，就是每天判断指标情况，发生异动就进行调整，比如通道突存了，均线交叉了等等。

这可能也是当下机器学习受限在金融投资应用的一个原因吧。

其余还是因为金融数据本身“低信噪比”。——要么不拟合，要么过似合。——以及历史能够多大程度上代表未来。

这也是金融很好玩的地方，没有圣杯，否则大家买一个专栏，就都学会了。

持续一起学习吧。

吾日三省吾身

很多讲内容创作、写作类的专栏、书籍都会告诉我们，做内容，做产品不能自嗨，一定要满足用户需求。

你要关心用户想看什么。——这个点无比正确。

但仔细想来，可操作性也不强。或者说变成了一种误导——追热点。

用户想凑热闹，你就帮忙凑热闹，对于自己和用户都没有真正的价值。

昨天看到一篇文章，关于“能不能写自己”。——他的角度特别好，写自己会不会算是“自嗨”，自说自话，不是用户想看的，

其实，未必。

如果你只是记录自己的碎碎念，一个情绪宣泄，那着实没用。

但如果你记录自己的思考、成长、经验、教训，那种这样的内容更加真实，可信。

在投资领域，为什么大家喜欢看实盘，好或者不好，真实感很重要。

之前有一个兄弟，从100万开始，七年做到500万，然后到德国生活。

他的内容没有什么宏大叙事，甚至没有所谓的方法论。就是记录自己一路走来的心路历程，使用的App，如何记账，如何省钱，以及一些自由之后的生活点滴。——也获得一众高质量的粉丝。

其实，这个时代，信息过载，真实且有用很重要。

你学会一件事情，做成一件有价值的事情，然后帮忙有同样需求的人开始、做成这件事情。——这可能是社群的意义和价值吧。

——我一直的探索量化投资，写代码，尝试AI赋能量化，然后把过程、结果都分享给大家，学无止境，就是这样。