|
昨天讲了“当投资遇上人工智能”的意义，后续的文章要正式开始这个系列。 回顾一下我们的目标——实际长期年化12%。其中80%的仓位走低风险长期投资，期望长期年化收益不低于10%，而剩余20%的仓位，通过人工智能技术加持量化投资，以期获得长期年化20%。 此事的意义，远不止在于赚钱。赚钱当然重要，更重要的事情是，传统金融投资“刀耕火种”好多年，当下人工智能技术日新月异，把前沿新兴技术赋能金融投资，解决传统金融投资低人效，经验不可传承的缺点。 方向是正确的，但道路是曲折的，而且目前来看，短期内无法指望打造出一个永动机，然后“躺赚”，而是构建一套可以持续进化且可行的投资方法。 从构建我们的体系开始，定一个基调：“面向最有盈利机会市场的开发自己的策略”，这一点非常重要。当成事业起步来看，需要聚焦在最核心的事情上，如何更快的打造出可以盈利的策略，然后持续迭代。如果长期没有看到结果，无法坚持而放弃的概率比较大。 定一个适用性的原则——现象是暂时的，背后的哲学是持久的。没有坚实理论支撑的模型就没有存在的意义。单纯数据挖掘违反这一原则（基于可靠的经济学理论），也为量化投资划定了边界，换句话说也为模型划定了边界。要去努力寻找你的模型最佳的生存区间。纯粹数据挖掘，可以更适合高频的场景，换到中低频可以适用性会差。 所以，我们先从有金融解释的角度来构建策略。 从这个角度看，时间序列择时符合特征，最直观的是“动量策略”，尤其是在构建在指数上的动量策略。行业上选择股票指数，以宽基或行业指数为主，不存在选股的问题。平台以自己构建为主，大量可能模块化，可复用的功能沉淀下来。 “动量轮动策略”的基本思路，就是“骑更快的马”。选择一些指数，计算动量，动量大者持有，若动量均为负，则持有债券。 交易标的选择宽基指数：沪深300，中证500，创业板（使用指数计算交易信号，买卖指数跟踪的ETF。）当然也可以加一堆行业指数，这个比较容易扩展。 下面是一个典型的入门级的动量择时策略： 【买入条件】（两个条件全部满足才买入） 1、近13个交易日涨幅排名第一（不管涨幅的正负），主要用于判断哪个指数更强势。 2、当前价大于近13个交易日均线，主要用于过滤假突破信号。 【卖出条件】（两个条件满足一个就卖出） 1、近13个交易日涨幅排名不是第一。 2、当前价小于近13个交易日均线。 所有标的都不满足买入条件时，则持有债券。 从机器学习的视角看过去，这里的因子有两个：动量(13)，MA（13），当前价（0）。 择时/轮动模型可以抽象出通用模板： 轮动池：沪深300，中证500，创业板的ETF 买入规则：MA(13)>CLOSE(0) 卖出规则：MA(13)<CLOSE(0) 排序规则：动量（13），从大到小，最多取前1名。
长期年化20%并不难，只是回撤相对大一些，把多个策略组合在一起，回撤就可控了。
以上截图来自ETF组合宝，传统技术分析类的量化策略，大多可以通过这里来回测看效果。我后续更重要的是，把因子分析，机器学习模型都纳入进来。 (公众号：七年实现财富自由（ailabx），思想者，行动派；用数字说基金，用基金做投资组合，践行财富自由之路) |
|
|
