今天仍然是优化版本体验：
代码在星球进行开源。【优惠券】知识星球与开源项目：万物之中，希望至美
近期代码迭代记录：
2023-10-03 1、修改bug 2、支持console和gui两种模式。 2023-10-01 1、dataclass配置ProjConfig，同步生成toml，配置策略更容易 2、网格策略Algo开发。 2023-09-29 1、toml包不支持异构的array，改用tomli包来读，还是使用toml来写。 2、引入dataclass来读写toml文件，可以直接转成类。 2023-09-28 1、使用pyinstaller打包 pyinstall main.py --noconsole --add-data ./data:./data
吾日三省吾身
国庆假期，之于我比较无感。
朋友圈看大家走遍全国，周游世界。
但想起更多的是，《百万富翁快车道》里说的，为何大家拿辛勤工作的5天，去换取周末2天的休息还这么开心？为何用一年之辛劳，换到这7天到处拥挤的打卡，还这么幸福？
这样一种惯性一定是正确的嘛？
昨天读到一本书，感觉挺好的。
“单干”的逻辑并不是字面上的，一定让你单枪匹马去做自由职业者。它指的是一种状态，也就是当下流行的“超级个体”或者“1人企业”。
为什么需要公司这样的人才组织方式？就是原始社会，由于个体力量弱，只有抱团取暖，相互帮助，大家才能很好地生存下去。工业化时代如此，互联网进入资本时代之后也是。
打造一个体验非常好，还得免费，体验为王，供给过剩的时代，军团化作战，资本加持才能做好。
但进入到互联网下半场，撒个种子就能遍地开花的时代已经过去，商业模式要求必须自己能造血。这时候，利润与成本就变得非常关键。
超级个体是由于基础设施与用户消费习惯成熟。个人做出产品容易，变现模式也变得容易。个人企业的逻辑的成本优化，最小化成本，最大化利润。
所谓商业模式，就是赚钱的模式，也就是如何变现。现在很多企业也转向把这个问题放在第一位。而不是开始只考虑规模，不考虑变现。
超级个体的逻辑是——像经营公司一样经营自己。
你是自己这家公司的CEO，有战略部，销售部，运营部，品牌部，研发部。。。
不想过被他人主导的生活，你就必须自己决定怎么做，而且有勇气去做。 瑞.达利欧
财富是你睡觉的时候，还能产生现金流的东西。产品，稀缺的产品，信息差，解决方案导向，能带来确定性的产品。杠杆倍率=基数 x 溢价。基数=标准化；溢价=独特价值。
新手红利期，向高手学习，对标头部竞品。跨界升维，差异化。
今天主要是排查AI量化系统的BUG，预计咱们在节后上班第一天，要发布一个阶段性的版本。
代码与数据均在星球更新：
功能开发基本完成了，后面是收尾，排查有没有大的问题。
这个版本会作为后面快速开发策略的一个基础版本。后续我们就专注策略开发，因子发现，积累算子，扩展数据源等工作了。
backtrader经常会发生的margin状态——原因是“现金不足”。这时候，需要预留一定比例的cash，以备支付交易佣金，尤其是你使用order_target_percent这样的api的时候，暂时没有发现更好的办法。
排查问题1：昨天有同学问，系统的交易逻辑，backtrader是按照当前bar收盘后计算信号，下一期开盘价交易的逻辑。——不少同学在探讨的这个逻辑，这里有点绕，大家需要清晰理解一下。盘后计算指标，调仓，指令在第2天以开盘价成交。
我排查了一下，暂未发现问题。
为了便于观察，我对数据预处理作了一下优化：
def to_backtrader_dataframe(df): df = df.copy() df.index = pd.to_datetime(df.index) df['openinterest'] = 0 df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']] #if df['close'].iloc[-1] > 1000: # 指数之类的数据，归一化一下，普通的股票ETF就不归一化了 # for c in ['open', 'high', 'low', 'close']: # df[c] = df[c] / df[c].iloc[0] return df
Backtrader内部会有指标归一化的机制，这里不需要我们操心，不小心容易引入未来函数。
吾日三省吾身
中午闲来无事，随手点开《西游记》看了一会。
看的是悟空拜师学艺那段，小时候看的情节都是记得了。
原来悟空还有那么多师兄弟。
我突然想到，怎么他这么多师兄弟，都默默无闻，而他自己可以把三界搅得天翻地覆。
又联想到古龙与金庸的小说。
金庸的书，贯穿了“仁义礼智信”，所以，很适合拍成电视剧，好人就是好人，家国天下，很容易成为经典。除韦小宝亦正亦邪门（但之于大是大非不含糊），张无忌优柔寡断之外；
反观古龙的书，搁现在的标准，几乎都是渣男为主吧，陆小凤，楚留香。似乎他们也并不关心家国情怀。
在你历尽千帆，终于“眼晴里充满了故事，但脸上却不见风霜”的时候，你会喜欢谁呢？
郭靖、萧峰都是要牺牲小我，成全天下的人。
陆小凤，楚留香好管闲事，义字当头，不为俗事规矩所困。
但古龙的书，写的是他心底的人生，也更像普通人的人生。
如果你财富自由之后，你想过什么样的人生呢？28岁财务自由的程序员，我想起那些年错过的1个亿，悲伤的故事
1、快速开发策略
2、提供支持快速开发策略的“轮子”。
包含但不限于：多维数据，因子库，策略模板，算子模块等。
还是在这个脚本下：
如下代码就可以生成“大类资产配置+动态再平衡”的策略，这是一个通用策略模板，你修改里面的symbol，就是一个“全新的”可用的策略！
def gen_portfolio_rebalance():
proj = ProjConfig()
proj.name = '示例-资产配置-再平衡'
proj.commission = 0.0001
proj.slippage = 0.0001
proj.symbols = ['000300.SH', '399006.SZ'] # 证券池列表
