deap实战分钟级CTA因子挖掘，夏普比大于2

CTA有两种构建策略的方式，传统手工构建因子，在日内的策略，按照经验或者观察去设定进场、出场信号。

而机器学习则是机器去构建。

大家说遗产算法总是过拟合，其实人工构建本质上也是对过去的总结，一样过似合。

今天咱们重点来看看在分钟级数据上，遗传算法挖掘出择时因子的效果，以及通过择时策略看回测的效果。

单因子回测评价的核心代码：

def picktime_backtester(self, evaluate, inds):
    print('开始择时回测')
    df, names = self._calc_df(inds)
    results = []
    # 向量化回测
    # 计算每日收益
    for name in names:
        if name in df.columns:

            daily_returns = df['close'].pct_change()

            # 根据信号计算策略收益]
            signal = df[name]
            signal_80 = df[name].rolling(window=1000).apply(lambda x: np.percentile(x, 80))
            signal_20 = df[name].rolling(window=1000).apply(lambda x: np.percentile(x, 20))
            signal = np.where(signal > signal_80, 1, np.nan)
            signal = np.where(signal < signal_20, -1, signal)
            signal = pd.Series(signal, index=df.index)
            signal = signal.ffill()  # 这一步很关键在1后面的会前向填充，即持仓不变。
            signal = signal.fillna(0)

            strategy_returns = signal * daily_returns.shift(1)

            # 计算累积收益
            portfolio_value = (1 + strategy_returns).cumprod()

            # 计算投资组合的平均回报率
            mean_return = np.mean(strategy_returns)

            # 计算投资组合回报率的标准差
            std_dev = np.std(strategy_returns)

            # 计算夏普比率
            sharpe_ratio = (mean_return - 0) / std_dev
            results.append((portfolio_value, sharpe_ratio))
        else:
            results.append((0, 0))
    print(results)
    return results

择时回测的结果：

信号delta(ADX(high, low, close, 330), 630)

吾日三省吾身

打工是工业时代以来，最常见的谋生的方式。

出售时间，让渡风险。

从投资的角度看，夏普比（收益风险比）并不高，有点类似短期债券的投资风险。基本上不会亏本金，收益比存款高一些，波动不大。

创业自己承担风险，如果前期投入多，周期长，这里的风险还不小，但收益没有上限，就像股票投资。

其实还有一个中间态，就是尽量控制成本的——一人企业。

尽快形成商业闭环。

从业务形态上，最优的一定是互联网线上业务。

不受地域限制，零成本复制。

抖音到tiktok的复制难度，肯定远小于滴滴出海。

——找到一个你自己或者小团队就可以长期运转的互联网业务。你就自由了。

现在数字游民的口号——只上班不工作，就是这种状态的一种过渡。只不过他们没有自己的生意，还是帮别人做事情。

只要他们找到自己可以持续运转且能赚到钱的事情，这个模式就走通了。