使用toml配置工程，模块化开发策略的门槛更低

行业轮动为何有效？

行业之间的驱动因子不同，有负相关性，此起彼伏。因此，择其动量大者持有，可获长期收益。

相对规则量化，为何机器学习要生效很难？

机器学习通过因子特征做统计预计，数据之性噪比低，预测成功的概率不大。规则操作可以人工干预，看似简单粗暴，有时候更加有效。

等权买入持有加动态再平衡是基准。

动量（有时候多指标的加权整合，未必比机器学习模型差）头部轮动，动量为正信号头部轮动，大盘RSRS择时。

工程改进

尽管我们的“积木式”策略模板已经非常简洁，但仍然需要写几行代码。策略一多，有时候修改起来，尤其对于刚入门的同学比较复杂。

我再加一层，写配置文件的形式，把配置文件直接解析成策略。这样就可以通过gui直接生成和修改策略。

与qlib不同，我们使用toml这种config文件格式。

python上pip install toml即可。

name = '行业指数轮动_买入持有_周平衡'

[data]
start_date = '20100101'
end_date = ''
symbols = '29个行业指数'
fields = []
names = []


[[algos]]
name = 'RunWeekly'# 运行周期与再平衡
args = []

[[algos]] # 选股
name = 'SelectAll'
args = []

[[algos]]
name = 'WeightEqually'

工程解析的代码：

from engine.config import DATA_PRJ, DATA_SYMBOLS, DATA_INDEX
import os
import toml
from loguru import logger

from engine.env import Env
from engine.datafeed.dataloader import Hdf5Dataloader, CSVDataloader
import importlib


def parse_algo(algo_config: dict):
    module = importlib.import_module('engine.algo')
    algo = getattr(module, algo_config['name'])()
    return algo


def parse_data(data_config: dict):
    symbols = data_config['symbols']
    start_date = data_config['start_date']
    end_date = data_config['end_date']
    fields = data_config['fields']
    names = data_config['names']

    loader = CSVDataloader(path=DATA_INDEX,symbols=symbols, start_date=start_date, end_date=end_date)
    df = loader.load(fields=fields, names=names)
    return df


def Toml2Env(config: dict):
    if 'algos' not in config.keys() or 'data' not in config.keys():
        logger.error('algos 或者 data 不存在于配置文件')
        return

    df = parse_data(config['data'])
    print(df)
    e = Env(df)

    algos_list = config['algos']
    algos = []
    for algo_config in algos_list:
        algo = parse_algo(algo_config)
        algos.append(algo)

    e.set_algos(algos)
    return e


class ConfigLoader:
    def __init__(self):
        self.symbols_dict = {}
        self.proj_dict = {}
        self._load_symbols_list()
        self._load_projects()

    def _load_symbols_list(self):
        toml_files = os.listdir(DATA_SYMBOLS.resolve())
        for f in toml_files:
            config = toml.load(DATA_SYMBOLS.joinpath(f))
            if 'name' not in config.keys() or 'symbols' not in config.keys():
                logger.error('{}文件格式不对，请检查！'.format(DATA_SYMBOLS.joinpath(f)))
                return

            name = config['name']
            symbols = config['symbols']
            self.symbols_dict[name] = symbols

    def _load_projects(self):
        toml_files = os.listdir(DATA_PRJ.resolve())
        for f in toml_files:
            config = toml.load(DATA_PRJ.joinpath(f))
            if 'name' not in config.keys() or 'data' not in config.keys() or 'symbols' not in config['data'].keys():
                logger.error('{}文件格式不对，请检查！'.format(DATA_PRJ.joinpath(f)))
                return
            symbols_name = config['data']['symbols']
            config['data']['symbols'] = self.symbols_dict[symbols_name]
            self.proj_dict[config['name']] = config


if __name__ == '__main__':
    loader = ConfigLoader()
    print(loader.symbols_dict)
    print(loader.proj_dict)
    # name = '行业指数轮动_买入持有_周平衡'
    name = '行业指数轮动_20日动量top5_周平衡'
    e = Toml2Env(loader.proj_dict[name])
    print(e)
    e.backtest_loop()
    e.show_results()

核心概括起来就是一句话：不要为钱工作，要让钱为你工作。

前半句讲成长，在李笑来的财富自由之路里，就是“成长是刚需”。尤其是年轻的时候，不能盯着这里高3K还是怎么，而是你想拥有什么技能，能够学到什么东西。所以，年轻时候去大厂是有好处的，尤其是当年高成长的BAT、TMD这样的头部公司。对外是“创造价值”，——这是百万富翁快车道里提及的概念。

这一点很多人没真的想明白，年轻的时候工作就是工作，做一天和尚撞一天钟的心态，其实真正浪费的是自己时间与成长机会。

后半句更好理解，让钱为你工作，核心就是积累资产，所谓资产是可以带来现金流入的东西，增值或者产生再多流。房子、证券、知识产权。其实多数人也就这三样。房子不必说的，但门槛高流动性一般，证券的门槛是本金与投资技能，知识产权与前半句可以结合起来，就是你越成长，你越可能打造属于自己的产权的作品，坐拥被动现金流。