proj.benchmark = '000300.SH'
proj.start_date = '20100101'
proj.data_folder = 'index' # 这里指定data/数据目录
# 这里是策略算子列表
proj.algos.append(AlgoConfig(name=RunWeekly().name)) # 再平衡周期
proj.algos.append(AlgoConfig(name='SelectAll')) # 选股,直接使用字符串，效果一样 proj.algos.append(AlgoConfig(name=WeightEqually().name)) # 仓位权重 proj.algos.append(AlgoConfig(name=Rebalance().name)) # 执行再平衡 return proj
当然，如果你熟悉咱们的设计，你直接写toml也是可以的。
上述脚本与如下toml配置是一一对应的。
name = "示例-资产配置-再平衡" desc = "" start_date = "20100101" commission = 0.0001 slippage = 0.0001 benchmark = "000300.SH" symbols = [ "000300.SH", "399006.SZ",] data_folder = "index" fields = [] names = [] [[algos]] name = "RunWeekly" args = [] [[algos]] name = "SelectAll" args = [] [[algos]] name = "WeightEqually" args = [] [[algos]] name = "Rebalance" args = []
然后你再运行toml，就可以得到如下结果：
同样，我们来优化“静待花开的聚宝盆”这个策略：
# 静待花开的聚宝盆 def gen_flower(): proj = ProjConfig() proj.name = '静待花开的聚宝盘' proj.commission = 0.0001 proj.slippage = 0.0001 proj.symbols = [ '511220.SH', # 城投债 '512010.SH', # 医药 '518880.SH', # 黄金 '163415.SZ', # 兴全商业 '159928.SZ', # 消费 '161903.SZ', # 万家行业优选 '513100.SH' # 纳指 ] # 证券池列表 proj.benchmark = '000300.SH' proj.start_date = '20100101' proj.data_folder = 'etfs' # 这里指定data/数据目录，这里的数据在etfs下 proj.fields = ['roc(close,20)', 'roc_20>0.02', 'roc_20<-0.02'] proj.names = ['roc_20', 'buy', 'sell'] # 这里是策略算子列表 # proj.algos.append(AlgoConfig(name=PrintDate().name)) proj.algos.append(AlgoConfig(name='RunDays', args=[5])) # 再平衡周期 proj.algos.append(AlgoConfig(name=SelectBySignal().name, kwargs={'rules': ['buy']})) # 选股,直接使用字符串，效果一样 proj.algos.append(AlgoConfig(name=SelectHolding().name)) # 选股,直接使用字符串，效果一样 proj.algos.append( AlgoConfig(name=SelectBySignal().name, kwargs={'rules': ['sell'], 'exclude': True})) # 选股,直接使用字符串，效果一样 proj.algos.append(AlgoConfig(name=WeightEqually().name)) # 仓位权重 # proj.algos.append(AlgoConfig(name=PrintTempData().name)) proj.algos.append(AlgoConfig(name=Rebalance().name)) # 执行再平衡 return proj
吾日三身吾身
我相信大多数人都是冲着策略来的，当然这本身也是星球的初心。我们确实在也持续给大家开发策略，提供快速验证策略的思路。
比如：
年化65%的ETF轮动策略，在gui框架下运行（代码+数据下载）
开源quantlab1.5，回测过程与结果可视化（代码+数据）
年化26.8%，夏普1.28，单向做多螺纹钢的期货策略，Autogluon机器自主调参（策略+代码下载）。
但我一直也在提醒，授人以鱼不如授人以渔。
投资与科学研究不同，科学如数学、物理这个的领域，你搞出一个结果，基本就是真理，投资没有永恒的圣杯，它是一个市场博弈的结果，价格是一个大多数人的共识结果，即便的错的，大家共识了，就是这个价格。
这也是投资领域肯定是没有传统权威的，剩者为王。
昨天看了一本书里讲，不要只提供产品，要提供服务，提供解决方案。是这样的。传统的知识付费产品，真的只是一个交付型的产品，比如录一门视频课，或者是一个专栏，偶尔会回复一点评论就不错的。这种的学习效果其实一般的。星球更类似于一个解决方案，星球是以时间为周期，比如一年，营造一个学习的氛围，提供一个学习的社群。
发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/103836
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！
