Quantlab3.2代码发布及实验室下一步开发计划

代码+数据下载：【优惠券】AI量化实验室——2024量化投资的星辰大海

这是根据年初的规划，我会把task拆分几种策略模板：

投资要义：“股债平衡兼套利，低估分散不深研”——大类资产配置，轮动，择时，多策略组合。

昨天的模板最简单，就是快速进行大类资产配置。

下周的重点，就是轮动模型，可以支持信号轮动，还是支持机器信号轮动。

大家最关注的问题，或者说学习的重点，是如何从0研发一个策略。

业内现在多因子策略的套路，就是构建因子，然后评估，筛选因子，因子合成，回测归因等。

多因子的逻辑，在给定的股票池或者ETF池中，通过多因子表现，对池子中的可投资标的进行排序，然后选择topK进行投资。——qlib就是这个逻辑。

这个逻辑最重要就是找因子。

咱们的RSRS+斜率策略也算是一个特例：十年年化29.6%，回撤24.8%的动量斜率轮动+RSRS择时策略（代码+数据下载）

这里的排序因子，可以近似认为就是我们合成的排序因子，我们选择了top 1而已。不过在这之前，我们还使用规则信号（RSRS标准分为负的直接过滤掉了）。简言之就是信号过滤+因子排序。

这个模板具备通用性，符合我们主观交易时的逻辑。

主观交易时，我们面对4000多支股票，1000多支ETF，做不到全量去评估。肯定会使用规则筛选，过滤掉不符合要求的股票/ETF。这里过滤通常就是使用规则。

剩下的候选池，可能是几百支甚至几十支。可以精细化评估。

主观交易可能定性分析基本面，或者看K线图、技术指标等，这里相当于综合多个因素（因子）全面评估标的，给出排序，然后挑出最优的前K支进行持仓。

这个模板里关键是信号规则和因子的构建。

或者说，如何根据结果去优化。

优化分两个层面：

一是因子本身构建逻辑的优化；二是因子参数优化。

参数优化，可以使用遗传算法或者其他成熟的方式，这个后续我们做成自动化的模块给大家提供。

如何通过回测结果分析，反向去优化因子逻辑。这是一个需要持续研究的课题。

gplearn或者深度强化学习挖掘因子，就是衔接在这个环节。

gplearn因子挖掘：分钟级数据效果还是非常好的：年化81%，最大回撤10%。（quantlab3.1源代码+数据下载）

端到端因子挖掘框架：DeepAlphaGen V1.0代码发布，支持最新版本qlib

这里筛选及挖掘出的因子，可以通过等权或者机器模型（我计划使用lightGBM ranker来合成多因子LGBRanker排序算法重构，29个行业轮动滚动回测长期年化11.1%（代码与数据下载））

总结一下：

一个通用策略模板是“轮动策略”。在排序之前，可以添加规则信号过滤、筛选标的，把不合适的直接排除掉。然后对剩余标的选择前K个交易。

一般而言：信号规则这里可以使用人工规则，技术指标。就是我们容易自主可控。

排序这里用的是多因子，可以手工合成或者机器合成。这里因子可以人工构建也可以使用机器自动挖掘。

如果机器构建，还需要使用WAF滚动式训练：年化收益 21%：lightGBM的WFA滚动训练，使用qlib的alpha158因子集

大家请前往星球更新最新的框架代码+策略模板。