年化25.2%，最大回撤28%RSRS择时的大类资产轮动

AlphaGPT v0.1发布后答疑——基于大模型的智能因子挖掘框架（代码）

机器挖掘当下也有两个方向：gplearn和强化学习。在这DeepAlpha我们都覆盖了：DeepAlpha通用因子挖掘：支持GPlearn遗传算法和深度强化学习挖掘因子（代码+数据下载）

但这个系统有个缺陷，基于qlib，另外它生成的因子还没有办法在Quantlab直接使用、回测。

Qlib的表达式系统有一个天生的缺陷，就是不支持截面因子！——因为它的表达式是基于一个个类，而类是针对单个symbol来计算的。截面计算，需要group by date。

在咱们代码目录AlphaGPT下，我带了WorldQuant101的因子表达式集合，给GPT few-shot学习用的。

大家仔细看下，满眼的rank，这就是典型的“截面函数”。——qlib不支持且无法支持！

Alpha#3: (-1 * correlation(rank(open), rank(volume), 10))

比如这个三号因子，就是10日开盘价与交易量的负相关性，在投资上，我们称之为“价量背离”。——一个很好理解的因子，它不是用价格和成交量的值来算相关系数，因为量纲不一样，取rank后，量纲就一致了。

因此rank是一个很通用的函数。

qlib只能算时序，不能算截面，就限制了它的表达式引擎不可用。

我们重定并改进了这个缺点。

咱们同样在dataloader下计算因子：

所有数据加载到一个DataFrame里后，选group_by_date，按日期分组，然后调用相应的函数，比如rank即可。

@calc_by_date
def rank(se: pd.Series):
    ret = se.rank()
    return ret

我们后续会还原WorldQuant101里这100多个因子：

其实就是把常用函数实现就好了，比如 delay， delta， rank

import pandas as pd
from .expr_utils import calc_by_symbol, calc_by_date


@calc_by_symbol
def delay(se: pd.Series, periods=5):
    return se.shift(periods=periods)


@calc_by_date
def delta(se: pd.Series, periods=20):
    se_result = se - se.shift(periods=periods)
    return se_result

测试代码如下：

import numpy as np
import pandas as pd

from config import DATA_DIR
from datafeed.expr import calc_expr

sh300 = pd.read_csv(DATA_DIR.joinpath('quotes').joinpath('000300.SH.csv').resolve())
sh905 = pd.read_csv(DATA_DIR.joinpath('quotes').joinpath('000905.SH.csv').resolve())
sh016 = pd.read_csv(DATA_DIR.joinpath('quotes').joinpath('000016.SH.csv').resolve())
df = pd.concat([sh300, sh905, sh016])

df['date'] = df['date'].apply(lambda x: str(x))
df.dropna(inplace=True)

df.set_index(['date', 'symbol'], inplace=True)
df = df.loc[df.index.get_level_values('date') > '20100101', :]

# Alpha#101: ((close - open) / ((high - low) + .001))
se = calc_expr(df, expr='((close - open) / ((high - low) + .001))')
df['alpha_101'] = se

# Alpha#12: (sign(delta(volume, 1)) * (-1 * delta(close, 1)))
se = calc_expr(df, expr='(sign(delta(volume, 1)) * (-1 * delta(close, 1)))')
df['alpha_12'] = se
print(df)

计算两个alpha，比如简单：

测试代码在如下位置：

公用函数其实就那么一些，我们实现一下就好了（之前是qlib的标准，我会按WorldQuant101的标准重新刷一轮）：

abs(x),log(x),sign(x) = standard definitions
分别为：取绝对值、对数值、正负号（正数返回1，负数返回-1）

rank(x) = 截面rank
股票的排名，数值从1-最后，若输入值含nan，则nan不参与排名，输出为股票对应排名的boolean值（排名所占总位数的百分比）

delay(x,d) = value of x d days ago
x变量d天之前的值

correlation(x,y,d) = time-serial correlation of x and y for the past d days
x和y两个变量d天以来的值的相关系数

covariance(x,y,d) = time-serial covariance of x and y for the past d days
x和y两个变量d天以来的值的协方差

scale(x,a) = rescaled x such that sum(abs(x))=a (the default is a=1)
将x中的值标准化，使x的绝对值的和为a，默认a=1

delta(x,d) = today’s value of x minus the value of x d days ago
指定enddate的x值减去d天之前的x值

