年化29.3%，大类资产ETF动量轮动，添加商品与货币ETF，实盘跟进中（代码+数据下载）

我们的目标是实盘，从ETF开始。

ETF的数据维度来对股票少，基本面的数据可以算，但比较麻烦；比之可转债更少。

应用机器学习比较容易陷入过拟合，那就没有办法了嘛？不会，简单的，也可以是有效的。

动量轮动+分散=骑最快的马。

etfs = [
    '510300.SH',  # 沪深300ETF
    '159915.SZ',  # 创业板
    '518880.SH',  # 黄金ETF
    '513100.SH',  # 纳指ETF
    '159985.SZ',  # 豆柏ETF
    '511880.SH',  # 银华日利ETF
]

我选择了A股的大小盘，纳指，商品，黄金，货币这样的低相关性的资产进行动量轮动。

我的实盘逻辑：暂定10个策略组合，一个策略分配仓位10%，比如50万的本金，当前这个策略5万。

代码已经提交至星球：

dataloader作了升级——对齐交易日历，比如大类资产，不同国家交易日历不一样，在回测时可能会有日期缺失，我们使用reindex+ffill前向填充数据，确保数据可以正常计算：

def _reset_index(self, dfs: list):
    trade_calendar = []
    for df in dfs:
        trade_calendar.extend(list(df.index))
    trade_calendar = list(set(trade_calendar))
    trade_calendar.sort()

    dfs_reindex = []
    for df in dfs:
        df_new = df.reindex(trade_calendar, method='ffill')
        df_new['return_0'] = df_new['close'].pct_change()
        dfs_reindex.append(df_new)

    return dfs_reindex

我们是AI+量化的投资系统，我们也一直在关注前沿AI技术的进展。

今天介绍一个AutoML的框架——AutoGluon。

亚马逊开源的AutoML框架 – autogluon，只需要几行代码就可以轻松实现数据预处理、模型融合、择优参数以及模型选择等。autoGluon除了处理表格数据外，还可以处理图像和文本等多模态数据。

支持结构化数据、时间序列数据，这个还真挺适合量化投资的，所以我们必须来关注一下。关于模型实现、参数优化，如果不是资深的算法工程师，自己还未必能调得一手好参。

pip install autogluon

依赖的包不少，但是安装还是很顺利的。

from autogluon.tabular import TabularDataset, TabularPredictor

train_data = TabularDataset('train.csv')
test_data = TabularDataset('test.csv')

train_data.to_csv('train.csv')
test_data.to_csv('test.csv')

print(train_data)

predictor = TabularPredictor(label='class').fit(train_data=train_data)
predictions = predictor.predict(test_data)

如下代码，除了数据加载之外，就是直接指定label后使用fit直接训练。

按传统的机器学习，我们要对数据进行预处理，然后做特征工程，作数据集划分，选择适当的模型，然后对参数进行优化，最后自己对模型进行评估，这些都不需要了。

模型自动推断出这是一个“二分类”问题。