做一个年化50%的策略容易，但做出一个年化15%，但夏普超过1个策略不容易（代码+数据+优惠券）

市场分析：ETF全市场数据分析，从20日动量来看，除了标普信息科技之外，其余动量最强的是商品，煤炭、原油、能源等等。

01 数据下载

汇报一下最新数据进展：历史至今1270支etf的价量后复权数据打包下载。

数据是量化的基础，在机器学习领域，大家大量的时间都花在整理数据上，我希望把这些事情给大家准备好。大家把心思更多花在金融逻辑与策略上。

OHLCV及换手率，量价数据都是“后复权”（量化一般使用后复权，与你看到的真实价格可能会有不同）之后的。如果你自己处理，需要下载复权因子，然后合并之类的，1000多支etf（含LOF）是个不小的工作量，而且调试挺繁琐的。

之前发过沪深300成份股的历史量价及估值数据：

02 系统升级

关于系统升级，昨天大家报了说与老版本收益率差距较大的问题。早起我就起来调试了。使用同样的最新的数据集。

等权+月底再平衡的策略：

from engine.backtest import run
from engine.algos import *
from config import DATA_DIR
from engine.engine_utils import load_data, get_backtest, get_bench_bkts, show_results

symbols = ['510300.SH',  # 沪深300
           '511220.SH',  # 城投债
           '518880.SH',  # 黄金
           '513100.SH',  # 纳指100
           ]

fields = ['close/shift(close,20)-1', 'close/shift(close,1)-1']
fields.append('roc_20>0')
names = ['roc_20', 'return_0']
names.append('roc_20_gt_0')

df = load_data(fields, names, symbols, path=DATA_DIR.joinpath('etfs'))
data = df.pivot_table(values='close',columns='symbol', index='date')
data.fillna(method='ffill', inplace=True)

import bt
# create the strategy
s = bt.Strategy('s1', [bt.algos.RunMonthly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighEqually(),
                       bt.algos.Rebalance()])

test = bt.Backtest(s, data)
res = bt.run(test)
print(res.stats)

老版本年化：8.6%，最大回撤：-18.87%，

老版本的bt内核会把日期往前一天，但这一天，本身不参与运算，我们真实输入的数据其实是2012-05-28开始。

新版本：年化8.4%，最大回撤数据一模一样。

从调试的角度，大家可以把交易记录打印出来，甚至保存到csv里对比：

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。

做一个年化50%的策略容易，但做出一个年化15%，但夏普超过1个策略不容易。

回测系统，如果你读过几个系统源码的话，开发一个回测系统也不是很难的事情，当然把回测逻辑搞透，对于理解策略开发会有很多好处——我们已经开发完成了，并开放了源代码多策略、高性能、积木式框架（代码+数据）。

重点就是针对不同投资市场的策略构建。

要构建一个稳健的高夏普策略投入实盘，风险平价是绕不开的话题。

计算投资标的的协方差：

风险平价配置：

按给定的“风险预算”分配权重：

带约束的风险预算：

未配置约束的情况，等同于风险平价：

C = None
d = None
from engine.pyrb import ConstrainedRiskBudgeting

CRB = ConstrainedRiskBudgeting(cov,C=C,d=d)
CRB.solve()
print(CRB)

投资组合的预期收益与波动率计算：

R = returns
R_mean = R.mean()*252

#计算年化协方差
R_cov = R.cov()*252
#计算相关系数
R_corr = R.corr()
#计算年化标准差
R_std = R.std()*np.sqrt(252)

#投资组合的预期年化收益
weights = np.array([0.15,0.2,0.15,0.5])
# R_port = np.sum(weights*R_mean) #向量乘法计算
R_port = np.dot(weights,R_mean) #数组计算
# weights.shape
# R_mean.shape
vol_port = np.sqrt(np.dot(weights,np.dot(R_cov,weights.T)))
print('投资组合的年化预期收益率：',round(R_port,4))