今日计划：
1、gui框架，回测主体界面，实盘界面框架。
2、走通回测结果展示。
把回测框架搭了一下：
投资理念
昨天我在星球发了一些期货大神的经验总结，一个星友发出了灵魂考问：
什么是正确的逻辑，什么是正确的理念和正确的方法？
关注我的老朋友知道，我是把投资当成科学来研究的，不会上升到玄学的领域。我在这里尝试回复一下。
逻辑，理念和方法，加总起来是一个叫“投资体系”的东西。这是认知层面的东西，不具体到某一个策略或者操作手法，这都是“术”的层面。
很喜欢塔勒布关于不确定的研究，里面的“杠铃策略”尤是。
一端代表极保守，另一个代表追求高风险高收益。
有同学说，期货风险多高呀，老师真要实战嘛。我的回应的，很多人也是这么看股票的。风险第一位是对的，但知道自己在做什么，边界在哪里更重要。
我说一个反脆弱的财富增长“体系”。比如你有500万的自由现金流，你该如何投资？或者做资产配置？股票？股票还是房产。
90%做大类资产配置，股债平衡，追求长期10%的年化收益。拿10%（约50万）可以配置高风险高收益的投资，比如期货。这个10%的50万，假如20倍的杠杆，可以分成10份，一次投资成功翻一番。
你说如果10次都输了呢？450万的本金，长期来看，下一期可以补充高风险投资本金需要，要不会带来巨大的心理压力和实际的本金损失，机会来临，就可能逆风翻盘。
这是道的层面的东西，知道自己在做什么很关键。
高手从来不是赌，是构建系统，“先胜而后求战”。
量化调研
调研了一下国内几个开源量化软件或平台。
总结下来：
1、数据平台，给普通用户做数据服务的。传统金融软件就是日K线+技术指标，或者支持一些表达式宏。想做更复杂的事情，不太方便。高级用户有自己导出，或者自己分析的需求，但金融数据库相对普通用户又太贵，因此有了一些量化数据分析平台。
2、策略开发：在线量化平台，quantopian模式，多数都转私募或者服务B端了。含数据服务，回测系统及实盘对接。——这里的难点当然还是策略，平台也做培训服务。
3、交易端，主要是期货CTA。从服务私募到服务高级用户，to B到to 大C的逻辑，外加知识付费为主。
数据平台是一个细致的体力活，数据是量化的起点，但离量化还有距离。一些数据平台也会按一些指标跑出规律，甚至给出回测的分析。
在线量化平台，数据为量化策略服务。难点在于有能力写策略的人，往往不那么需要这样一个平台，而且还是速度慢，不灵活以及策略安全性的问题。这可能也是quantopian不长久的原因吧。
交易离钱最近，直命痛点。
规划中的平台，应该这样——以实盘为导向：
1、数据，不用大而全，够用就好，准备一些有代表性的，用户可以方便的更新，导入与管理。
2、策略开发，足够高效与易用。很多平台开发策略，调试策略相当费劲，而且还需要持续担心是否出bug。内置大量结构化、模块化的算子，因子挖掘，组合优化，参数调优等等。
3、实盘。按需对接，比如相对容易的，期货。
4、有gui本地运行，交易还是需要干预的，不是所有人的都会写代码。
小结
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。
今日工作：
1、因子表达式重构
2、整合ffn代码，去掉pyfolio， quantstats。
星球的合伙人计划，已有三名位同学入选，本周若超过10位，将组织第一次例会，探讨平台发展计划，答疑等。
最近做了一些调研，实盘对接做得好的几家，主要集中在期货量化。因为期货CTA本身就是合规，甚至是鼓励的。除了加密货币，最适合量化的领域是期货的CTA或者外汇的RA。
星球很多同学反馈，代码用起来有难度，其实是的，读别人的代码本身就有难度，何况叠加对量化、金融、人工智能的理解。
因此，后续我尽可能把易用性做出来，产品化、服务化。
系统代码已经发布至星球：
因子表达式重构的原因：
之前考虑到rank这个函数，需要截面排序，因此需要全体数据进行运算之后，才能rank，因此引入了group_by（‘date’），当然也引入了调试的复杂性。从帮助大家简单理解的角度，我决定去掉groupby。
Duckdbloader使用上没有变化：
在计算因子表达式时，单个dataframe循环计算：
def load(self, fields=None, names=None): dfs = self._load_dfs() # df = self._reset_index(df) if not fields or not names or len(fields) != len(names): return self._concat_dfs(dfs) else: # 截面rank需要 dfs_expr = [] for df in tqdm(dfs): for field, name in tqdm(zip(fields, names)): df[name] = calc_expr(df, field) dfs_expr.append(df) df = self._concat_dfs(dfs_expr) # todo 如果需要支持截面rank，逻辑加在这里 return df
这里，表达式函数的实现就可以非常简单。
输入是pd.Series以及其它参数：
def shift(se: pd.Series, N): return se.shift(N) def roc(se: pd.Series, N): return se / shift(se, N) - 1
rolling的函数实现也变得简单：
import numpy as np import pandas as pd from scipy.stats import percentileofscore def rolling(se, N, func): ind = getattr(se.rolling(window=N), func)() return ind def sum(se: pd.Series, N): return rolling(se, N, 'sum') def max(se, N): return rolling(se, N, 'max') def min(se, N): return rolling(se, N, 'min') def std(se, N): return rolling(se, N, 'std') def avg(se, N): se = rolling(se, N, 'mean') return se def mean(se, N): return avg(se, N) def idxmax(se, N): return rolling(se, N, 'argmax') def idxmin(se, N): return rolling(se, N, 'argmin') def ts_rank(se, N): return se.rolling(N).apply(lambda x: percentileofscore(x, x[-1]) / len(x)) def _zscore(se): return se - se.mean() / se.std() def zscore(se: pd.Series, N): return se.rolling(window=N).apply(lambda x: _zscore(x)) def _slope(x): try: x = x / x.iloc[0] # 这里做了一个“归一化” slope = np.polyfit(range(len(x)), x, 1)[0] return slope except: return -1 def slope(se, N): result = se.rolling(N, min_periods=2).apply(lambda x: slope(x)) return result def quantile(se, N, qscore): return se.rolling(N, min_periods=1).quantile(qscore) def bias(se, N): return se.rolling(N).apply(lambda x: x / x.mean()) def _qcut(se: pd.Series, quantiles, N): if len(se) < 3: return return pd.qcut(se, quantiles, labels=range(0, N), duplicates='drop').astype('float') def qcut(se: pd.Series, N): quantiles = [step / 100 for step in range(0, 100, int(100 / N))] if len(quantiles) <= N: quantiles.append(1) labels = se.rolling(N).apply( lambda sub_se: _qcut(sub_se, quantiles, N)) return labels
本次重构没有用到talib，列为todo。
验证alpha158，没有问题：
借用了ffn计算指标的功能，取代了quantstats。
发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/103860
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！