signedpower(x,a) = x^a
x值的a次方，如果x为一个list或者series，则为x中每一个值的a次方

decay_linear(x,d) = weighted moving average over the past d days with linearly decaying weights d,d-1,…,1 (rescaled up to 1)
x中时间从最远到最近的值，分别乘权重d，d-1，…，1（权重要进行标准化，使和为1）再求和

ts_min(x,d) = time-series min over the past d days
x中d天内最小的值

ts_max(x,d) = time-series max over the past d days
x中d天内最大的值

ts_argmin(x,d) = which day ts_min(x,d) occurred on
ts_min(x,d)发生在d天中的第几天，最远的天为第一天

ts_argmax(x,d) = which day ts_max(x,d) occurred on
ts_max(x,d)发生在d天中的第几天，最远的天为第一天

ts_rank(x,d) = time-series rank in the past d days
x中，最后一天的值，在这d天中，排多少名，最后输出的名次为boolean值（即该名次占总排名数的百分比）

min(x,d) = ts_min(x,d)
当遇到min函数时，当ts_min函数处理——-注意！！实际上遇到min时，当min中的输入不是（x,d）而是（x,y）时，取x、y两个值中的最小值

max(x,d) = ts_max(x,d)
当遇到max函数时，当ts_max函数处理——注意！！实际上遇到max时，当max中的输入不是（x,d）而是（x,y）时，取x、y两个值中的最大值

sum(x,d) = time-series sum over the past d days
d天以来x值的和

product(x,d) = time-series product over the past d days
d天以来x值的乘积

stddev(x,d) = moving time series standard deviation over the past d days
d天以来，x值的标准差

从因子函数库的实现角度分析：

1、单时间序列计算：比如log, sign，abs这种，numpy都有函数，技术分析类的，可以直接调用ta-lib。

2、单时间序列的rolling，比如shift, delta，使用pd.Series的rolling加apply即可。

3、多序列直接运算，比如加，减，金叉之类的。直接序列运算即可。

4、多序列多为双序列窗口计算，比如correlation等。这种计算有性能问题，我还在想办法，RSRS计算就是一个典型场景，计算high和low两个序列的rolling的beta。

后续这些因子引擎与gplearn和强化学习自动挖掘因子打通，形成一个“自动化的因子工厂”！

代码已经发布至星球：

01 强化学习因子挖掘

这是答应过星友好久的事情，但肯定会重启。

DeepAlpha通用因子挖掘：支持GPlearn遗传算法和深度强化学习挖掘因子（代码+数据下载）

之前这个版本是基于qlib的，qlib不支持截面因子，而且数据更新不那么方便。——后续做全A股市场多因子的时候，没准还是会重启qlib。

def _get_data(self) -> Tuple[torch.Tensor, pd.Index, pd.Index]:
    features = ['

这里是数据初始化，本身也是把所有instrument的数据加载进入，转成“三维”的 Tensor。

token是因子表达式的基本要素：

class Token:
    def __repr__(self):
        return str(self)


class ConstantToken(Token):
    def __init__(self, constant: float) -> None:
        self.constant = constant

    def __str__(self): return str(self.constant)


class DeltaTimeToken(Token):
    def __init__(self, delta_time: int) -> None:
        self.delta_time = delta_time

    def __str__(self): return str(self.delta_time)


class FeatureToken(Token):
    def __init__(self, feature: FeatureType) -> None:
        self.feature = feature

    def __str__(self): return '

生成如下的“逆波兰“表达式：

print(f'ref: Add(Ref(Abs($low),-10),Div($high,$close))')

最近抽时间，要把qlib重构掉，生成的因子表达式可以与Quantlab回测融合到一起。

02 web （app）开发

最近从flet到nicegui再到webapp(uniapp和ionic)。

uniapp和ionic vue的调研过程发现一个问题，难的不是ui层面，而是vue框架的问题。

都说Vue比React上手曲线平滑。

但真正有经验的程序员可能不这么看。

vue对js的魔改，实在让人看不懂，本身js就没规律，你又自己建立一套规矩，真还不如react的中规中举！

其实仔细想来，web及webapp是我们的核心诉求（桌面和App不是）。那么策略呈现，使用bootstrap是可以完成的，本身就是移动优先，而且果仁本身就是bootstrap+jquery开发。

唯独策略可视化这个交互比较多罢了。——而这一点nicegui是可以完成的。

最后想还，还来基于Django后端驱动 + Bootstrap(CSS框架，少数jquery辅助)，可以加上jquery或者考虑 React(CDN模式，之前尝试过vue3，还是对vue3的感觉一般般。)

