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）。

“何以解忧，唯一暴富”。

有朋友问我，怎么样可以赚大钱，现在做什么可以赚大钱？

“是啊，太想暴富了，这样就可以做自己喜欢的事情，过自己喜欢的生活”。

“你没有暴富，不是你工作不够努力，不是时也，运也，命也”。

不是讲宿命论，而是“暴富本来就是大风刮来的。。。”

你努力工作，遇上一个好的行业，积累几年，拿个不错的高薪，过极简的生活，低风险理财，也许可以安心退休，过体面的老年生活。——但这不是暴富，是慢慢变富。

过去二十年，普通人有两个暴富的机会，一是互联网股权；二是房地产。

而且这样的机会，只是“被动性的选择”，70年代人，工作了几年，结婚买房，过几年再置换大的或者多买一套是“常规”操作。在一个互联网大厂好好待着，每年发些期权，结果发现时间过去，股权价值一飞冲天；那些心比天高的同学，2-3年觉得自己应该去闯荡江湖，创业或者去创业公司，几年折腾下来，遇到35岁职场危机，高不成，低不就。。。

”时来天地皆同力，运去英雄不自由“。

某红主播的一句”你有没有反思，是不是这几年工作不努力，反思自己有没有涨工资“。在他看来，他自己非常努力，也拿到了非常好的回报，但他忽略了风口，运气。与努力真没有关系。网约车司机、外卖小哥谁不努力。

”如果努力有用的话，那还要运气做什么？“

成功是一个概率的问题，概率在玄学的眼里就是命运。

个人能做的事情，应该更关心自己的成长。你越成长，成功的概率就越大。注意，只是概率。

每新增一项技能，成功的概率会提升一倍。

要把能力产品化，去解决特定人群的特定问题，获取回报。

做自己喜欢、擅长且有市场价值的事情，把它产品化，极简化运营，以利润和可持续运营为目标，不追求规模。

金融投资，大家关心赚钱，投资回报，当然更重要的关心风险，安全的赚钱。

在量化领域，有人提供数据采集、搜集、整理；有人进行指标、模型预计算，提升分析思路；有人开发软件，搭建平台；有人建立社群，提交数据及交流场所。都没有问题。

如果把投资看成“淘金”，量化平台是不同形式的“送水”。送水的人，肯定得非常了解如何“淘金”，甚至自己本身就是就是淘金高手，建设自己需要的工具，同时开放给更多的人使用。

最大的痛点是什么呢？都说是策略，但就像大家都盯着赚钱，盯着成功往往很难赚到钱，也不容易成功。我们盯价值创造，盯成长，你若盛开，蝴蝶自来。

所以，AI量化平台如何支撑更高效，更易用，更智能的投研（策略开发）服务是我们的定位。

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：510+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。

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。

继续“AI优化”的量化投资。

下面是Autogluon训练金融数据的基本流程：

from autogluon.core import TabularDataset
import numpy as np
from autogluon.tabular import TabularPredictor

from config import DATA_DIR
from engine.engine_utils import load_data

fields = ['shift(close,-1)/close -1', 'roc(close,20)', 'corr(close/shift(close,1), log(volume/shift(volume, 1)+1), 30)']
names = ['label_c', 'roc_20', 'CORR30']
symbols = ['510300.SH']

df = load_data(fields, names, symbols, columns=None, start_date='20100101',
               path=DATA_DIR.joinpath('etfs').resolve())

df['label'] = np.where(df['label_c'] > 0.0, 1, 0)
print(df['label'].value_counts())
del df['label_c']

split = int(len(df) * 0.8)
train = df.iloc[:split].copy()
test = df.iloc[split:].copy()
print('测试集日期', test.index[0])

label = 'label'
train_data = TabularDataset(train)
test_data = TabularDataset(test)

predictor = TabularPredictor(label=label, path='mymodel').fit(train_data)
print(predictor.leaderboard(test_data, silent=True))
y_pred = predictor.predict(test.drop(columns=[label]))
print(y_pred)
y_pred.to_csv('y_pred.csv')

训练集的准确率是：55.8%，目前我们仅引入了几个因子：

测试集上最好的模型是：LightGBMLarge，准确率是52.1%。

大家会觉得准确率不高，当然这里我们仅使用原始的价量数据是一方面，另外，胜率是一方面，还得看赔率。

我们使用期货——螺纹钢的历史日线数据来回测看下效果。

name = '机器择时'

[data]
start_date = '20100101'
test_start_date = '20210611'
end_date = ''
symbols = [
        # '510300.SH', # 沪深300ETF
         'RB0', # 螺纹钢
    ]
fields = ['shift(close,-1)/close -1','std(close, 20)/close','roc(close,20)','corr(close/shift(close,1), log(volume/shift(volume, 1)+1), 30)','corr(close/shift(close,1), log(volume/shift(volume, 1)+1), 30)']
names = ['label_c','std_20','roc_20','CORR30','CORR60']
data_folder = 'futures' # 数据在data下的目录
benchmark='RB0'

[model]
model_path='mymodel'
label=''
override=false

[[algos]]
name = 'SelectByModel'
model_path='mymodel'


[[algos]]
name = 'SelectBySignal'
rules=['buy']

[[algos]]
name = 'SelectBySignal'
rules=['sell']
exclude= true

[[algos]]
name = 'WeightEqually'

[[algos]]
name = 'Rebalance'