bt框架里的算子扩展以及大小盘轮动策略（代码+数据）

这个也是承诺给同学们好久，我们一直在探索前沿技术，但前沿技术是没有尽头的，我们仍然会持续关注。

大类资产配置类，实现七个策略，回测结果如下：

大类资产配置分析：

从卡玛比率看（综合风险收益之后），风险平价最优，甚至优于中国版的全天候（毕竟参数会随时间变化），但其实差不多。

回撤率看，波动率模型最小。

收益率看，等权买入最佳，但回撤率达到23%。

策略代码如下：

# 创建一个策略，等权买入，季度再平衡
# 这就是我非常喜欢这个框架的原因，这个代码很容易读懂，且不会出错。
s_equally = bt.Strategy('等权买入-季度再平衡', [
                       bt.algos.RunQuarterly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighEqually(),
                       bt.algos.Rebalance()])

weights = {
    '159928':0.03, # 消费ETF
    '510050':0.06,# 上证50ETF
    '512010':0.08,# 医药ETF
    '513100':0.05,# 纳指ETF
    '518880':0.1,# 黄金ETF
    '511220':0.32,# 城投债ETF
    '511010':0.26,# 国债ETF
    '161716':0.1,# 招商双债ETF
}

s_fix = bt.Strategy('中国版全天候', [
                       bt.algos.RunQuarterly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighSpecified(**weights),
                       bt.algos.Rebalance()])


s_erc = bt.Strategy('风险平价', [
                       bt.algos.RunAfterDays(20*6 + 1),
                       bt.algos.RunQuarterly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighERC(),
                       bt.algos.Rebalance()])

s_mvo = bt.Strategy('均值-方差优化', [
                       bt.algos.RunAfterDays(20*6 + 1),
                       bt.algos.RunQuarterly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighMeanVar(),
                       bt.algos.Rebalance()])

s_vol = bt.Strategy('波动率模型', [
                       bt.algos.RunAfterDays(20*6 + 1),
                       bt.algos.RunQuarterly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighInvVol(),
                       bt.algos.Rebalance()])


s_randomly = bt.Strategy('猴子掷飞镖', [
                       bt.algos.RunQuarterly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighRandomly(),
                       bt.algos.Rebalance()])

s_bench = bt.Strategy("benchmark-等权买入并持有",[
                        bt.algos.RunOnce(),
                        bt.algos.SelectAll(),
                        bt.algos.WeighEqually(),
                       bt.algos.Rebalance()])

s_list = [s_equally, s_fix, s_erc, s_mvo,s_vol, s_randomly,s_bench]
bkts = [bt.Backtest(s, df, progress_bar=True) for s in s_list]
res = bt.run(*bkts)

大类资产配置，在选择好战略资产候选集后，一般不再需要选股，因此使用SelectAll全选所有。大类资产配置的调仓周期一般较长，比如每季度调仓一次即可，因些使用RunQuarterly。重点是Weigh仓位管理。

风险平价在大类资产配置里确实是有效的。

代码与数据请前往星球下载：

吾日三省吾身

焦虑不安有时也未必完全是坏事。

好比小的伤病会激发人体的免疫系统一般。

之前分享过人生计划之”ABCZ”，这个仍然是周期波动，不确定时代，个人人生之总纲。

“七年一辈子”是个人特别喜欢的一个概念。

昨天说被误解的“运气动力学”，成功与财富自由，人生可以过差不多11辈子，前面几辈子可能没有得到特别大的运气加持，也没关系，来得及。人生永远有的选。

普通人家的孩子晚熟。——不要相信所谓“穷人的孩子早当家”。当家吃的那些苦，在现实世界并不能支持你去赢，只是支撑着你活下去罢了。

35岁左右，而立而不立，上有老下有小，少年轻狂不在，痛定思痛，有一部分人反思，觉醒，改变。

但来得及。

回顾一下“上辈子”，2017-2024，挺有意思。

2017年，正好35岁，有了孩子，家庭，责任；工作上了台阶，但管理岗位很少了，需要的综合素质也更高了。收获不少，但回归到ABCZ而言，前3年完成Z计划0-1的摸索，试水。后3年完成Z计划建仓，实战，目前基本完成，不需要花太多时间。

同时在后3年里，开始B计划的试水，尝试。目前完成从0-1或者说1-10的探索，找到一点感觉。后三年希望完成B计划的管道化，同时完成C计划的探索与从0到1。

大家看出来没有，七年一辈子，用“一辈子”去完成一件事情，同时还花20%的精力开始布局下一辈子。

”N阶行动计划“是我喜欢的另一个概念：1000天也就是3阶（10的三次方），完成一件事，布局一件事。这让你目前长远。多少事情，往前看三年，往后想三年，都是小事。什么争吵，矛盾，职场斗争都不是事。

100天（三个月，10的2次方）做具体计划，完成一个个阶段小目标。行动计划按季度做就好了。

（Z计划稳定运行中）下一个三年计划（下个半辈子）：

A计划稳中求进，以稳为主。

B计划花三年时间管道化。

C计划在同一个三年从0到1（做一个研究者，学富五车，自由随心）。

尽管bt框架内置了不少算子，但扩展自己的算子，才是我们掌握了这个框架的标志。这意味着我们真正可以驾驭这个框架，实现咱们想实现的功能。

实现算子并不复杂，但要设计出一个良好的可复用的算子，还是需要花点心思。

框架内置的SelectMomentum算子，按N天的收益率（动量）对标的进行从大到小排序，取前N个。这个算子在轮动策略中非常有效。

在这个不够灵活，我们希望可以传入任何信号（Siganl）,都可以进行排序。

我们看下源代码里SelectMomentum的实现：

它继承了AlgoStack，然后初始化的时候，传入StatTotalReturn和SelectN两个算子，搞定。

这就是代码复用的力量。

class SelectHolding(bt.Algo):
    def __init__(self):
        pass

    def __call__(self, target):
        holding = []
        if target.now in target.positions.index:
            sig = target.positions.loc[target.now] > 0
            se_pos = sig[sig == True].index  # noqa: E712
            universe = target.universe.loc[target.now, list(se_pos)].dropna()
            holding = list(universe[universe > 0].index)

        if 'selected' not in target.temp.keys():
            return True

        # 如果前而有selected，则加上当前持仓。
        selected = target.temp['selected']
        selected = list(set(selected + holding))
        target.temp['selected'] = selected
        return True

其中StatTotalReturn这个算子计算当前所有标的收益率，缓存在target.temp[‘stat’]中；SelectN读取这个stat中的值，对标的进行排序，取最大的前N个。

class SelectMomentum(AlgoStack):

    def __init__(
        self,
        n,
        lookback=pd.DateOffset(months=3),
        lag=pd.DateOffset(days=0),
        sort_descending=True,
        all_or_none=False,
    ):
        super(SelectMomentum, self).__init__(
            StatTotalReturn(lookback=lookback, lag=lag),
            SelectN(n=n, sort_descending=sort_descending, all_or_none=all_or_none),
        )