把投资当成科学问题来研究，同时也允许其艺术的一方面（开源回测系统代码+数据下载）

对于量化新手，最有效的方式，去线上量化社区找看起来不错的策略，修改，优化。并不能指望直接能用，但策略思路是可以用借鉴的。 多看自己就有思路了。 

我们的策略算子是可以积累的，因此写策略会越来越快。

进阶当然是金工研报，高阶就是金融前沿论文了。

还有一个就是社群交流，无论线上线下，多碰撞。

我们是把投资当成科学问题来研究的，尽管它有艺术的成份，这也是量化投资好玩之处，若是纯科研问题，那也是科学家的事情，普通人的机会有限。

上午尝试使用numba来改造RSRS的计算，看来没有成功。numba不支持pandas，连numpy的polyfit也不支持。

由于pandas不支持多序列的rolling，这个没办法，要么使用cython来重写，但代码的可读性和可维护性又堪忧，这个还需要再想想办法。

#@jit()
def _slope_pair(se_left, se_right, N=18, index=None):
    slopes = []
    R2 = []
    # 计算斜率值
    for i in range(len(se_left)):
        if i < (N - 1):
            slopes.append(np.nan)
            R2.append(np.nan)
        else:
            x = se_right[i - N + 1:i + 1]
            y = se_left[i - N + 1:i + 1]
            slope, intercept = np.polyfit(x, y, 1)

            #lr = LinearRegression().fit(np.array(x).reshape(-1, 1), y)
            ## y_pred = lr.predict(x.reshape(-1, 1))
            #beta = lr.coef_[0]
            # r2 = r2_score(y, y_pred)
            slopes.append(slope)
            # R2.append(r2)
    slopes = pd.Series(slopes)
    slopes.index = index
    return slopes

策略的基础思路其实可以很多，现在可以做的事情是太多，而不是太少:

比如行业轮动：

策略示例采用第一种策略构建方法，利用行业动量设计策略。为了提高策略速度，以6个行业为例进行演示。

第一步：确定行业指数，获取行业指数收益率。
第二步：根据行业动量获取最佳行业指数。
第三步：在最佳行业中，选择最大市值的5支股票买入。

比如股票多因子策略：

第一步：获取股票市值以及账面市值比数据。
第二步：将股票按照各个因子进行排序分组，分组方法如上表所示。
第三步：依据式2式3，计算SMB、HML因子。
第四步：因子回归，计算alpha值。获取alpha最小并且小于0的10只的股票买入开仓。

不在浮沙筑高台，星球目前的计划是把回测引擎基础调稳定，然后把模块化算子补充完整，磨刀不误砍材功。