深红利与创成长轮动：年化27.5%，优化了一下策略（代码+数据）

研报先同步到星球，代码后续跟上。

准备数据

指数以及对应的ETF，一般来说，指数的历史数据比较全，而ETF的数据更容易获得，但有些ETF成立时间太短，比如513880.SH（日经225， 2019年才成立，历史数据太有限），而N225指数可以有很长的历史数据。

指数数据来看，股票、债券指数都比较容易获得。

最难的是商品，也就是黄金和原油指数，还有10年期美债。

获取黄金指数代码：

import yfinance as yf
gold = yf.Ticker("GOLD")
gold_data = gold.history(period="max")
print(gold_data)

获取布伦特原油指数数据：

import yfinance as yf

# 定义您想要获取数据的原油指数的Ticker符号
# 例如，WTI原油期货的Ticker符号是"CL"，布伦特原油期货的Ticker符号是"Brent"
# 请注意，Ticker符号可能因市场而异，您需要根据实际情况进行选择
ticker = "CL"  # 这里以WTI原油为例

# 创建Ticker对象
ticker = yf.Ticker(ticker)

# 获取历史数据
# period可以是"1d", "1mo", "3mo", "6mo", "1y", "2y", "5y", "10y", "ytd", "max"
# start和end是数据的开始和结束日期，格式为"YYYY-MM-DD"
data = ticker.history(period="max")

# 打印数据
print(data)

从1973年至今的数据：

美债的代码是：

ticker_str = "^TNX" # 十年期美债

即可。

有了基础数据：基于指数的日频开盘价、最高价、最低价和收盘价作为原始数据，并使用 Ta-Lib
批量化生成 MACD、KDJ、RSI 等一系列量价指标，经初步筛选后共包含 154 个因子。

这154个因子，研报没有具体给——首先研报可能是简版，哪位同学有完全版本，欢迎同步给我。——另外，说明因子不是那么重要。

初步考虑把常用的技术分析指标，比如MACD, KDJ,RSI，然后考虑把qlib的alpha158，worldquant101的一些指标整合起来。

模型主要是lightGBM，然后对比xgboost，这个咱们实现过很多次了。

规则引擎

咱们的回测规则引擎，目前支持多条规则，至少满足N条这样的条件。

基本可以满足多数场景的需求。

星球有同学问，

这是最强的规则表达式的逻辑。

由此引发了我的一个思考。

规则可以有无穷多，面对历史数据，我们当然可以凑出“无数个”看起来很不错的策略。

有时候不是有意为之，就得了不错的结果。

但投资有意思的地方，是你永远不知道历史能不能代表未来，有多大程度能代表未来。

谈不上因果，有时候连相关都谈不上。

所以，星球一度转向机器学习，多因子，排序策略。

但因子挖掘也面临这样的问题。

在有限数据的情况下，比如多数是价量数据，这时候，你构建100多个因子甚至更多，有某些时间段，有些因子确实表现好——严格来说“不是因子表现好”。——是时间序列在过去某段时间恰好与这个因子“相关性高。——比如小市值，比如价值，在某年年份就很突出，然后变得不好。

从因子的角度，这就是市值因子，或者说价值因子，还有动量因子等等。

因子构造复杂了就容易过拟合。

而且现在的深度学习架构，具备一定程度自己抽取特征的能力，就是说它会自动拟合，也不需要构造因子。

吾日三省吾身

特斯拉在成名之后，如同当下的网红，混迹于上流社会，结识了很多名流。

后来由于发明过于超前且执念破产。

在他精力无处宣泄，没有找到未来方向的时候，他酗酒，甚至沉迷于赌桌，唯独洁身自好的是拒绝女色。

人生之意义，究竟是使命驱动，还是欲望驱动。

我知道，很多人正义凛然说前者，什么生来就要改变世界之类的。

但事实是，多数人没有办法改变世界。

百万富翁快车道，这个兄弟的理念就是欲望驱动。

它的欲望，就是年少时看到的那台兰博基尼超跑。

特斯拉的使命感，100%强过爱迪生，但更多世人的眼中，爱迪生才真正改变的世界。

科学的成功，商业的成功，重结果而非过程，重效果而非初心。

理想主义的初心是好的，但重要的是拿到结果。

否则就是流于形式。

当你还是一个nobody时，欲望就是一个单纯的动力，而当你功成名就时，使命驱动，让你更伟大，能走得更远。

“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