Quantlab AI量化系统：下一阶段开发思路汇报

持续给大家写策略吧。

1、统一的数据下载、查询和管理；

2、统一的因子表达式与计算；

3、多个回测引擎开发策略与回测；

4、统一的分析与可视化。

策略代表了平台和框架的能力，也是大家最容易上手和理解量化交易的路径。

最近连续更新的几个版本的代码：

回测系统的范式有很多种，像backtrader为代表的传统量化，qlib为代表的机器学习量化，还有vectorBT为代表的向量化测试，还有bt为代表的积木式量化。

大家刚接触量化可能很好奇，不知道怎么选。

而且咱们Quantlab其实也是集众家之长，自主研发的。

为什么会这样呢？

因为没有完全通用的。

Backtrader要开发多因子（像Qlib那种几百个因子），那没有因子表达式会非常麻烦。Quantlab就兼容了二者，也是我选择自研的原因。

但咱们现在单标的择时就没那么灵活，Qlib则是完全做不到。这一点上backtesting.py这个“小而美”的框架就做得非常好。而且支持参数自动调优。

所以，我的想法是，底层回测系统未必只能是一个，我考虑在Quantlab的基本上，再集成backtesting.py和Bt等等。

我们有统一的数据加载，因子计算，然后输入给不同的引擎调用。

回测结果会返回统一的格式，比如Equity序列，风险收益特征计算，orders信息，trades信息等。

然后统一进行可视化绘图和呈现。

吾日三省吾身

关于投资。

看到很多CTA&投顾，长期年化10%左右，只是回撤控制得很好。

这就算是很好的策略了。

投资我们到底在追求什么目标呢？30%， 50%？

这样的策略风险一定非常高，要高收益需要仓位集中。

但要降低回撤，无外乎两种策略：一是分散，二是止损。

但二者在降低风险的同时，也在降低收益。

频率越高，基本面数据越不重要，价量数据越重要。

机器学习可以归结到因子挖掘，但label不好建模。

强化学习不容易收敛。

普通人更适合从大类资产配置开始，然后过渡到战术资产调优，可以获得不错的绝对型收益。

从全市场中选择有效的，长期向上的大类资产标的。通过大类资产风险平价确定大类权重。然后按动量趋势，对权重进行加、减。

发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/103439
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！