我的开源项目及知识星球

综合大家的意见，结合自己的一些思考，暂定如下：

1、带gui界面的私有化安装、部署的平台。

2、自带数据源，可以更新。etf、转债、A股、指数等。

3、传统规则型量化。

4、大类资产配置的绝对型收益策略。

5、AI模型驱动的多因子策略。

gui使用wxpython、streamlit结合使用。一个好的gui可以让大家写自己的策略，看结果更架方便。

数据源准备是一个比较耗时的工作，这个内置脚本来完成。

传统规则型量化，我们本身就开发了“积木式”开式回测引擎。后面要扩展到集成学习，强化学习等策略。

另外就是大类资产配置的绝对型收益策略。

行业ETF情况：

股票、黄金、国债、货币，四大类资产的风险收益情况如下：

股票，年化6%，最大回撤45%；

黄金，年化5%，最大回撤46%;

国债，年化1.7%, 最大回撤4.6%;

货币，年化2.7%，最大回撤0.4%；

货币基金的夏普比是非常高的。

所以的投资，第一步都应该分析标的的风险收益水平，以及它们之间的相关性。

股票与黄金，货币，债券的相关性都小。

四大类之间的相关性都很小，甚至出现负相关。

这对于我们构建“绝对收益型”投资组合很有帮助。

主界面代码：

import wx
from gui.mainframe import MainFrame
import subprocess

# '--server.port', '5002'
p_restart = subprocess.Popen(['streamlit', 'run', 'app.py'])
if __name__ == '__main__':
    app = wx.App()
    frm = MainFrame(None, title='AI量化投研平台')
    frm.Show()
    app.MainLoop()
    p_restart.kill()

分析界面代码：

from datetime import datetime

import streamlit as st
import pandas as pd
from config import DATA_DIR_HDF5_ETF
import os


def load_etfs():
    with pd.HDFStore(DATA_DIR_HDF5_ETF.resolve()) as store:
        symbols = [k.replace('/', '') for k in store.keys()]
        return symbols


symbols = load_etfs()

st.subheader('资产风险、收益分析')
date_start = st.sidebar.date_input('起始日期：', datetime(2012, 1, 1))
date_start = date_start.strftime('%Y-%m-%d')
date_end = st.sidebar.date_input('结束日期：', datetime.now().date())
date_end = date_end.strftime('%Y-%m-%d')

sel = st.sidebar.multiselect(label='请选择etf：', options=symbols, default=symbols[0])

dfs = []
for symbol in sel:
    with pd.HDFStore(DATA_DIR_HDF5_ETF.resolve()) as s:
        df = s[symbol]
    se = df['close'] * df['adj_close']
    se.name = symbol
    dfs.append(se)

df_all = pd.concat(dfs, axis=1)
df_returns = df_all.pct_change()
df_returns = df_returns[df_returns.index >= date_start]
df_returns = df_returns[df_returns.index <= date_end]

df_equity = (df_returns + 1).cumprod()
print(df_equity)
df_equity.dropna(inplace=True)

st.line_chart(df_equity)

col_indicators, col_corr = st.columns(2)
col_indicators.subheader('风险收益指标')

from engine.data_utils import DataUtils

col_indicators.table(DataUtils.calc_indicators(df_returns))

col_corr.subheader('相关系数')
col_corr.table(df_returns.corr())

代码及数据请前往星球 ——专栏下载。

昨天目标倒推法，其实是现代版本的守株待兔。提及B计划，其实是看优势与趋势，C计划看梦想。目前看来优势还真的是AI量化投资，而且这个也符合趋势。那做就是了。

我比较看好多因子的逻辑。

其实我们知道，股市预测比预测地震还难。几乎不可能。那大家在折腾啥呢。不预测也可以。因为资本市场本意就不是让你投机的，只是有人用它来投机罢了，而资本市场利用你的投机来发现价格。

市场是长期向上的，因为把资源配置在对的事情上。所以，就有了大类资产配置，定投长期向上的标的这样的偏被动的投资模式，主要是获得市场的beta。其实加上一些再平衡量，长期年化8-12%是不难的。

当然，这个长期年化，可以会伴随回撤，在熊市会有亏损。大家还是希望加上自己的主动干预。我看好多因子模型。

多因子模型本质也没是预测，而是一个概率思维，这与人生选择有点像。

好比，在一个学校里，你想选出一些年轻人进行投资，投资他们的未来。最直接的，你会“看面相”，直接看出未来20年，某位同学会成功成才。显然，这个非常难。更好的策略是，我找到成绩中等偏上的，身体也中等偏上的，品德中等往上的等等。这就是因子，我们认为好的因子，找到那些对未来有帮助作用的因子。你说一定嘛？不一定，但是在概率上，这样的人成才的可能性更大。

多因子模型有点像smart beta，比beta要高，而且可能回撤更小。但比追求所谓的alpha，你就all in某一个人，那风险会很高，当然如何成了，收益也会更高。

大资金，像风险投资也是这个逻辑，他有自己看项目的标准，但不是预测，只是认为这个创业者，团队有胜率，这个赛道有可能性就可以投，他投一个组合，有一些成功就可以的。这是风投的逻辑。本质还是多因子。

多因子是从全市场层层海选，定期再更新列表，然后持有组合。

全市场的数据比较多，可转债历史上有差不多860支。

2015年以后上市的转债为760支。

from engine.algo.algos import *

e = Engine()

print('初始总市值', e.acc.get_total_mv())
e.run(name='可转债-多因子', algo_list=[
    RunMonthly(),  # 改这行代码即可
    SelectTopK(K=20, order_by='double_low', b_ascending=True),
    WeightEqually()
])
print('最终总市值', e.acc.get_total_mv())
e.show_results(benckmarks=['sh.000832'])

我把引擎改造了一下，数据特征先计算，然后存储在all.h5的all这个key里，对于多因子这样的模型，这样的回测速度是非常快的，不用再计算特征。之前像RSRS指标这样的费时的计算也能得到解决，只计算一次即可。

这是最传统的“双低”策略，月度再平衡，选双低值最小的前20支买入。这里没有去除“一年内到期的”。因为久期太短，期权的价值有限。

多因子版本：三个因子：转股溢价，pb分位点，净利润增速

from engine.algo.algos import *

e = Engine()

print('初始总市值', e.acc.get_total_mv())
e.run(name='可转债-多因子', algo_list=[
    RunMonthly(),  # 改这行代码即可
    SelectTopK_Multi(K=20, factors=['-转股溢价','-pb_pct','dt_netprofit_yoy']),
    WeightEqually()
])
print('最终总市值', e.acc.get_total_mv())
e.show_results(benckmarks=['sh.000832'])