最近技术调研一个深刻的体会的：所有的选型都有其代价。

大团队无所谓，考虑效果，性能，可维护性为主。

而小团队，甚至是“一人企业”，更多就是找自己擅长的。

——如无必要，勿增实体。

吾日三省吾身

居安要思危。

在经济下行周期，每个人都要考虑自己的退路与出路。

光环是公司或平台给的，离开了，你还剩下什么？

这就不是人生意义的问题，而是生存问题。

我们不要混淆这两个层面：在生存中谈意义。

至少基本财务安全，甚至财务基本自由的时候谈意义，否则专业赚钱！

原创文章第511篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由”。

我们在大类资产轮动策略的基础上，加上RSRS择时，当RSRS<0.7时平仓。RSRS因子的说明：阻力支撑指标RSRS策略：光大证券研报复现

name = "全球大类资产轮动+RSRS择时"
desc = "全球大类资产轮动：强者恒强"
symbols = ["563300.SH", "510300.SH", "510500.SH", "512100.SH", "159915.SZ", "159967.SZ", "159920.SZ", "513100.SH", "513500.SH", "518880.SH", "159985.SZ", "513520.SH", "510050.SH"]
algo_period = "RunDaily"
algo_period_days = 20 #在RunDays时有效
rules_buy = []
at_least_buy = 1
rules_sell = ['rsrs_18<0.7']
at_least_sell = 1
order_by = "roc_20"
topK = 1
dropN = 0
b_ascending = 0
algo_weight = "WeightEqually"
algo_weight_fix = []
feature_names = ['roc_20','rsrs_18']
features = ['roc(close,20)','slope_pair(high,low,18)']
start_date = "20100101"
end_date = ""
commission = 0.0001
slippage = 0.0001
init_cash = 1000000
benchmark = "510300.SH"

代码已经发布至星球：

吾日三省吾身

个人不太关注所谓网红，但有一个非知名网红除外，那就是郭宇。

28岁从字节财富自由退休。

个人觉得他的状态是最好的，戴了皇冠也不承其重。

如何获得财富自由：

郭宇在字节跳动工作期间获得了一定的期权，随着公司估值的大幅增长，这些期权成为了他实现财富自由的关键。

据分析，他在2014年进入字节跳动时获得的期权应该在50万股左右，而字节跳动的估值从2014年的5亿美金涨到了1000亿美金，使得他的身价达到了近亿级别。

除了在字节跳动的期权，郭宇还通过投资股市和其他资产逐渐积累了财富。

他在日本购置了房产，并通过房地产投资获得了稳定的收益。

郭宇在28岁时决定退休，移居日本，专注于温泉酒店和写作事业。

我让KIMI总结的

“如果你在火箭上有一个位置，别计较坐在哪儿。先上去再说”。——谢丽尔·桑德伯格，谷歌前营销部门负责人。

其实做为同行，郭宇的职业履历还好。

他的转折点在于字节跳动的期权。这是第一桶金的来源，然后通过投资（美股+日本房产）获得杠杆倍增。

关于财富自由，有一个“悖论”——你得先有钱。

本金越大，你“自然而然”会理财，会懂得控制风险。——后者虽然也有难度，但学习起来要容易得多。很多人暴雷是性格使然。但前者，需要运气、机遇各种偶然因素作用在一起。

作为同行，我们经历过几次可以坐上火箭的机会，但没有珍惜。可以说运气相关，也可以说没有财商教育的积累，理解不到股权的价值。

如果说总结起来，郭宇厉害的地方，在于他对财富的思考能力。知道股权的价值，同步善于理财投资。

郭宇在股市和房地产市场的投资决策主要包括以下几点：

1、长期持有潜力股股票：郭宇持有了腾讯股票长达6年的时间，这只股票在此期间翻了近10倍，为他带来了巨额收益。

2、分散投资：在清仓腾讯股票后，郭宇并没有停止投资，而是慢慢分散投资到美股、港股，通过这些多元化的投资策略，他在股市大涨大跌中也赚取了一些收益。

3、房地产投资：郭宇在日本投资了多套房产，并从这些房产中获得稳定的租金收益。他的投资策略不仅限于购买房产，还包括关注不动产投资市场，将股市的资金转移到房地产市场中。

