可转债多因子：年化36.6%，回撤18.8%，夏普1.9

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'])