不带杠杆的目标波动率策略

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。

从风险平价到目标波动率控制，是控制回撤，提升夏普比率的有利武器。

直接上结果：

在波动率7%的水平下，长期年化达到11%，最大回撤才10%，夏普比率和卡玛比率均超过1，是个很稳健的策略集，而且，波动率可以随自己的风险偏好来设定。这就是智能投顾客户分层的基础逻辑。

代码已经发布至星球，请大家前往下载：

import engine
from engine.algos_extend import *

from datafeed.dataloader import Duckdbloader
from config import DATA_DIR

symbols = ['510300.SH',  # 沪深300
           '511220.SH',  # 城投债
           '518880.SH',  # 黄金
           #'511880.SH',  # 银华日利
           '513100.SH',  # 纳指100
           ]
loader = Duckdbloader(path=DATA_DIR.joinpath('etfs').resolve(), symbols=symbols, columns=['close'],
                      start_date="20100101")

fields = ['close/shift(close,20)-1']
factor_name = 'roc_20'
names = [factor_name]
df = loader.load(fields=fields, names=names)

df_close = df.pivot_table(columns='symbol', values='close', index='date')
df_close.dropna(inplace=True)

runAfterDaysAlgo = RunAfterDays(
    20*6 + 1
)


s = engine.Strategy('大类资产等权买入-月度再平衡',
                    [
                        RunMonthly(),
                        SelectAll(),
                        WeighEqually(),
                        Rebalance()
                    ]
                    )

s_vol = engine.Strategy('目标波动率7%-月度再平衡',
                    [
runAfterDaysAlgo,
                        RunMonthly(),
                        SelectAll(),
                        WeighERC(),
                        TargetVol(target_volatility=0.07),
                        Rebalance()
                    ]
                    )

s_vol2 = engine.Strategy('目标波动率5%-月度再平衡',
                    [
runAfterDaysAlgo,
                        RunMonthly(),
                        SelectAll(),
                        WeighERC(),
                        TargetVol(target_volatility=0.05),
                        Rebalance()
                    ]
                    )


s_bench = engine.Strategy('基准-沪深300（000300）',
                          [
                              SelectThese(tickers=['510300.SH']),
                              WeighEqually(),
                              Rebalance()
                          ]
                          )

s_bench2 = engine.Strategy('基准-纳指100',
                          [
                              SelectThese(tickers=['513100.SH']),
                              WeighEqually(),
                              Rebalance()
                          ]
                          )

strats = [s, s_vol,s_vol2, s_bench]
bkts = [engine.Backtest(stra, df_close, integer_positions=False) for stra in strats]
res = engine.run(*bkts)

print(res.stats)
print(res.get_transactions())
res.plot()

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']   # 显示中文
plt.rcParams['axes.unicode_minus'] = False    # 显示负号
plt.show()

目标波动率控制，能很好的对风险收益按需要订制，是战略资产配置一个很好的抓手，后续通过类内轮动的战术资产调优，可以进一步提升收益率，但可以保持一个高的夏普比率。这才是策略得以实盘的基础。

这里给星球同学留了个作业：7%波动率下，是否动用了杠杆，是否有合理性，如何优化呢？

投资及生活感悟

手中有刀，心中有佛。临事静对猛虎，事了闲看落花。

可以有菩萨心肠，但前提是你具备雷霆手段。

没有什么岁月静好，很多时候，进攻才是最好的防守。

看似段子，但又有几分道理的话：

你说女人爱你，你穷一下试试。你说男人爱你，你谈钱试试。你说老板看中你，你谈条件试试。你说你有好朋友，你借钱试试。

网络

将军赶路，不追小兔。

聚焦，延迟满足和不纠缠烂人烂事。

对于情绪巨婴——划清边界，礼貌远离，不失为上上策，也是最好的及时止损。

日拱一卒，功不唐捐

1、美股指数看下标普500，以及与之相关性高的指数。

2、每支指数的波动率测算，组合波动率分析。

3、时序动量择时

风险平价的逻辑在于近似夏普最优。当组合里有低风险标的时，自然会高配。如果没有桥水基金加杠杆的能力，风险平价组合夏普比是高的，但收益率会相对低。

不加杠杆的代码逻辑：

print('------------',vol)
if type(self.target_volatility) is dict:
    target_vol = list(self.target_volatility.values())[0]
else:target_vol = self.target_volatility
if vol < target_vol :
    #target.temp["weights"] = current_weights
    return True