先有钱，然后做好投资组合配置。

试图通过小资金，炒股的方式，直接实现财富自由，这个路径很难。除了江湖野史传说——还没有见过正式的记录。

量化投资或者说AI量化投资，也不是所谓的圣杯。——我们的目标是帮你更轻松、稳健地获得20%的年化收益。

历史文章：

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

+ f.name.lower() for f in self._features]
df = self._load_exprs(features)
df = df.stack().unstack(level=1)
dates = df.index.levels[0] # type: ignore
stock_ids = df.columns
values = df.values
values = values.reshape((-1, len(features), values.shape[-1])) # type: ignore
return torch.tensor(values, dtype=torch.float, device=self.device), dates, stock_ids

这里是数据初始化，本身也是把所有instrument的数据加载进入，转成“三维”的 Tensor。

token是因子表达式的基本要素：

生成如下的“逆波兰“表达式：

最近抽时间，要把qlib重构掉，生成的因子表达式可以与Quantlab回测融合到一起。

02 web （app）开发

最近从flet到nicegui再到webapp(uniapp和ionic)。

uniapp和ionic vue的调研过程发现一个问题，难的不是ui层面，而是vue框架的问题。

都说Vue比React上手曲线平滑。

但真正有经验的程序员可能不这么看。

vue对js的魔改，实在让人看不懂，本身js就没规律，你又自己建立一套规矩，真还不如react的中规中举！

唯独策略可视化这个交互比较多罢了。——而这一点nicegui是可以完成的。

最近技术调研一个深刻的体会的：所有的选型都有其代价。

大团队无所谓，考虑效果，性能，可维护性为主。

而小团队，甚至是“一人企业”，更多就是找自己擅长的。

——如无必要，勿增实体。

吾日三省吾身

居安要思危。

在经济下行周期，每个人都要考虑自己的退路与出路。

光环是公司或平台给的，离开了，你还剩下什么？

这就不是人生意义的问题，而是生存问题。

我们不要混淆这两个层面：在生存中谈意义。

至少基本财务安全，甚至财务基本自由的时候谈意义，否则专业赚钱！

原创文章第511篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由”。

我们在大类资产轮动策略的基础上，加上RSRS择时，当RSRS<0.7时平仓。RSRS因子的说明：阻力支撑指标RSRS策略：光大证券研报复现

代码已经发布至星球：

吾日三省吾身

个人不太关注所谓网红，但有一个非知名网红除外，那就是郭宇。

28岁从字节财富自由退休。

个人觉得他的状态是最好的，戴了皇冠也不承其重。

如何获得财富自由：

郭宇在字节跳动工作期间获得了一定的期权，随着公司估值的大幅增长，这些期权成为了他实现财富自由的关键。

据分析，他在2014年进入字节跳动时获得的期权应该在50万股左右，而字节跳动的估值从2014年的5亿美金涨到了1000亿美金，使得他的身价达到了近亿级别。

除了在字节跳动的期权，郭宇还通过投资股市和其他资产逐渐积累了财富。

他在日本购置了房产，并通过房地产投资获得了稳定的收益。

郭宇在28岁时决定退休，移居日本，专注于温泉酒店和写作事业。

我让KIMI总结的

“如果你在火箭上有一个位置，别计较坐在哪儿。先上去再说”。——谢丽尔·桑德伯格，谷歌前营销部门负责人。

其实做为同行，郭宇的职业履历还好。

他的转折点在于字节跳动的期权。这是第一桶金的来源，然后通过投资（美股+日本房产）获得杠杆倍增。

关于财富自由，有一个“悖论”——你得先有钱。

作为同行，我们经历过几次可以坐上火箭的机会，但没有珍惜。可以说运气相关，也可以说没有财商教育的积累，理解不到股权的价值。

如果说总结起来，郭宇厉害的地方，在于他对财富的思考能力。知道股权的价值，同步善于理财投资。

郭宇在股市和房地产市场的投资决策主要包括以下几点：

1、长期持有潜力股股票：郭宇持有了腾讯股票长达6年的时间，这只股票在此期间翻了近10倍，为他带来了巨额收益。

2、分散投资：在清仓腾讯股票后，郭宇并没有停止投资，而是慢慢分散投资到美股、港股，通过这些多元化的投资策略，他在股市大涨大跌中也赚取了一些收益。

3、房地产投资：郭宇在日本投资了多套房产，并从这些房产中获得稳定的租金收益。他的投资策略不仅限于购买房产，还包括关注不动产投资市场，将股市的资金转移到房地产市场中。

