年化65%的ETF轮动策略，在gui框架下运行（代码+数据下载）

2023 Q4 星球OKRs：

目标：以择时策略为主，走通实盘基础闭环。

关键结果1：

1、10月中完成单标的择时策略模板可视化配置。

2、补充止损，仓位管理，网格等基础算子。

3、实现CTA连接模拟账号自动化实盘交易。

使用OKR来灵活管理星球的目标。

老朋友们都知道，这个目标会变化。随着认知的提升，未来也许还会变，变化不是什么坏事，但计划是必须的。我把它都沉淀在一个贴子里，还置顶了，不怕打脸。

9月的关键词是“策略”，可交付实盘的策略，当时聚焦的ETF里。今天要讨论一下这个主题。昨天星球小组例会其实有展开论述。

之前为何我很少关注择时策略，甚至说是刻意避开？

1、大类资产配置的优点是“分散”，天然对冲波动性。它可以有效控制回撤。一个投资组合看起来，曲线比较漂亮，缺点是收益率相对有限。

2、轮动在资产配置与择时之间，它满足了“感觉”上覆盖的市场上多数的标点，对它们截面因子进行比较后“优中选优”。即有资产配置分散降低波动率的优点，又有主动择时提升alpha的能力。因此一度我的策略主要以轮动为主。

轮动的底层逻辑是标的池的相关性，正相关或者负相关。然而这个相关性随时间在变化的，策略如果实盘不及预期，问题不好定位，择时不够精细。

再来说择时。择时约等于投机，“预测”市场，是三者中最难的。

但在量化技术上，却是最简单的。单标的，数据处理简单，加载，计算速度都快。时间序列的稳定性，肯定强过截面。比如白酒和新能源车，你非得说有什么关系，那就是都在A股里，螺纹钢和塑料有什么关系？而白酒自己本身时间序列有自己的基本面，技术的的特征。

择时并非不选股，也并非不分散。而是分层次的。选股在策略之外，分散也在策略之外。比如你选什么标的来做网格，你有波动率的考量，有你对标的熟悉度的考虑。而分散是通过“多策略组合”来实现。多种标的，多种周期，多种操盘思路的不同策略组合起来。

说白了，择时策略是交易体系里的一个部分，细化后可精细化的管理。

最后一点也很关键，就是择时最符合日常操作。无论是构建什么组合，落地时，都是一个个标的去交易，在交易账户里看到了，也是一个个具体标的盈利情况。组合只是我们脑子里的一个逻辑概念。

因此，Q4的重点会落在择时策略上。

昨天使用pyinstaller对软件进行的打包，后续可以直接把安装包发给大家。

在对比了pyinstaller和nuika之后，还是决定使用更容易使用的pyinstaller。

pip install pyinstaller即可，然后在主程序比如main.py上，使用 pyinstall main.py –noconsole，noconsole是为了不出现控制台界面，因为我们使用的是桌面gui。

首先打包比较慢，后面增量就很快了。

人工智能现在还不能自主参与投资，但若你本身会投资，又懂得借力人工智能，你将无往而不利。

做知识星球的初心：以实战、盈利为导向，开发可持续的策略和平台。

市场覆盖：ETF、可转债、股票、期货和数字货币。

项目100%对星友开源，持续维护和升级。

目前加入星球的的收益： 

星球当前的价值点：

1、策略：十几个年化超过20%的量化策略源代码与实现思路文章。

2、代码：一个已经成熟的完全自主研发的可视化AI量化系统，全部源代码。

3、数据：高质量价量数据、估值数据、基本面指标数据打包下载，每日更新。（已经预处理成大宽表，可直接用于数据分析或AI量化）。

4、人脉：星球内部交流群：550+多位星友，有公募、私募基金及券商研究员，职业投资者，算法工程师，金融工程师，数学博士等。

5、课程 ：AI量化——从入门到实盘体系教程。

其余精彩待挖掘…

星友画像：

1、主观交易者，希望学习AI量化赋能投资。

2、工程师，对投资理财感兴趣。

3、有量化交易经验，想了解前沿人工智能技术如何赋能量化。

所以，如果大家理念一致，或者有任何问题，意见或建议，可以到星球找我，每天都在。

在这里希望你学会投资，而且学会人工智能技术。

七年之约，只是开始。

践行长期主义。

万物之中，希望至美。

人工智能与金融投资，都是长坡厚雪，且还是为数不多，可以满足个人英雄主义情结的地方。

走，一起赶路吧。

今天实现一下performance计算，对于回测而言，我们最关心的几个指标：最大回撤，波动率，年化收益等。

先看效果：

代码下工程如下位置：（已经更新至星球）

import pandas as pd
from datetime import datetime

def year_frac(start, end):
    """
    Similar to excel's yearfrac function. Returns
    a year fraction between two dates (i.e. 1.53 years).

    Approximation using the average number of seconds
    in a year.

    Args:
        * start (datetime): start date
        * end (datetime): end date

    """
    if start > end:
        raise ValueError("start cannot be larger than end")

    # obviously not perfect but good enough
    return (end - start).total_seconds() / (31557600)

def calc_stats(df_price: pd.DataFrame):
    if type(df_price) is pd.Series:
        df_price = pd.DataFrame(df_price)

    df_price.dropna(inplace=True)

    df_rates = df_price.pct_change()
    df_equity = (1 + df_rates).cumprod()

    df_equity.dropna(inplace=True)
    df_rates.dropna(inplace=True)

    # import empyrical
    # print('年化收益：', round(empyrical.annual_return(df_rates), 3))

    count = len(df_price)
    start = df_price.index[0]
    end = df_price.index[-1]

    accu_return = round(df_equity.iloc[-1] - 1, 3)
    accu_return.name = '累计收益'
    annu_ret = round((accu_return + 1) ** (252 / count) - 1, 3)
    annu_ret.name = '年化收益'

    annu_ret2 = round((accu_return+1) ** (1 / year_frac(start, end)) - 1,3)
    annu_ret2.name = 'CAGR'
    # 标准差
    std = round(df_rates.std() * (252 ** 0.5), 3)
    std.name = '年化波动率'
    # 夏普比
    sharpe = round(annu_ret / std, 3)
    sharpe.name = '夏普比率'
    # 最大回撤
    mdd = round((df_equity / df_equity.expanding(min_periods=1).max()).min() - 1, 3)
    mdd.name = '最大回撤'

    ret_2_mdd = round(annu_ret / abs(mdd), 3)
    ret_2_mdd.name = '卡玛比率'

    df_ratios = pd.concat([annu_ret, annu_ret2, mdd, ret_2_mdd, sharpe, accu_return, std], axis=1)
    df_ratios['开始时间'] = start.strftime('%Y-%m-%d')
    df_ratios['结束时间'] = end.strftime('%Y-%m-%d')
    return df_ratios.T

我的计算方式，与zipline类似，

bt的计算与我的略有差别：

我看了下它的代码：bt的逻辑是按照自然天数/365，我们是按照回测天数/252。从合理性而言，bt的更符合直觉。

大家可以看下对比情况：

另外可以给loguru添加全局的重定向：

def my_logger_notify(data):
    g.notify({'msg_type': 'LOGGER', 'message': data})


from loguru import logger
logger.add(my_logger_notify)

如此，日志可以实时显示在gui的文本框里。

吾日三省吾身

野蛮扩展和生长的时代，兴趣和事业是可以分开的。

胆识和机遇，喜不喜欢在其次。

但在当下高度成熟的市场，供过于求，竞争高度内卷，唯热爱可抵岁月长。

发现自己。擅长（喜欢的）的事情，用利他的方式做。