普通人做量化，股票多因子策略是否有必要呢？

关于量化的一些思考。

老生常谈的一些问题——”如果有好的策略，自己蒙头赚钱，怎么可能还会教你？”

——这确实是投资里的一个悖论。

策略是有容量，是排他的。

很多私募公司里的投研甚至是不交流细节的。

而且，失效是策略和因子的宿命，这是一个更令人悲观的结论。

好的因子是非常少的，多数是拟合出来的，学术上称“p-hacking”。

投资里除了一些常识之外，都是不确定的，当然这些常识本身已经足够了。

但不可否认，有人在资本市场持续赚到了钱。

我在想一个逻辑，普通人做量化，股票多因子是否有必要呢？

多因子一选选出几十上百支，做出一个轮动组合，那使用ETF可好，还可以全球大类资产分散。

如果是择时的话，那期货可好，还可以多空？

中间的选择还有一个选项是可转债，数据维度比股票还更加丰富，除了股性还有债性。

股票有一个特别麻烦之处在于，数据量大，加上基本面，计算量很大。

市值中性，行业中性，最怕“一顿操作猛如虎“。

这个问题是开放式的讨论，我在论坛开了个贴，大家可以前往交流。

Taipy vs Streamlit

做量化系统gui，之前尝试过几种方案，从纯桌面端的thinter， wxpython， pyQT里选择复杂性和功能性平衡的wxpython，内嵌bokeh的方案。

这个方案其实比较传统，但仍然需要用户安装。

其实我们做低代码，是给没有代码基础，或者不想折腾环境的同学用的。那么只能使用web的方案。

当下最主流显然是前后端分离，比如vue/react，后端使用django、flask或者Fastapi这样的方案，也尝试过，但前端工程化，对于后端开发团队压力比较大。

再考虑前后端不分享，使用bootstrap+jquery的方案，但写jquery的维护成本也不低。————毕竟gui并不是量化的核心，尤其是需求老变的情况下。

再后来调研的nicegui, flet, streamlit。——streamlit是最容易上手，且适合数据驱动的应用，它有一个缺点就是每次都是“流式”计算，staus_session之前发现有一些问题，不确定是否使用正确。

今天的这个Taipy，据说介于 streamlit 和 dash之间。

不过我刚才试用了一下，使用markdown写界面有点怪，

有兴趣大家可以试试：https://taipy.io/

from taipy.gui import Gui
import taipy.gui.builder as tgb


first_name="John"
last_name="Carpenter"
age=43

with tgb.Page() as page:
    tgb.html("p", "User information:")
    with tgb.layout("4 1"):
        with tgb.part():
            tgb.input("{first_name}", label="First name")
            tgb.input("{last_name}", label="Last name")
            tgb.input("{age}", label="Age")

stylekit = {
  "color_primary": "#BADA55",
  "color_secondary": "#C0FFE",
}

Gui(page).run(debug=True, use_reloader=True,stylekit=stylekit)