先有钱，然后做好投资组合配置。

试图通过小资金，炒股的方式，直接实现财富自由，这个路径很难。除了江湖野史传说——还没有见过正式的记录。

量化投资或者说AI量化投资，也不是所谓的圣杯。——我们的目标是帮你更轻松、稳健地获得20%的年化收益。

历史文章：

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

+ self.feature.name.lower()

class OperatorToken(Token):
def __init__(self, operator: Type[Operator]) -> None:
self.operator = operator

def __str__(self): return self.operator.__name__

class SequenceIndicatorToken(Token):
def __init__(self, indicator: SequenceIndicatorType) -> None:
self.indicator = indicator

def __str__(self): return self.indicator.name

BEG_TOKEN = SequenceIndicatorToken(SequenceIndicatorType.BEG)
SEP_TOKEN = SequenceIndicatorToken(SequenceIndicatorType.SEP)

生成如下的“逆波兰“表达式：

最近抽时间，要把qlib重构掉，生成的因子表达式可以与Quantlab回测融合到一起。

02 web （app）开发

最近从flet到nicegui再到webapp(uniapp和ionic)。

uniapp和ionic vue的调研过程发现一个问题，难的不是ui层面，而是vue框架的问题。

都说Vue比React上手曲线平滑。

但真正有经验的程序员可能不这么看。

vue对js的魔改，实在让人看不懂，本身js就没规律，你又自己建立一套规矩，真还不如react的中规中举！

唯独策略可视化这个交互比较多罢了。——而这一点nicegui是可以完成的。

最近技术调研一个深刻的体会的：所有的选型都有其代价。

大团队无所谓，考虑效果，性能，可维护性为主。

而小团队，甚至是“一人企业”，更多就是找自己擅长的。

——如无必要，勿增实体。

吾日三省吾身

居安要思危。

在经济下行周期，每个人都要考虑自己的退路与出路。

光环是公司或平台给的，离开了，你还剩下什么？

这就不是人生意义的问题，而是生存问题。

我们不要混淆这两个层面：在生存中谈意义。

至少基本财务安全，甚至财务基本自由的时候谈意义，否则专业赚钱！

原创文章第511篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由”。

我们在大类资产轮动策略的基础上，加上RSRS择时，当RSRS<0.7时平仓。RSRS因子的说明：阻力支撑指标RSRS策略：光大证券研报复现

代码已经发布至星球：

吾日三省吾身

个人不太关注所谓网红，但有一个非知名网红除外，那就是郭宇。

28岁从字节财富自由退休。

个人觉得他的状态是最好的，戴了皇冠也不承其重。

如何获得财富自由：

郭宇在字节跳动工作期间获得了一定的期权，随着公司估值的大幅增长，这些期权成为了他实现财富自由的关键。

据分析，他在2014年进入字节跳动时获得的期权应该在50万股左右，而字节跳动的估值从2014年的5亿美金涨到了1000亿美金，使得他的身价达到了近亿级别。

除了在字节跳动的期权，郭宇还通过投资股市和其他资产逐渐积累了财富。

他在日本购置了房产，并通过房地产投资获得了稳定的收益。

郭宇在28岁时决定退休，移居日本，专注于温泉酒店和写作事业。

我让KIMI总结的

“如果你在火箭上有一个位置，别计较坐在哪儿。先上去再说”。——谢丽尔·桑德伯格，谷歌前营销部门负责人。

其实做为同行，郭宇的职业履历还好。

他的转折点在于字节跳动的期权。这是第一桶金的来源，然后通过投资（美股+日本房产）获得杠杆倍增。

关于财富自由，有一个“悖论”——你得先有钱。

作为同行，我们经历过几次可以坐上火箭的机会，但没有珍惜。可以说运气相关，也可以说没有财商教育的积累，理解不到股权的价值。

如果说总结起来，郭宇厉害的地方，在于他对财富的思考能力。知道股权的价值，同步善于理财投资。

郭宇在股市和房地产市场的投资决策主要包括以下几点：

1、长期持有潜力股股票：郭宇持有了腾讯股票长达6年的时间，这只股票在此期间翻了近10倍，为他带来了巨额收益。

2、分散投资：在清仓腾讯股票后，郭宇并没有停止投资，而是慢慢分散投资到美股、港股，通过这些多元化的投资策略，他在股市大涨大跌中也赚取了一些收益。

3、房地产投资：郭宇在日本投资了多套房产，并从这些房产中获得稳定的租金收益。他的投资策略不仅限于购买房产，还包括关注不动产投资市场，将股市的资金转移到房地产市场中。

