绝对型收益与相对型收益

说到量化里的机器学习模型，并不缺。qlib几乎把前沿的机器模型都实现了。

问题的关键在于，模型的学习能力是够的，甚至是超过的（过拟合）。而因子是不稳定的。某一段历史上，学习的“经验”也许只是恰好这个因子有效罢了。而这个因子失效的，模型的结果也就不成立了。

模型不需要特别多，把一两个好的，用到精通也就可以的。

我建议是lightGBM，做表格数据训练与预测速度快。

多因子策略的研发，就是一个这样的过程

1、因子挖掘：找到更多与未来股票收益高度相关的因子

2、因子配置：找到因子对未来收益的影响比重和影响方式

多因子是量化的基本功。“特征将决定整个算法模型的上限”。

从提供解决方案的角度，用户的刚需是一个策略，可以应用于实盘，真正可以赚到钱。如何衡量一个策略是可行的呢？

有两种类型。

投资偏理财的，追求绝对型收益，比如年化8-12%，但对于最大回撤有要求，比如不超过12-15%，一般这样的策略要求夏普比或者卡玛比率比较高，更多倾向于大量资产配置，风险平价，在这个基础上做收益增厚，平衡风险与收益，这种策略持有体验会比较好，很多FOF，或者智能投顾都是这个逻辑。

追求更高收益的，衡量标准是相对收益，好比基金里的参考基准，可能是一个指数，一般说跑盈指数多少多少。比如沪深300指数，跌了6%，而你的策略仅跌了2%，那也算跑盈了4个点。允许回撤，但得跑盈基准来证明你的策略是有效的。

策略为王，后续打算周一至周五，每天争取发布一个策略。

很多时候，从模仿到超越，集大家的广议，是进步最快的方式，星球里的朋友也是如此，不必着急去批评一个朋友的策略，而是看自己如何能从中获得启发。

我从ETF开始，是因为ETF从资产配置的角度是合适的，因为它可以全球配置。适合我们上面说的“绝对收益型”的配置。毕竟ETF不是一种“进攻型”的品种。可以在大类资产的基础上，做行业轮动增加。但ETF有一个比较麻烦的的事情，它的数据比较少。比如要计算这个ETF的基本面，那需要对指数成份股进行加权后进行计算，比较麻烦。

（这个部分我在场外做了更简单的投资组合）

单一的价量数据，容易让模型陷入过拟合。