趋势动量，当取动量Top 2时候的表现

“每个人都有两次生命，第一次是活给别人看的，第二次是活给自己的，第二次生命常常从四十岁开始。真正的人生从四十岁才刚刚开始，在那之前，你只是在做调研而已。”

卡尔.荣格

为自己而活，其实蛮难的。

除了少数含着金钥匙出生在罗马的人，多数普通人，一生大半时间，要为“温饱”而奋斗。

出售自己的时间，换取几天年假，一些假期，在人最多的时间，到不同的地方去打卡拍照。

如何跳出“老鼠赛跑”的困境？

特斯拉也曾一度生活困顿，理想主义者更需要金钱作为支撑。

二级市场门槛不高，但进阶极难，如果要以投资为生，非常建议以量化投资为生。

几个投资纪律：

闲钱投资，闲到什么程度，如有必要，这个投资的钱可以永远不动用。——确保长期主义，坚守投资纪律。

不上杠杆，坚决，坚定，不受诱惑。——杠杆首先放大的是风险，其次才是收益。

保持源源不断现金流。可以少，不能没有。——有长期投资组合与系统，有持续现金流管道，这样的自由人生可期！

继续咱们的全球大类资产配置的研报复现：【研报复现】年化27.1%，人工智能多因子大类资产配置策略之benchmark

如下是趋势动量，当取动量Top 2时候的表现：

从某种意义上来讲，除了回撤相对大一些，35%之外，这个长期收益率是符合预期的。

——有几个人的收益能做到长期年化20%左右？

但是回撤对于持有体验，以及未来能否坚持下去，是一个巨大的考验与挑战。

from task import run_task, Task

task = Task()
task.name = '大类资产配置-趋势动量'
task.desc = ''
task.symbols = [
    'CL',  # 原油
    '^TNX',  # 美十年期国债
    'GOLD',  # 黄金
    '^NDX',  # 纳指100
    '000300.SH',  # 沪深300
    '000905.SH',  # 中证500
    '399006.SZ',  # 创业板指数
    '000012.SH',  # 国债指数
    '000832.SH',  # 中证转债指数
    'HSI',  # 香港恒生
    'N225',  # 日经225
    'GDAXI'  # 德国DAX指数
]

task.algo_period = 'RunDaily'
task.algo_weight = 'WeighEqually'
task.benchmark = '000300.SH'
task.topK = 2

res = run_task(task)
print(res.stats)

import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'SimHei'

res.plot()
df = res.prices
plt.show()

策略代码在如下位置：

这时候，大家可能会想到择时，这是主动投资里大家很难抑制的冲动，比如加入动量择时，或者RSRS趋势择时，量化证明——结果并不好，反而更差了。

大家拿到代码可以自己试试。

吾日三省吾身

按法定退休年龄来看，男性是60岁，不扫除未来所谓——延迟退休。

之前还有几个同事聊起说退休是啥意思？退休就是拿自己的养老金——其实就是养老保险。

现在国人平均寿命是80岁。前20岁学习，成长；后20岁养老，中间工作40年。

但现在普遍遇到一个大的难题，40+，甚至35岁+就面临就业困难。

身边有几个case，有创业的兄弟，有金融圈的高管，也有互联网的老司机。

创业有时候，还不如失业，因为失业大概率还不会负债，如果没有家庭，那一人吃饭，全家不饿，也花不了多少钱。

但创业有时候是“鸡肋”状态，止损吧，这么多年的努力，好像曙光就在前方，再努力一下，没准春天就来了呢？继续吧，每个月实打实是要花出银子的。——这是当下很多小创业团队的现状。

再者，关掉了公司，做什么呢？

超级个体和一人企业，当下比较流行。

职场是越来越难了——你不知道什么时候会失业，这时候如果上杠杆（主要是买房，要慎重），创业又九死一生，也不想承受如此大的风险和压力，那怎么办呢？

但是呢，超级个体现在多数都是自媒体号主，有些是起号早，或者特别有特点，内容能力特别强等。

一个10万+的自媒体号，可能相当于一家小公司的赚钱能力。

另外就是有自己的互联网产品，这个适合有研发背景的个人，产品思维，商业化能力都需要具备。

构建自己的互联网产品+自媒体矩阵，恐怕是比较适合“一人企业”的模式。

自媒体矩阵是需要某于内容，而且是需要源源不断，持续更新的内容——当前是一个快速内容消费的年代。

很多自媒体运营好了，都是工作室模式。

日更要做到言之有干货是非常不容易的。

如果你本身提供产品或服务，围绕产品或服务做内容矩阵则相对容易，且商业化路径也会更加清晰。

如何提供互联网产品或服务呢？主要看世界需要什么，你想为世界做点什么——需求、痛点。

研报复现继续：【研报复现】年化27.1%，人工智能多因子大类资产配置策略之benchmark

昨天调了一版参数，主要是lambda_l1, lambda_l2，防止过拟合的，有明显的效果：年化29.3%，最大回撤18.5%，还有继续优化的空间。

def train(df_train, df_val, feature_cols, label_col='label'):
    model = LGBMRegressor(boosting='gbdt',  # gbdt \ dart
                          n_estimators=600,  # 迭代次数
                          learning_rate=0.1,  # 步长
                          max_depth=10,  # 树的最大深度
                          seed=42,  # 指定随机种子，为了复现结果
                          num_leaves=250,
                          # min_split_gain=0.01,
                          lambda_l1=2,
                          lambda_l2=2000
                          )

目前使用的是GridCV网格参数搜索：

ef adj_params(X_train, y_train):
    """模型调参"""
    params = {
        # 'n_estimators': [100, 200, 300, 400,500,600,700,800],
        # 'learning_rate': [0.01, 0.03, 0.05, 0.1],
        'max_depth': range(10, 64, 2),
        # 'lambda_l1': range(0,3),
        # 'lambda_l2':[200,400,800,1000,1200,1400,1600,2000]
    }

    other_params = {'learning_rate': 0.1, 'seed': 42, 'lambda_l1': 2, 'lambda_l2': 2000}
    model_adj = LGBMRegressor(**other_params)

    # sklearn提供的调参工具，训练集k折交叉验证(消除数据切分产生数据分布不均匀的影响)
    optimized_param = GridSearchCV(estimator=model_adj, param_grid=params, scoring='r2', cv=5, verbose=1)
    # 模型训练
    optimized_param.fit(X_train, y_train)

    # 对应参数的k折交叉验证平均得分
    means = optimized_param.cv_results_['mean_test_score']
    params = optimized_param.cv_results_['params']
    for mean, param in zip(means, params):
        print("mean_score: %f,  params: %r" % (mean, param))
    # 最佳模型参数
    print('参数的最佳取值：{0}'.format(optimized_param.best_params_))
    # 最佳参数模型得分
    print('最佳模型得分:{0}'.format(optimized_param.best_score_))