Quantlab1.8源代码发布，私募分享会以及星球后续方向研讨

主流的公、私募量化，多因子模型是重中之重和热点方向。容量大，可以与前沿技术相结合。

东方证券的一张图：多因子选股体系

多因子选股体系主要包括 Alpha 模型、风险模型、交易成本模型和组合优化四个模块。Alpha 模型负责对股票收益或 Alpha 的预测，对组合收益的影响相对更大，是量化研究的重中之
重。传统的 Alpha 模型一般分为 Alpha 因子库构建和 Alpha 因子加权两个核心步骤。

其中：在 Alpha 因子构建中，可以引入的常见机器学习模型主要有两大类：遗传规划和神经网络。

先挖掘因子，再合成，忽略了因子之间的相互作用。

今天开始要代码实现的：一种新的因子组合挖掘框架，直接使用因子组合的表现来优化一个强化
学习因子生成器，最终生成的是一组公式因子集合，这些因子协同使用具有较高的选股效力。这
样做既能保留遗传规划算法公式化的优势，也能提升模型泛化能力，适应多种股票池，还能大幅
提升运算效率。

我对这篇论文感兴趣的核心在于，它具备一定程度上的通用性，集传统遗传规划的优点，可以显示生成表达式，结果了深度学习的泛化能力和端到端的能力。另外，原作者是提供代码的，不过它使用qlib的数据库，我进行了拆分，与咱们的开源项目，数据模块整合起来，让这个模块更加通用。

核心代码在Quantlab工程的如下位置：alphagen。

代码环境，需要：pytorch框架上的强化学习包：

stable_baselines3==2.0.0
sb3_contrib==2.0.0

核心的调用代码如下：

import json
import os
from datetime import datetime
from typing import Optional

import numpy as np
from sb3_contrib import MaskablePPO
from stable_baselines3.common.callbacks import BaseCallback

from alphagen.data.calculator import AlphaCalculator
from alphagen.models.alpha_pool import AlphaPool, AlphaPoolBase
from alphagen.rl.env.core import AlphaEnvCore
from alphagen.rl.env.wrapper import AlphaEnv
import torch

from alphagen.rl.policy import LSTMSharedNet
from alphagen.utils import reseed_everything
from alphagen.caculator.duckdb_caculator import DuckdbCalculator


def train(seed: int = 0, pool_capacity: int = 10, steps: int = 200_000, instruments: str = "csi300"):
    calculator_train = DuckdbCalculator(instrument=instruments,
                           start_time='2010-01-01',
                           end_time='2019-12-31')
    calculator_valid = DuckdbCalculator(instrument=instruments,
                           start_time='2020-01-01',
                           end_time='2020-12-31')
    calculator_test = DuckdbCalculator(instrument=instruments,
                          start_time='2021-01-01',
                          end_time='2022-12-31')

    pool = AlphaPool(
        capacity=pool_capacity,
        calculator=calculator_train,
        ic_lower_bound=None,
        l1_alpha=5e-3
    )

    reseed_everything(seed)

    device = torch.device('cuda:0')
    env = AlphaEnv(pool=pool, device=device, print_expr=True)

    name_prefix = f"new_{instruments}_{pool_capacity}_{seed}"
    timestamp = datetime.now().strftime('%Y%m%d%H%M%S')

    checkpoint_callback = CustomCallback(
        save_freq=10000,
        show_freq=10000,
        save_path='/path/for/checkpoints',
        valid_calculator=calculator_valid,
        test_calculator=calculator_test,
        name_prefix=name_prefix,
        timestamp=timestamp,
        verbose=1,
    )

    model = MaskablePPO(
        'MlpPolicy',
        env,
        policy_kwargs=dict(
            features_extractor_class=LSTMSharedNet,
            features_extractor_kwargs=dict(
                n_layers=2,
                d_model=128,
                dropout=0.1,
                device=device,
            ),
        ),
        gamma=1.,
        ent_coef=0.01,
        batch_size=128,
        tensorboard_log='/path/for/tb/log',
        device=device,
        verbose=1,
    )
    model.learn(
        total_timesteps=steps,
        callback=checkpoint_callback,
        tb_log_name=f'{name_prefix}_{timestamp}',
    )

其中DuckdbCaculator是我们实现的。

就是根据表达式计算因子，IC值等等。

使用了sb3的强化学习扩展包里的MaskablePPO算法。

一直认为强化学习最适合金融投资，因为它是多轮博弈的结果，且博弈的成本都可以体现在过程中。

我一直在找一个通用的范式，我们开发的框架，也是奔着通用的，算子化，积木式的方式。

从原始数据，到机器建模，再到实盘交易。

传统的因子生成方法都是逐个挖掘的，而忽略了这些因子在下游应用需要集成的问题。因子挖掘出来，再使用机器模型来合成，这时候，如何做到最优呢，有时候，加入一个低IC的因子，效果反而可能会更好。——非线性的世界，我们如何想得明白？

