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）

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()

再做一些优化，考虑上实盘。

今天代码的重点，在昨天基础上，加上了大盘择时，当大盘的RSRS指数为-0.7时，清空仓位。风险、收益均得到了不小的提升。

代码已经发布。知识星球与开源项目：万物之中，希望至美

闲庭独坐对闲花，
轻煮时光慢煮茶，
不问人间烟火事，
任凭岁月染霜华。

财富自由的生活

你写PPT时，阿拉斯加的鳕鱼正跃出水面；

你看报表时，梅里雪山的金丝猴刚好爬上树尖；

你挤进地铁时，西藏的山鹰一直盘旋云端；

你在会议中吵架时，尼泊尔的背包客一起端起酒杯坐在火堆旁。

有一些穿高跟鞋走不到的路，有一些喷着香水闻不到的空气，有一些在写字楼里永远遇不见的人。

人工智能现在还不能自主参与投资，但若你本身会投资，又懂得借力人工智能，你将无往而不利。

这段时间有不少读者留言，说想进一步沟通与交流。之前维护过微信群，不是一种好的沟通方式，再加上现在还有开源项目，我估计大家想问的问题会更多。

做知识星球的初心：以实战、盈利为导向，开发可持续的策略和平台。

市场覆盖：ETF、可转债、股票、期货和数字货币。

项目100%对星友开源，持续维护和升级。

所以，如果大家理念一致，或者有任何问题，意见或建议，可以到星球找我，每天都在。

在这里希望你学会投资，而且学会人工智能技术。

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。

原创文章第269篇，专注“个人成长与财富自由、世界运作的逻辑与投资“。

很多星友关心的问题，这里统一回复，星球的初心就是策略研究。

回归策略研究本身，GUI可视化是辅助工具。策略研究是基于数据的，数据还是要基于可视化的。所以我们需要低成本的实现一个界面，这就是我们折腾GUI的原因。

AI量化无外乎：数据、因子、策略（规则）、回测、评价、迭代。

数据在本地我们统一使用hdf5，去掉之前的csv。

使用notebook下的data_viewer可以查看数据库里的数据。

我们把所有的daily_quotes数据都统一存储在data.h5里，使用symbol统一访问，包括指数数据，etf数据，可转债数据，股票数据等。

基于统一的数据存储，我把以前的策略都“刷新”了一下：

大小盘轮动策略：（年化14.6%）

代码如下（已在星球更新）：

from engine.datafeed.dataloader import Hdf5Dataloader
from engine.env import Env
from engine.algo import *

start_date = '20110101'
loader = Hdf5Dataloader(['399006.SZ', '000300.SH'], start_date=start_date)
df = loader.load(fields=['close/shift(close,20)-1'], names=['roc_20'])

bench_loader = Hdf5Dataloader(['000300.SH', '399006.SZ'], start_date=start_date)

e = Env(name='roc_20_index', df=df, benchmarks_df=bench_loader.load())
e.set_algos([
    RunWeekly(),
    # SelectAll(),
    SelectBySignal(buy_rules=['ind(roc_20)>0.08'], sell_rules=['ind(roc_20)<-0']),
    SelectTopK(K=1, order_by='roc_20'),
    WeightEqually()
])

e.backtest_loop()
e.show_results()

大类资产-风险平价（季度再平衡，长期年化7%）：

策略代码如下：

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

indexes = [
    'HSI',
    'SPX',
    'GDAXI',
    'N225',
    '000300.SH',
]
from engine.datafeed.dataloader import Hdf5Dataloader

loader = Hdf5Dataloader(indexes, start_date="20100101")
df = loader.load()
bench_loader = Hdf5Dataloader(['000300.SH', 'SPX'], start_date='20100101')

e = Env(df, benchmarks=bench_loader.load())
e.set_algos([
    RunQuarterly(),
    SelectAll(),
    WeightRP()
])
e.backtest_loop()
e.show_results()

回测就是在特定的universe时，去找相应有效的因子，然后按规则，或者使用机器学习模型进行拟合（预测）。

针对行业指数，我们计算几个因了，除了之前的N日动量之外：

N天成交额的波动率：

def std(se, N):
    return se.groupby('symbol', group_key=False).apply(lambda x: rolling(se, N, 'std'))

因子表达式：std(volume,20)

N天BIAS：BIAS指标的计算逻辑为收盘价与移动平均线之间的差距。

def bias(se: pd.Series, N):
    def _bias(se: pd.Series, N):
        return se / se.rolling(window=N).mean()
    return se.groupby('symbol', group_keys=False).apply(lambda x: _bias(x, N))

准备好的指标，写策略就很容易了：

策略逻辑，3个指标：N天动量，N天交易额波动率，N天乖离率。（N=5,20）。

因子合成，6个因子排名等权合成为一个Rank因子，按因子值倒排，择优轮动。

看下效果（年化24.9%）：

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=['ind(roc_20)>0.08'], sell_rules=['ind(roc_20)<-0']),
    SelectTopK(K=3, order_by='rank', b_ascending=False),
    #PickTime()
    WeightEqually()
])

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