10%长期年化真的挺容易的：国内版全天候风险平价策略

后端功能大重构进展比较顺利，后面还会有一些小细节的持续改进。

回归Quantlab，本周要发布的源代码版本是V3.7。

用户可以低代码创建自己的策略，进一步降低使用门槛。数据在服务下载，当然大家可以自行下载到本地。

ETF选择，可以检索名称或者symbol：

def select_funds():
    def _select_funds_format(x):
        return get_funds()[x]
    symbols = st.multiselect(label='请选择基金：', options=list(get_funds().keys()), format_func=lambda x:_select_funds_format(x) )
    st.write(symbols)

选择调仓周期：

def select_period():
    periods = {'RunDaily': '每天运行', 'RunWeekly': '每周运行', 'RunMonthly': '每月运行', 'RunQuarterly': '每季度运行',
               'RunYealy': '每年运行',
               'RunDays': '自定义天数'}

    def _period_format(x):
        return periods[x]

    period = st.selectbox(label='请选择调仓周期', index=0, options=list(periods.keys()),
                          format_func=lambda x: _period_format(x))
    if period == 'RunDays':
        days = st.number_input(label='请输入天数', min_value=1, max_value=365)
        st.write('每{}天凋仓'.format(days))
    st.write('您选择调仓周期：{}'.format(period))

我们来演示一个完整的流程：

年化10%其实真的挺容易的！

因子挖掘

关于因子挖掘这条线，之前咱们发布DeepAlpha，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）

业界主流的两种机器挖因子的模式都涵盖了：遗传算法和深度强化学习。

不过底层使用了Qlib的数据存储。

很多同学问何时可以简化这部分处理，其实方案一直都有。但我当前却想跳过这一步。

为何？

无论是遗传算法还是强化学习，都是机器“暴力”搜索参考及函数空间，去寻找满足fitness的表达式。

在如此低信噪比的金融数据里，过拟合基本是定论。

不可解释性，不稳定性，导致这一块不好用。

所以，很多私募仍然在使用传统人工构造因子的逻辑。

我在想——有没有可能把二者结合起来呢？

直到看到这篇研报，之前分析过：研报拆解：大语言模型LLM和多智能体(Multi-Agents)实现量价因子挖掘框架

让大模型用Few-shot方式学习前人发布过的好的因子，解释这些因子。然后“仿写”，然后通过因子分析给出反馈，改进，这个持续迭代去优化和挖掘新的因子。——这是星球目前要尝试的方向，也代表着未来。

吾日三省吾身

做商业必环，用户价值为先。

用户要学习量化，学会量化，会用系统，获得策略，得到收益。