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

社群下一步要为量化入门同学，打造一个可以免安装，直接使用的AI量化平台。

我们还是从ETF开始，原因是新的投资者，从ETF，大类资产开始，总是不错的选择，甚至于，如果你不是，也不想成为专业投资者，只能享受投资复利的话，使用ETF就够多了。

当市场越来越有效的时候，alpha甚至消失，剩下市场beta也就是分享资本市场成本带来的收益。

ETF一共有1000多支，不过没有必要同步所有数据。

比如跟踪中证500指数的ETF就是20多支，当然有些做了增强。从咱们量化的角度，选择严格跟踪指数的ETF，因此，一般选择交易量最大的即可。

from django.db import models
from django.urls import reverse


class Tag(models.Model):
    name = models.CharField(max_length=255, unique=True)

    def __str__(self):
        return self.name

    class Meta:
        verbose_name = 'ETF标签'
        verbose_name_plural = verbose_name


class ETF(models.Model):
    symbol = models.CharField(max_length=20, verbose_name='基金代码')
    name = models.CharField(max_length=60, verbose_name='基金名称', null=True)
    found_date = models.DateField(verbose_name='成立日期', null=True)
    tags = models.ManyToManyField(Tag, related_name='etfs', blank=True)
    benchmark = models.CharField(max_length=500, verbose_name='比较基准代码', null=True, blank=True)

    def __str__(self):
        return '{}({})'.format(self.name, self.symbol)

    def get_absolute_url(self):
        print('abs')
        return reverse('etfs')

    class Meta:
        verbose_name = '场内基金-ETF'
        verbose_name_plural = verbose_name

选择投资标的：

配置交易规则：

目前看，从极简的技术选型看，后端使用django+ninjia，可以完美支持管理系统，对于手工入，配置相关信息，可以用极少的代码，获得一个管理系统。

而回测系统，前端交互比较复杂，使用vue+elementUI是个好的选择，但不想引入nodejs的复杂性，直接使用cdn的模式引入。

吾日三省吾身

人生之境遇，很多时候是自身连续选择的结果。

而这些选择，是由我们底层的价值观决定的。

有人激进，有人中庸。

无它，都是选择，自己认为对就好，不要拧巴。

一次时间投入，可以长期使用的产品，服务，总是值得投入。

产品化，服务化，创造价值。

我们聚焦在ETF领域，可以大类资产配置，可以轮动，可以择时，可以高频也可以引入机器学习算法交易。

今天来一个比昨天还简单的策略，创业板ETF动量择时：年化21%，最大回撤18%。

创业板择时策略代码如下：

def gen_cy_picktime():
    proj = ProjConfig()
    proj.name = '创业板动量择时'
    proj.commission = 0.0001
    proj.slippage = 0.0001
    proj.symbols = ['159915.SZ']  # 证券池列表
    proj.benchmark = '159915.SZ'
    proj.start_date = '20100101'
    proj.data_folder = 'etfs'  # 这里指定data/数据目录

    fields = ['roc(close,20)']
    names = ['roc_20']
    proj.fields = fields
    proj.names = names

    # 这里是策略算子列表
    proj.algos.append(
        AlgoConfig(name=SelectBySignal().name, kwargs={'rules_buy': ['roc_20>0.08'], 'rules_sell': ['roc_20<-0.0']})

    )
    #proj.algos.append(
    #    AlgoConfig(name=SelectTopK().name, kwargs={'factor_name': 'roc_20'})
    #)
    proj.algos.append(AlgoConfig(name=WeightEqually().name))
    proj.algos.append(AlgoConfig(name=Rebalance().name))

    return proj