我在星球发了一篇研报，最近打算复现它。

华泰那个DeepAlpha我看了，它的因子生成是直接把函数变在层运算，并没有参与到深度网络的运算中。

而这篇DeepGen强化学习，它引入的类似GPLearn的公式生成树，然后使用强化学习来优化参数的逻辑。使用了gplearn, dso来做baseline，看起来还不错，至少这个范式比较有通用性。

值得复现一下代码。

作者本身有给代码，不过与qlib紧密结合，我打算使用咱们自己的框架Quantlab来复现。

吾日三省吾身

看了一些80，90年代的老房子，房价依然不菲。

背后支撑的力量，一是学区，二是位置。

精炼为两个字——稀缺。

3000点保卫战再次打响。

人口增长放缓、老龄化的问题在未来20年会突显出来。

现在有些幼儿园出现的招不满孩子的情况，未来可能会延伸。

人口基础，决定了劳力力来源，创新能力和消费力量。

20年后，也许并不需要这么多房子。

仔细想想，为什么要买房子，或者说某个位置的房子。

一是教育；二是上班。

教育考虑名校资源，上班考虑通勤。

财务自由之目标就是让上班变得“非必须”。孩子教育也就是义务教育之九年的必要性。当然有些人可能进入了稳定的工作状态，比如体制内，那工作地点可能未来几十年是不变的，通勤也是刚性考量。

看李白传记，真是潇洒，但之于他，有怀才不遇，略带悲剧色彩的意味。

才华是老天追着喂饭，且身逢其时。

但放荡不羁，好喝酒，没有情商还总想参与国家大事。

重友情，好旅游，四海为家，挥金如土，认为千金散尽还复来。

天生我才必有用。

看完不禁反思，人的一生应当如何度过呢？人生的意义是什么？

做自己。

做自己喜欢、擅长且有社会价值的事情。能从这些事情中合理合法获得物质回报，同时还获得尊重。这就是好的人生状态。

在做这些事情的过程中，可以把这些事情，逐步自动化，沉淀为资产，能够带来被动收入那就更好了。

本周Quantlab源代码已经更新：

AI量化里什么最重要，数据+因子。

从这个角度看过去，Qlib完全努力错了方向，一直搞模型，很学术风，然而，模型在如此低信噪比的金融数据里，挖不出东西。

从实战的角度，你要么做自动化，比如WonderTrader， Vnpy都有用，自动化尽管非刚需，但私募机构是需要的，虽然大家都会有自研能力。

Qlib如果要做AI导向的框架，应该是因子挖掘的流水线；而不是因子模型，这个不重要，搞一个StockRanker就够用了。所以，我们就来做这件事了。

Quant2.0:将量化的研究模式从小型的天才工坊转变为工业化、标准化的阿尔法工厂。

Quant3.0: 端对端；

Quant4.0：AutoML，可解释。

（Quant4.0架构图）

计算因子只是投研阶段的第一部分，而最重要的部分其实在于如何挑选最为有效的因子。

信号没有标注的问题，而除了强化学习之外，监督训练都需要标签。而qlib默认使用明天的收益率，这也有明显问题。按A股的规律，就是一涨一跌的逻辑。上涨过程可能回调，下跌过程也会缓一下，但方向没有变。至少看5天，超过一个月可能就不是价量的规律可以覆盖的范围。

相当于“预测”5天后的收益率，来选出股票，而且这里需要考虑中途回调可能触发的止损机制。然后持仓周期也是5天，5天后再看，如果仍然排名高，则继续持仓，否则换更优的股票，如此循环往复。

现在再回头看，什么是好的因子？

好的因子，就是可以区分出，挑选出N天后涨幅最大的股票。

从IC的角度，就是这个因子的截面值，与收益率有大的相关性（正或负都可以，绝对值越大越好）。

手动构造，还是自动化挖掘？

私募的做法:数据清洗;因子挖掘、特征提取;机器学习因子组合;算法交易;T+0增强。

因子评估方面，alphalens就是合适的，如果觉得重，不好整合，可以把alphalens的代码重新收拾一下即可。

吾日三省吾身

最近股市确实一般。。。

世界千年未有之大变局。。。俄乌未见转机，哈以又起硝烟。

以投资为生的同学，估计会有巨大的压力。

尽管资本市场一定是长期向上的，但过程是周期波动的，有时候，一个周期底部时间，也许会超过你的想象力，你的承受力，甚至，一转眼就是一辈子。

这里没有任何悲观或者乐观的意味——没有人知道。

我们说要构建一个反脆弱的体系，无论是你的生活，人生，还是投资组合，均如此。

人生计划之”ABCZ”

回首往事，30岁之前的年少轻狂，就是明明什么都没有，但充满激情和希望，认为一切只是时间问题。

30岁之后，开始务实。诸事不易，好事多磨，做时间的朋友。