原创文章第573篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。
2024年上半年即将结束，开始准备星球下半年的工作。
目前设想的——Quantlab5.0，之所以升级一个大版本，与4.x有很大不同。
5.0专注策略开发，可能以notebook形式为主，弱化gui界面，甚至少用streamlit。同时弱化策略框架的封装，这样大家一可一眼看明白一个策略如何开发出来，如何运行，如何调优。
——简言之，就是一切围绕可实盘策略驱动开发，开发赋能交易，而非其他。
数据加载方面，使用csv加载，数据很重要，处理也挺耗时，但之于策略开发，并非核心，因此简化+标准化：
对于bt框架而言，就是一次性加载多个symbols的收盘价，形成一个dataframe即可——以下示例，加载沪深300指数、创业板指数收盘价，并给图，计算相关性：
可以看出，大小盘的相关性仍然高达0.73。
@staticmethod
def get(symbols: list[str], col='close', start_date='20100101'):
dfs = []
for s in symbols:
df = CSVDataloader.read_csv(s)
if df is not None:
dfs.append(df)
df_all = pd.concat(dfs, axis=0)
if col not in df_all.columns:
logger.error('{}列不存在')
return None
df_close = df_all.pivot_table(values=col, index=df_all.index, columns='symbol')
df_close = df_close[start_date:]
return df_close
我们可以很容易进行全球大类资产——时间序列的分析：
from datafeed.dataloader import CSVDataloader
data = CSVDataloader.get(['000300.SH', #沪深300
'159915.SZ', #创业板
'HSI', #香港恒生
'^NDX',# 纳指100
'GDAXI',#德国DAX
'000012.SH',#国债指数
])
data.dropna(inplace=True)
(data.pct_change()+1).cumprod().plot()
可以看出来，纳指100一骑绝尘。
国债和所有资产都是负相关，沪深 和德国，纳指100的相关度很低，与恒生相关度高。德国（欧洲）与美股（纳指100）相关度也还好。
——从大类资产配置的角度，长期向上的资产，相关度越低，则越能在不降低收益率的基础上，有效降低波动。
重新整合代码目录：
代码每周在星球更新，获取地址（已经有1000+同学加入星球）：
AI量化实验室——2024量化投资的星辰大海
这是投资组合理论，是投资之基础。
从量化学习的角度，除了python基础之外，最应该熟悉的是掌握一两款回测框架。
当然，如果有兴趣，自己实现一个回测框架——之前我花不少时间，在打磨自己的回测引擎。——这个好处是你知道底层框架的设计细节，对于你调试策略，理解逻辑很有帮助。
从实战的角度，选择成熟的框架就好。
回测框架与实盘框架，我建议是分开的。——回测是验证你的思路，求方便、省事，效率高。而实盘是真金白银，求稳定，可靠。
二者有一定冲突的，都按实盘的标准来，你的策略很复杂，而且你搞不清楚是策略没写好，还是策略本身就不行。所以，分开来。
从回测的角度，Quantlab5.0（计划中），会引入多个回测框架，包含但不限于：bt, backtesting.py, pybroker或backtrader， qlib等。
每个框架各有所长，比如bt特别适合资产配置、轮动策略，而backtesting.py适合单标的择时（backtrader的单标的版本，但策略和指标比backtrader直观和易用），pybroker支持机器学习，尤其是WFA股东训练。
数据方面，专注指数（ETF），对于回测而言，它们都是时间序列，迁移起来是非常容易的。——一开始不必在数据上花费太多时间。
历史文章：
【代码发布】Quantlab-4.3.1发布：lightGBM全球大类资产配置-模型自动调参（代码+数据）
AI量化实验室——2024量化投资的星辰大海