先有钱，然后做好投资组合配置。

试图通过小资金，炒股的方式，直接实现财富自由，这个路径很难。除了江湖野史传说——还没有见过正式的记录。

量化投资或者说AI量化投资，也不是所谓的圣杯。——我们的目标是帮你更轻松、稳健地获得20%的年化收益。

历史文章：

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

这里是数据初始化，本身也是把所有instrument的数据加载进入，转成“三维”的 Tensor。

token是因子表达式的基本要素：

生成如下的“逆波兰“表达式：

最近抽时间，要把qlib重构掉，生成的因子表达式可以与Quantlab回测融合到一起。

02 web （app）开发

最近从flet到nicegui再到webapp(uniapp和ionic)。

uniapp和ionic vue的调研过程发现一个问题，难的不是ui层面，而是vue框架的问题。

都说Vue比React上手曲线平滑。

但真正有经验的程序员可能不这么看。

vue对js的魔改，实在让人看不懂，本身js就没规律，你又自己建立一套规矩，真还不如react的中规中举！

唯独策略可视化这个交互比较多罢了。——而这一点nicegui是可以完成的。

最近技术调研一个深刻的体会的：所有的选型都有其代价。

大团队无所谓，考虑效果，性能，可维护性为主。

而小团队，甚至是“一人企业”，更多就是找自己擅长的。

——如无必要，勿增实体。

吾日三省吾身

居安要思危。

在经济下行周期，每个人都要考虑自己的退路与出路。

光环是公司或平台给的，离开了，你还剩下什么？

这就不是人生意义的问题，而是生存问题。

我们不要混淆这两个层面：在生存中谈意义。

至少基本财务安全，甚至财务基本自由的时候谈意义，否则专业赚钱！

原创文章第511篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由”。

我们在大类资产轮动策略的基础上，加上RSRS择时，当RSRS<0.7时平仓。RSRS因子的说明：阻力支撑指标RSRS策略：光大证券研报复现

代码已经发布至星球：

吾日三省吾身

个人不太关注所谓网红，但有一个非知名网红除外，那就是郭宇。

28岁从字节财富自由退休。

个人觉得他的状态是最好的，戴了皇冠也不承其重。

如何获得财富自由：

郭宇在字节跳动工作期间获得了一定的期权，随着公司估值的大幅增长，这些期权成为了他实现财富自由的关键。

据分析，他在2014年进入字节跳动时获得的期权应该在50万股左右，而字节跳动的估值从2014年的5亿美金涨到了1000亿美金，使得他的身价达到了近亿级别。

除了在字节跳动的期权，郭宇还通过投资股市和其他资产逐渐积累了财富。

他在日本购置了房产，并通过房地产投资获得了稳定的收益。

郭宇在28岁时决定退休，移居日本，专注于温泉酒店和写作事业。

我让KIMI总结的

“如果你在火箭上有一个位置，别计较坐在哪儿。先上去再说”。——谢丽尔·桑德伯格，谷歌前营销部门负责人。

其实做为同行，郭宇的职业履历还好。

他的转折点在于字节跳动的期权。这是第一桶金的来源，然后通过投资（美股+日本房产）获得杠杆倍增。

关于财富自由，有一个“悖论”——你得先有钱。

作为同行，我们经历过几次可以坐上火箭的机会，但没有珍惜。可以说运气相关，也可以说没有财商教育的积累，理解不到股权的价值。

如果说总结起来，郭宇厉害的地方，在于他对财富的思考能力。知道股权的价值，同步善于理财投资。

郭宇在股市和房地产市场的投资决策主要包括以下几点：

1、长期持有潜力股股票：郭宇持有了腾讯股票长达6年的时间，这只股票在此期间翻了近10倍，为他带来了巨额收益。

2、分散投资：在清仓腾讯股票后，郭宇并没有停止投资，而是慢慢分散投资到美股、港股，通过这些多元化的投资策略，他在股市大涨大跌中也赚取了一些收益。

3、房地产投资：郭宇在日本投资了多套房产，并从这些房产中获得稳定的租金收益。他的投资策略不仅限于购买房产，还包括关注不动产投资市场，将股市的资金转移到房地产市场中。

先有钱，然后做好投资组合配置。

试图通过小资金，炒股的方式，直接实现财富自由，这个路径很难。除了江湖野史传说——还没有见过正式的记录。

量化投资或者说AI量化投资，也不是所谓的圣杯。——我们的目标是帮你更轻松、稳健地获得20%的年化收益。

历史文章：

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）

Quantlab v3.9.2:策略集合——创成长与红利低波动的智能Beta策略(年化29.3%，最大回撤24%)(附源码）