原创内容第639篇，专注量化投资、个人成长与财富自由。
量化投资具体步骤：数据、指标（因子），信号规则或因子合成，策略，绩效评估，风控。
其实所有的策略都可以归结为以上的步骤。
我们把通用的步骤积累起来，这样就可以快速形成策略，以应对变化的市场，做到有复利，有积累。
量化交易与主观交易不同在于，量化可以沉淀下来很多经验。
今天开放了QQ个人群，群邀请已经在星球置顶了，感兴趣的星友直接加入即可。AI量化实验室——2024量化投资的星辰大海
思考一个问题，回测与实盘，开发策略是可以分开的。
回测讲求效率，而实盘讲求性能和稳定性。
而回测系统不必过于拘泥于细节，多数场景下，向量化回测就够了。
比如vectorBT就是这个逻辑。
像ETF的资产配置，股票的轮动，使用vectorBT或者bt（不是backtrader）就足够了。
这有什么好处呢？策略代码非常简洁，而且不容易出错。
大家感受一下海龟交易系统的代码——只有在这种场景下，也就是精细化的仓位管理，比如向上突破一次，加仓多少个ATR这样的逻辑。
ize = 0
self.buy_count = 0
# 海龟交易法则中的唐奇安通道和平均波幅ATR
self.H_line = bt.indicators.Highest(self.data.high(-1), period=self.p.long_period)
self.L_line = bt.indicators.Lowest(self.data.low(-1), period=self.p.short_period)
self.TR = bt.indicators.Max((self.data.high(0) - self.data.low(0)), \
abs(self.data.close(-1) - self.data.high(0)), \
abs(self.data.close(-1) - self.data.low(0)))
self.ATR = bt.indicators.SimpleMovingAverage(self.TR, period=14)
# 价格与上下轨线的交叉
self.buy_signal = bt.ind.CrossOver(self.data.close(0), self.H_line)
self.sell_signal = bt.ind.CrossOver(self.data.close(0), self.L_line)
def next(self):
if self.order:
return
# 入场：价格突破上轨线且空仓时
if self.buy_signal > 0 and self.buy_count == 0:
self.buy_size = self.broker.getvalue() * 0.01 / self.ATR
self.buy_size = int(self.buy_size / 100) * 100
self.sizer.p.stake = self.buy_size
self.buy_count = 1
print('空仓时买入', self.buy_size)
self.order = self.buy()
# 加仓：价格上涨了买入价的0.5的ATR且加仓次数少于3次（含）
elif self.data.close > self.buyprice + 0.5 * self.ATR[0] and self.buy_count > 0 and self.buy_count <= 4:
print('加仓买入')
self.buy_size = self.broker.getvalue() * 0.01 / self.ATR
self.buy_size = int(self.buy_size / 100) * 100
self.sizer.p.stake = self.buy_size
self.order = self.buy()
self.buy_count += 1
# 离场：价格跌破下轨线且持仓时
elif self.sell_signal < 0 and self.buy_count > 0:
print('平仓信号卖出')
self.order = self.sell()
self.buy_count = 0
# 止损：价格跌破买入价的2个ATR且持仓时
elif self.data.close < (self.buyprice - 2 * self.ATR[0]) and self.buy_count > 0:
print('止损信号卖出')
self.order = self.sell()
self.buy_count = 0
# 交易记录日志（默认不打印结果）
def log(self, txt, dt=None, doprint=False):
if self.params.printlog or doprint:
dt = dt or self.datas[0].datetime.date(0)
print(f'{dt.isoformat()},{txt}')
# 记录交易执行情况（默认不输出结果）
def notify_order(self, order):
# 如果order为submitted/accepted,返回空
if order.status in [order.Submitted, order.Accepted]:
return
# 如果order为buy/sell executed,报告价格结果
if order.status in [order.Completed]:
if order.isbuy():
self.log(f'买入:\n价格:{order.executed.price},\
成本:{order.executed.value},\
手续费:{order.executed.comm}')
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else:
self.log(f'卖出:\n价格：{order.executed.price},\
成本: {order.executed.value},\
手续费{order.executed.comm}')
self.bar_executed = len(self)
# 如果指令取消/交易失败, 报告结果
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('交易失败')
self.order = None
# 记录交易收益情况（可省略，默认不输出结果）
def notify_trade(self, trade):
if not trade.isclosed:
return
self.log(f'策略收益：\n毛收益 {trade.pnl:.2f}, 净收益 {trade.pnlcomm:.2f}')
def stop(self):
self.log(f'(组合线：{self.p.long_period},{self.p.short_period})；\
期末总资金: {self.broker.getvalue():.2f}', doprint=True)
这种策略多见过传统的CTA策略，但AI量化里，多因子、排序、轮动是主角，仓位管理更多通过投资组合来完成，而非这种仓位分配和管理。
吾日三省吾身
昨天一同事过来聊天，说打算创业做点事情。
我第一反应是， 这个时候去创业，怎么考虑的。
尽管我基本明白背后的逻辑，应该是工作上出现的状况。
同事说，年初换了一家公司，觉得很谈得来，在二选一中选择了前者，结果半年不到，公司放弃了原定的规划，同事只能离开。
再尝试到找工作，面试机会倒是有——其实已经挺不容易了——但年龄的坎不好过去了。
肉少狼多，企业自然有的挑。
年轻人有冲劲，还没能家庭负担。
可能，这是多数职场人的归宿吧，或早或迟而已。
另外一个年轻的朋友说，现在公司卷着，说暂时肯定不动了，能不出来就不出来，至少把房贷清了，再积累一些资本，这样稳妥。
同事说，心理建设了1个多月，其实客观看，也不是什么大事，没能房贷，生活成本不高，没有负债，之前的成本也可以确保好多年财务安全。
只不过，习惯了，就得有一个工作，这是一种安全感的来源了吧。
国外很多人，很自然给自己安排一年的空窗期，就是工作一年，休息一年，去看世界，做自己喜欢的事情，而且还没有储蓄，似乎也很自然，但我们就会觉得特别没有安全感。
但事情就这么发生了，也总会有办法。
山重水复疑无路，柳暗花明又一村。
我们都得开始重新思考对孩子的教育观念，理财，写作以及一门硬技能。比如AI，智能体开发等。
如果你不需要通过一个组织去谋生，那学历就不是刚需。
财富自由不是你想不想的问题，而是必须去做的事情。
历史文章：
年化从19.1%提升到22.5%，全球大类资产轮动，加上RSRS择时，RSRS性能优化70倍。（附策略源码）
AI量化实验室——2024量化投资的星辰大海
