创业板ETF动量择时：年化21%，最大回撤18%​，以及DeepAlphaGen强化学习因子代码发布

策略开发： 

思路一：绝对型收益，严控回撤，追求适度收益，比如长期年化10%。

A股无法做空，因此单边下行或者震荡都很难盈利。引入多品种和多市场，由于相关性比较低，可以分散风险，降低波动。可以通过波动率控制来调节风险水平。

这个之前做过一些： 

AI量化系统Quantlab V1.7代码更新，支持pybroker引擎，含大类资产风险平价及波动率策略源码集，平均年化15%

思路二： 轮动、择时。一般而言，趋势指数对于趋势市有效，震荡市打脸。难在如何知道当前是趋势市呢？预测是很难的。

但如果通过多个低相关的市场，来看趋势指标，比如动量，按动量大小来轮动，容易捕抓到在上涨势的标的。同时使用止损指标来降低风险。

年化29.6%，明天会继续对斜率进行R2的优化，敬请期待。

代码如下以及数据已经发布在星球：

if __name__ == '__main__':
    task = Task()
    task.name = '轮动'

    # task.symbols = ['000300.SH', '399006.SZ']
    task.symbols = [
        #'510050.SH',  # 上证50ETF
        #'159928.SZ',  # 中证消费ETF
        '510300.SH',  # 沪深300ETF
        '159949.SZ',  # 创业板50
    ]

    task.symbols = [
        '513100.SH',
        '159934.SZ',
        '510880.SH',
        '159915.SZ'
    ]
    #task.symbols = ['510300.SH', '159915.SZ']
    task.template = '轮动'
    # task.end_date = '20220101'
    task.names = ['roc_20', 'slope_20', 'rsrs_18', 'rsrs_norm']
    task.fields = ['roc(close,20)', 'slope(close,20)', 'slope_pair(high,low,18)', 'zscore(rsrs_18,600)']
    #task.rules_buy = ['roc_20>0.02']
    #task.rules_sell = ['roc_20<-0.02']
    task.factor_name = 'slope_20'
    task.pick_time = 'rsrs_norm<0'
    task.weights = 'WeightEqually'
    # task.period = 'RunMonthly'
    task.start_date = '20140101'
    #task.end_date = '20230928'
    task.benchmark = '000300.SH'
    backtest_task(task)

吾日三省吾身

看到一个量化社区发采访稿，很有感触。

这个平台是Quantopian国内对标品中做得比较早的，社区也比较活路。后来大家都发现，这条路走不通，与团队无关。

这里的核心逻辑就是——策略是灵魂，但也是机密。能写出优秀策略的人，往往有建平台的能力。因此平台，To C业务走不通。后来它们转型做 To B业务的时候，发现B端定制化要求高，边际成本高，难以复制。后来决定依靠在科技和量化人才上的积累，转型做自营私募。

作为个人量化或者小团队，应该如何规划呢？

做量化，自营永远是一条路，或者说，你至少一定程度上具备这个能力。

考虑到本金规模等限制，未必就能带来真正意义上的财务自由。

如果要做平台，应该是门槛极低，小白也能使用。同时高手也有机会在这里开发策略。

大平台的数据处理上，因子计算上有很大的投入与积累。基础设施比咱们好，那我们的优势就是灵活，成本低。

如果专注在一个市场，比如ETF，那么基础设施的成本就会大幅降低。除了可以涉猎大类资产配置外，同样可以做多因子——主要基于价量。