深红利与创成长轮动：年化27.5%，优化了一下策略（代码+数据）

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_))

后续考虑使用hyperopt以及gluon来调参：

ModelTrainer：基于AutoGluon的多因子合成AI量化通用流程

代码与数据均在星球更新：

吾日三省吾身

昨天有同学留言说，现在这后半段有点鸡汤了。

我向来反感和警惕鸡汤，因此，我仔细反思了一下。

当下的大环境，大家越发渴望确定性，希望快速成功，赚钱，获得安全感。

但如果想听真话的话——这个世界没有“速成”之说。

成功也没有秘籍——没有武侠小说里，那种猴子肚子里掏出一本书，然后几天内达到别人30年的功力，然后年纪轻轻就独步天下——没有。

所谓心得，其实都是显学。

理财——多多储蓄，坚持长期投资，保持耐心。——没有了。

无论你想不想慢慢变富，你都会慢慢变老。区别在于，你是又老且富，还是又老且穷。

你说有没有财富自由快车道，——有，也是按3-7年往前看的。

有谁见过，花1000块钱不到，买一个策略或系统，然后赚1000万的？——谁这么跟你说，一定对你别有所图。

美好的东西都是需要时间这个变量来孵化。

它可能很慢，尤其在前期，慢到很多人没有耐心等到它发生。量化过程很慢，但越到后期才指数级复利加速。

如何度过这个孵化期——信念、系统。

种一棵树，最好的时间是十年前，其次是现在。

今天把这个数据统一处理，以便后续统一调用。

有8个指数可以通过tushare获取，包括A股指数和一些国际指数。

if __name__ == '__main__':
    indexes = [
        '000300.SH',  # 沪深300
        '000905.SH',  # 中证500
        '399006.SZ',  # 创业板指数
        '000012.SH',  # 国债指数
        '000832.CSI',  # 中证转债指数
        'HSI',  # 香港恒生
        'N225',  # 日经225
        'GDAXI'  # 德国DAX指数
    ]
    from config import DATA_DIR_QUOTES
    for s in indexes:
        df = get_index_quotes(s, '20050101')
        print(df)
        df.to_csv(DATA_DIR_QUOTES.joinpath('{}.csv'.format(s)), index=False)

另外四支，通过yfiance获取。

if __name__ == '__main__':
    for s in [
        'CL', # 原油
        'TNX', # 美十年期国债
        'GOLD', # 黄金
        '^NDX', #纳指100
    ]:
        df = get_quotes(s)
        print(df)
        df.to_csv(DATA_DIR_QUOTES.joinpath('{}.csv'.format(s)), index=False)

与原研报相比，我加了一个“创业板指数“——个人认为小市值还是比较重要的。

if __name__ == '__main__':
    for s in [
        'CL', # 原油
        'TNX', # 美十年期国债
        'GOLD', # 黄金
        '^NDX', #纳指100
    ]:
        df = get_quotes(s)
        print(df)
        df.to_csv(DATA_DIR_QUOTES.joinpath('{}.csv'.format(s)), index=False)

一共12支，历史以来所有日线：

下载好的数据，格式也已经统一整理好，在星球发布了：

这就是研报的benchark，在quantlab框架下复现还是比较容易的。

下一步要引入机器学习来排序。

理论与实验

如同物理学分为理论物理和实验物理。

数学也分理论数学与应用数据。

理论与工程总是交替进行，理论的突然，需要数十上百年，可能需要天才的灵光乍现和临门一脚。

——比如相对论、质能方程、麦克斯韦方程组、图灵机。

工程上的改进，往往让理论落地，并生产实际价值，且最终受益。

比如做实验的爱迪生、造计算机的埃里克，电话、电报…，原子弹…

理论到实战还有非常远之距离，比如爱因斯坦本人就认为原子弹造不出来。

当前的大模型，AIGC或者说AGI之路，没有很强的理论支撑，都是工程上的改进。

——普通人似乎有机会做点啥。

爱迪生与特斯拉

《特斯拉传》和《爱迪生传》确实应该放到一起读。

近几年，随着埃隆.马斯克把他的电动车命名为特斯拉，尼古拉.特斯拉，这个天才发明家，作为一个悲情英雄登上历史舞台。

1912年，特斯拉和爱迪生都被授予诺贝尔物理学奖，但都拒绝此奖，理由是无法忍受和对方一起分享这一荣誉！

真相如何，我们已经无从得知。

我们更关心，我们能学到点什么？

几个关键的信息，特斯拉放弃了交流电的专利权，其实拿到手里，用或不用与直接放弃，有天壤之别——就像金庸可以把版权1块钱出售。

尼古拉要支持自己那么多超前的想法，没有雄厚的资金是不现实的。

尼古拉的想法过于超前，而爱迪生的发明更加务实和解决实际问题。包括特斯拉做了无线电的实验，但波波夫和马可尼则是直接把它变得实用，并应用于生活场景之中。

对于我们普通人的启示——针对应用场景去改进。而不是天马行空，一则没有特斯拉这样的天份和才华，二来，这样的生活，也许也不是你想要的。

“股票投资和减肥一样，决定最终结果的不是头脑而是耐心。”

《彼得·林奇的成功投资》

修正一个小bug：(bt框架里获取历史持仓的逻辑，有一些小变化，这里做了一下修正)，主体不受影响，策略表现较之前更好了。

def __call__(self, target):
    if len(self.rules_buy) == 0 and len(self.rules_sell) == 0:
        return True

    df_bar = self.df.loc[target.now]
    if type(df_bar) is pd.Series:
        df_bar = df_bar.to_frame().T
    df_bar.set_index('symbol', inplace=True)
    for c in df_bar.columns:
        df_bar.loc[:, c] = df_bar[c].astype(float)
    # df_bar['roc_20'] = df_bar['roc_20'].astype(float)
    matched_buy = []
    matched_sell = []
    if self.rules_buy and len(self.rules_buy):
        matched_buy = self._check_if_matched(df_bar, self.rules_buy, self.buy_at_least_count)
    else:
        matched_buy = list(df_bar.index)  # 没有配置买入规则，但有卖出，就是选全选。

    if self.rules_sell and len(self.rules_sell):
        matched_sell = self._check_if_matched(df_bar, self.rules_sell, self.sell_at_least_count)
    
    date_pre = target.now - timedelta(days=1)
    if date_pre in target.positions.index:
        sig = target.positions.loc[date_pre] > 0
        holdings = list(sig[sig == True].index)  # noqa: E712
    else:
        holdings = []

    print(target.now)
    if len(holdings):
        print(holdings)

    # holdings = target.get_long_symbols(target.ctxs)
    if holdings and len(holdings) > 0:
        matched_buy += holdings
        matched_buy = list(set(matched_buy))

    if matched_sell:
        for sell in matched_sell:
            if sell in matched_buy:
                matched_buy.remove(sell)

    matched_buy = list(set(matched_buy))
    target.temp['selected'] = matched_buy