自定义技术指标，动量轮动策略-创业板年化20%+（附源码）

投资理念刷新：

1、大类资产配置，适合大资金理财，年化4-10%+，省心省事，但这个杠杆是财富自由的关键。试想，你有500-5000万+，那么这个逻辑就可以生效。

2、在本金积累阶段，我之前是不建议走投资这条道的。因为更高的收益意味着风险。然而对比下来，何事无风险？创业风险更大，职场没风险？——时间成本也是隐性的风险。而投资的风险——你是可以掌握的，可以练习的。李笑来投加密货币的过程，就“没有风险”。塔勒布的“杠铃策略”也告诉我们，要拿少部分（不超过20%）投资高风险高杠杆的东西，你才可能有“阶级跃迁”的机会。

当下阶级跃迁的机会并不多，互联网新贵的创业路、加密货币之前造就一批，还有就是顶级高管的超高薪酬。哪条路好走？似乎AI量化还算可以先走一走。

今天继续pybroker。

01 动态再平衡

动态再平衡是构建投资组合策略里一个常见的手法。就是在特定的时间，比如月初或者年初，把组合中各标的权重恢复到原来的权重，比如等权，或者一个固定的权重。

与backtrader使用Strategy是一个类的差别在于，pyb是使用传入函数的方式。

set_before_exec和set_after_exec，就是在我们类似onbar函数之前及之后，调用的函数，这两个函数与exec的区别在于，exec是逐个标的的context，而这两个函数是所有的context，是一个dict(“symbol”:ExecContext}这样的格式。

了解了这个机制：

def rebalance(ctxs: dict[str, ExecContext]):
    dt = tuple(ctxs.values())[0].dt
    if start_of_month(dt):
        target = 1 / len(ctxs) #等权重
        set_target_shares(ctxs, {symbol: target for symbol in ctxs.keys()})

我们在执行之前：

strategy.set_after_exec(rebalance)

就可以了。

下面会用到一些context需要的功能，全局的参数：pyb.param，在每次循环里传递current_month这个变量。

——当然，我们之前“积木式”编程里有另外的做法，可以自己记录自己的日期。——后续出于开发策略效率的考虑，可以把积木式编程整合过来。

target是目标他们，需要使用ctx.calc_target_shares把target换成shares，说白就是市值/当前价格，需要买/卖多少份额。

然后根据当前持仓的pos来计算来执行买或卖。

月初买卖对应的shares。

02 动量策略

这里有两个使用框架的细节，一是如何添加指标；二是如何自定义指标；

其实框架本身没有实现指标，都是自定义，使用也比较简单。

我按官网的例子，写了一个N日动量的指标，使用了numba的njit。

其实就是实现一个函数，pyb函数就是执行单元。比如roc_N，第一个参数是bar_data，可近似理解就是一个dataframe，包括所有的数据列。后面是参数。

def roc_N(bar_data, lookback):
    print(type(bar_data))
    print(bar_data)

    @njit  # Enable Numba JIT.
    def vec_roc(values):
        # Initialize the result array.
        n = len(values)
        print(values)
        out = np.array([np.nan for _ in range(n)])

        for i in range(lookback, n):
            out[i] = values[i]/values[i-lookback] -1
        return out

    # Calculate with close prices.
    return vec_roc(bar_data.close)

roc_20 = pybroker.indicator('roc_20', roc_N, lookback=20)
roc_20(df)