Quantlab开源量化系统升级：底层兼容pybroker，附年化20%的ETF波动率策略。

大概率，会启用pybroker。

底层引擎换成pybroker后，重构完成：

一个很重要的原因，其实咱们现在的框架，与框架之间耦合不多。就是在再平衡环境调用了一下api。因此，咱们换引擎很容易，而且与大家无关，是透明的，对大家无感。

为何要换？

backtrader代码是严谨，但很多方式确实是上个世纪的东西了。python也在进化。

pybroker的调用代码如下——特别简洁，而且所有代码要读完都特别容易：

class Engine:
    def __init__(self, df: pd.DataFrame, config: ProjConfig, global_observer=None):
        self.strategy = StrategyAlgos(df, config, global_observer)
        self.result = None

    def run(self):
        self.result = self.strategy.backtest()
        return self.result

    def analysis(self):
        logger.debug('回测完成，开始分析...')
        self.result.orders.to_csv('orders.csv')
        print(self.result.orders)

还有很多优点，比如天然支持多标的（backtrader要取时间最大的），轮动，机器学习（WFA算法）等。

最大的一个动因是：backtrader要实现再平衡的话，就是有些要买，有些要买，非常麻烦，你得自己来计算哪个先卖，否则cash不够。而pybroker由框架决定， 我只需要给它调仓表就好了（order_target_percent）。

看pybroker的代码——BacktestMixin，先执行cover， sell，然后buy。

pybroker的做空实现。

pybroker的逻辑比较简单，就是配置ctx的buy_shares，也就是买入多少股，而最终会拿cash去验证，能成交多少股就成交多少股。买空操作，没有限制，就是记录margin（保证金），也就是说买空的时候，没有验证cash。似乎margin是另一个账户的概念。

pybroker的交易佣金配置：

config_pyb = StrategyConfig(fee_mode=FeeMode.ORDER_PERCENT, fee_amount=config.commission*100)

再强调一次，回测是模糊的正确。

很多同学在纠正的是100股/手，还是现在的100+1。真没必要，回测是验证大逻辑与策略可行性，正确性。

策略产出的信号，最终落实到broker，就是买或卖多少股，然后broker去实际下单。实盘的broker与交易软件的api相关，本身也不会使用无论是pybroker，还是backtrader，都需要封装过。

回测更关心策略的大方向。

pybroker目前看来简洁，符合预期。

长期主义

书中自有黄金屋。

最近读了很多个人成长类的书，有些还是蛮有启发的。

但总结起来，结论可能大家听起来不那么舒服。

就是：成功学就是鸡汤，成长学基本是显学。

什么意思呢？

成功是很多因素加和的结果，其中运气占了很多的比重，不可复制，因此已经成功的人，怎么讲都是对的，如何预判，如何卧薪尝胆，就是运气好罢了。

成长为何是显学呢？你要努力，要专注，要长期主义，要延时满足，听起来熟不熟悉？就是道理你都懂的，而且有的还是互相矛盾的，需要用“多重思维模型”来调和呢。

为何说长期主义呢，长期主义有一点就是“磨刀不误砍柴功”。我们一直在调优“AI量化”回测平台，其实就是磨刀的过程。

很多学员着急了，策略呢？