ETF量化投资数据准备与基线策略：年化21%

聚焦，专注。

一、数据准备，主要是指数，部分ETF和LOF数据，它们的盘后更新。回测任务盘后运行。在网站上呈现。

二、用户注册、登录、会员体系搭建，外加一个简易论坛可以留言。

上述两者是支撑功能。

核心就是策略开发，策略开发的可视化向导，我还没有想清楚，如何设计更加高效，易用，真正能帮到大家。

年化20%为基线，后续持续优化。

从回测和研究的角度，我们不必关心那么多个etf，我们关心etf背后的指数，少数指数数据不易获取的，使用ETF替代，还是部分值得关注的LOF。

我们把有ETF(可交易)的指数，宽基先整理出来，26个，很轻松。

更新20050101以来指数所有数据，73000条左右，不到1分钟就完成了入库，专注一个有限的市场，对于个人或小团队是有意义的，比如股票，光沪深300就300支股票，你要处理的事情太多。

从量化交易的角度，如果你的模型可以，在ETF市场一样可以，因为我们主要做量价为主，与基本面关系不大。

服务端运行版本还有一个好处，由于数据量不大，不需要通过duckdb+csv来过渡了，直接读mongo，内存里做一层缓存，当然如果要通过hdf5缓存也可以。

MongoLoader的代码如下：

class Mongoloader(Dataloader):
    def __init__(self, symbols, columns=['open','high','low','close','volume','date','symbol'], start_date='20100101',
                 end_date=datetime.now().strftime('%Y%m%d')):
        super(Mongoloader, self).__init__(None, symbols, start_date, end_date)
        self.symbols = symbols
        self.columns = columns
        self.dfs_cache = {}

    def _load_dfs(self):
        from quanttask.utils import mongo_utils

        filter = {c: 1 for c in self.columns}
        filter['_id'] = 0
        dfs = []
        for s in self.symbols:
            if s in self.dfs_cache.keys():
                df = self.dfs_cache[s]
            else:
                df = pd.DataFrame(list(mongo_utils.get_db()['quotes'].find({'symbol': s}, filter)))

                df.set_index('date', inplace=True)
                df.index = pd.to_datetime(df.index)
                df.sort_index(inplace=True, ascending=True)
                self.dfs_cache[s] = df
            dfs.append(df)
        return dfs