量化投资（投机）无外乎两个策略模板

最新代码是Quantlab3.7，可视化配置AI量化策略：

一直在思考，如何提供可持续的价值。

最近读了一本书《认知觉醒》，里边关于“什么是真正的学习”的论述，我觉得很有收获，结合这么长时间对于AI量化投资怎么做，有一些思考，分享给大家。

什么是真正的学习呢？反馈。刻意练习里讲反馈，费曼学习法的以教带学也讲反馈，但我觉得仍然没有点透精髓。

科学的学习策略是——产出作品，获取反馈。

比如你想学吉他，按正规套路，你应该先学爬格子，左手和弦，右手指法，然后还要学习乐理，这些下来，估计很多人觉得无聊，难以坚持就放弃了。比如小时候我们都听过达芬奇画1000个鸡蛋的故事，让你画1000个鸡蛋，估计你再也不想画画了。

不如就是把一首歌弹会，能上台表演，这是一个作品。

学就是为了用，在应用中补充知识，而不是先去学一个知识体系。

要么解决问题，要么交付一件有价值的作品。

很多人年初定计划要学英语，但根本没想怎么用，就想着学点东西吧。真正想学的话，找到你要用英语解决的问题，或者准备输出一个作品。比如阅读能力的话，那就是直接读原版书，你读下来一本经典，阅读就没问题了。如果是口语，那就找一个需要英语作为工作语言的事情去做。你做顺了，自然就会了，在事在练！

回到咱们量化投资，我们做AI平台，或者Quantlab的目的是什么？解决投资的问题，帮大家更轻松地赚到钱，这个问题是非常明确的。

之前我们也尝试过很多策略，回测结果显示是有效的，但总感觉还缺少点什么？——最后一公里——实盘。

实盘才是真正的闭环和反馈！

具体到ETF投资，我们一般会选择几个大类资产，然后写策略。

但在具体实盘的投资实战中，也许我们关心的是全市场，而且也许我们是可以承受更多的风险。那么这时候，债也许就不是优选标的，大类资产风险平价这样的风控也不是最关键的。

策略模块一：面对全市场的ETF和LOF，我们要优选其中top K个进行轮动，这是基础策略。

这个策略逻辑几乎适用所有市场：股票、可转债、期货均都如此。

在这个基础上，会有过滤机制，比如“动量为负”就不进入排序，比如“rsrs_18<0.7”就不进入排序等等。

目前的设计里，咱们是有“入场规则”，“出场规则”和排序规则——是否只需要过滤规则就好了——也就是“出场规则”，默认在每个调仓周期，所有标的都可以参与排序，除了被过滤掉的之外，多一条规则可以就多一些误伤，对于未来泛化能力会下降。

从这个角度看过去，排序是关键，这是对所有标的进行截面比较（这里当然可以应用集成学习，比如lightGBM对所有标的进行多因子建模后的排序，通过需要确定一定的排仓周期，比如按周轮动），比如相对趋势动量，

而过滤条件更多是标的本身的绝对指标（比如rsrs<0.7的过滤掉，比如动量<-0.005的过滤掉——这些参数可以通过遗传算法来搜寻最优超参），三重滤网里的大周期趋势，中周期调整等，也可以应用于过滤规则。

从仓位管理上看，如果K=10，那么一次持仓不超过10%，下个周期如果当前已持仓则不调整，卖出需要清仓后，cash平均分配给新增的标的（仍然不超过10%）。

策略模板二：激进的单标的择时，比如单支加密货币，某支期货，期权这种，就是纯择时策略，这种更多是“预测”加“仓位管理”，比如凯利公式，金字塔加仓等。

历史文章：

发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/103466
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！