年化27.7%，夏普大于1：加上RSRS大盘择时的行业指数多因子轮动（代码下载）

想想做AI量化的初心，与当初学计算机的逻辑相似。

极少数，不需要依赖所谓大团队可以完成的事情。当然现在计算机个人能完成一个大作品的机会很少了，都是资本在主导。

量化还有。因为投资不是严格意义上的科学，这一点让做的人很痛苦，因为你有时候会发现它毫无规律，而恰恰是这一点，让普通人让有机会参与其中。否则规律早就被挖掘了。

昨天的文章：年化24.9%：基于动量、波动率、乖离率的多因子合成策略的指数轮动。（代码+数据下载）

今天继续优化，希望通过择时来改善最大回撤，尝试了几种方式，效果有限。

比如，当“20日动量小于0时”，则卖出，由于我们后续还有排序规则，所以，相当于我们是对选择的标的做了一层过滤，就是20日动量为负时不持仓。

收益变少了（长期年化18.2%），回撤并没有明显改善。

————这里我的分析逻辑如下：我们的综合分，已经考虑到动量因素，中短期动量，波动率，乖离率，若是我们再使用动量来过滤，那么可能把评分高的滤掉，被评分低的取而代之，因为并没有起来改善性能的效果。

这也是我为什么一直考虑轮动、机器排序模型的原因。量化择时太难，预测市场太难。你要问，不预测量化做什么呢？——按概率选择“相对更好”的。就是我们并不知道市场下一步怎么走，但我们会知道，A比B相对更好，长期这样选择，结果一定不会差。

from engine.datafeed.dataloader import Hdf5Dataloader
from engine.env import Env
from engine.algo import *
from engine.config import DATA_H5
from engine.config import etfs_indexes

loader = Hdf5Dataloader(etfs_indexes.values(), start_date="20100101")
fields = ['roc(close,20)', 'std(volume,20)','bias(close,20)',
        'roc(close,5)', 'std(volume,5)','bias(close,5)',
          'rank(roc_20)+rank(bias_20)+rank(roc_5)+rank(bias_5)-rank(std_20)-rank(std_5)']
names = ['roc_20', 'std_20','bias_20',
        'roc_5', 'std_5','bias_5',
         'rank']
df = loader.load(fields=fields, names=names)

e = Env(df=df, benchmarks=['000300.SH', '399006.SZ'])
e.set_algos([
    RunDays(days=10),
    RunWeekly(),
    SelectAll(),
    SelectBySignal(buy_rules=[], sell_rules=['ind(roc_20)<-0']),
    SelectTopK(drop_top_n=1, K=2, order_by='rank', b_ascending=False),
    #PickTime()
    WeightEqually()
])

e.backtest_loop()
e.show_results()
# e.save_results()

接下来，我们考虑一下大盘择时：

比如创业板的RSRS因子，年化20.7%，最大回撤26%。有明显的超额收益，而且有效控制了回撤，在2015年牛熊转换其间保住了大部分收益。

from engine.datafeed.dataloader import Hdf5Dataloader

symbols = ['399006.SZ']
loader = Hdf5Dataloader(symbols, start_date="20120101")
df = loader.load(fields=['slope_pair(high,low,18)', 'zscore(rsrs_18,600)'], names=['rsrs_18', 'zscore'])

from engine.env import Env
from engine.algo.algos import *
from engine.algo.algo_weights import *

bench_loader = Hdf5Dataloader(['399006.SZ'], start_date='20120101')
e = Env(df, name='创业板RSRS择时', benchmarks=bench_loader.load())
e.set_algos([
    #RunMonthly(),
    SelectBySignal(buy_rules=['ind(zscore)>0.7'], sell_rules=['ind(zscore)<-0.7']),
    WeightEqually()
])
e.backtest_loop()
e.show_results(plot=True)
# e.save_results()

指数多因子改进后：年化27.7%，夏普大于1。

from engine.datafeed.dataloader import Hdf5Dataloader
from engine.env import Env
from engine.algo import *
from engine.config import DATA_H5
from engine.config import etfs_indexes

loader = Hdf5Dataloader(etfs_indexes.values(), start_date="20100101")
fields = ['roc(close,20)', 'std(volume,20)', 'bias(close,20)',
          'roc(close,5)', 'std(volume,5)', 'bias(close,5)',
          'rank(roc_20)+rank(bias_20)+rank(roc_5)+rank(bias_5)-rank(std_20)-rank(std_5)']
names = ['roc_20', 'std_20', 'bias_20',
         'roc_5', 'std_5', 'bias_5',
         'rank']
df = loader.load(fields=fields, names=names)
bench_loader = Hdf5Dataloader(['399006.SZ', '000300.SH'])

e = Env(df=df, benchmarks=bench_loader.load(fields=['slope_pair(high,low,18)', 'zscore(rsrs_18,600)<-0.7'],
                                            names=['rsrs_18', 'zscore']))
e.set_algos([
    # RunDays(days=10),
    RunWeekly(),
    # SelectAll(),
    # SelectBySignal(buy_rules=[], sell_rules=['ind(roc_20)<-0']),
    SelectTopK(drop_top_n=1, K=1, order_by='rank', b_ascending=False),
    PickTime(benchmark='399006.SZ', signal='zscore'),
    PickTime(benchmark='000300.SH', signal='zscore'),
    WeightEqually()
])

e.backtest_loop()
e.show_results()
# e.save_results()