多因子选股+风险平价计算仓位的模型

建立了dagster任务调度，django平台呈现的基础技术架构。

从投资而言，为数不多的确定性是大类资产配置，而在此之上，做动量以及行业轮动。大类资产配置简化版就是“股债平衡“，当股市明显下行时，仓位应该降低。因此任何一个投资领域，应该先看指数。

今天我们把指数数据入库，不需要所有的指数，几个核心市场，有代表性的指数即可。

从指数的角度，我们并不需要关心太多，核心市场几个核心指数足够代表市场运行规律。

下面选择的都是在A股场内外可以交易的标的。

还可以补充：黄金、石油以及可转债的指数。

@asset(description='重要指数列表')
def index_list():
    return [
        ('000300.SH', '沪深300'),
        ('000905.SH', '中证500'),
        ('399006.SZ', '创业板指数'),
        ('000013.SH', '上证企债'),

        ('HSI', '恒生指数'),
        ('HKTECH', '恒生科技指数'),
        ('SPX', '标准普尔500'),
        ('IXIC', '纳斯达克指数'),
        ('GDAXI', '德国DAX指数'),
        ('N225', '日经225指数'),
    ]

指数数据比较简单，我没有使用列存的方式，直接把价量数据，一次性读入，存储在mongo里。

涉及到多因子的计算，比如各种动量指标，或者一些基本面指标如PE/PB等等，可以定时合成到hdf5里，就是把计算后置。

把指数列表，与价量数据更新任务加入更新计划，收盘后日更数据。

下一步与可转债类似，计算指数的多因子数据，比如动量、RSRS等，可以同步原始数据至HDF5文件后，使用”因子计算表达式“进行计算后合成一个大的dataframe。用于每日指标，以及加测。

指数数据，我们主要用于基准，以及大类资产配置的基础仓位。

我们的思路如下：

1、多维度动量，动量为正则当期入选。

2、风险平价、波动率控制计算各类资产仓位。

3、A股指数对应的仓位，使用优选的ETF来增厚收益。

第1、2步使用价量数据即可。

当 INVVOL、THRESAVG、
TMA 三个指标有任意两个触发时，我们就对相应资产给出买入判断。

1. INVVOL：当短期窗口的波动率倒数大于长期窗口的波动率倒数时看多，反之看空

2. THRESAVG：当近期收盘价站在均线上的天数占比高于规定比例时看多，反之看空

3. TMA：当最新收盘价上穿TMA均线时看多，反之看空。

这是最自研报，这里的指标其实可以无限多，看具体构造和筛选机制。

多因子选股，风险平价+波动率控制来计算权重，比纯粹的风险平价而言，更加平稳。

这样一个多因子选股+风险平价计算仓位的模型，具备通用性，可以应用于ETF，可转债和股票投资上。