一入秋,天气说凉就凉。 古人的智慧也不是说说而已,经年累月的观察与总结,这也算是历史长河中的大数据了。 01 投资篇 qlib和bigquant入门都不难,但需要沉下心来。 Qlib要自己整理数据,其余部分肯定比平台灵活。 而bigquant平台一切都准备好了,但参数传递都有特有的约束,需要熟悉下。 而且平台里有些案例不是直接就可以运行起来的,估计是接口版本迭代的缘故。 从专注的角度,传统的策略回测功能还要弱化。 比如海龟,RSRS之类的,要么看趋势,要么震荡,或者通道突破。 有一定的道理,比如说单边市场,动量策略会有明显的alpha,但在震荡市会很受伤。这就是为何很多人说回测行,实盘渣的原因。 没有明显或刻意引入未来函数,但无意间就把它带进去了。 比如16年以来,价值因子比小市值有明显的优势,那你的策略如果是蓝筹导向,肯定就会有特别明显的alpha。 但风水轮流转,可能不知何时风向就变了,而你还不自知。 从ai的角度,一切都只是因子。 当然与传统量化不同,机器学习或深度学习需要明确的label。 比如用什么指标来代表好与不好。 比如“双低”策略里,我们把价格+溢价率*100这个值横向比较,越小就代表更便宜,也就是越好。这是一个明确的“规则”。 而bigquant默认就是5天后的收益率,就是说拿一周,谁涨得比较多;qlib默认是第3天的收益率——就是只关心买了之后,上涨的概率比较大——明显的右侧交易的逻辑。 可视化与超参数优化,这个今天要做出来。 bigquant可以作为一个参考。 02 AI 说到本质,ai还是一堆因子,对一个label做拟合,除强化学习外,基本没有超出这个范式。而数据及特征工程又决定了结果的上限,算法模型只是帮助我们无限接近这个上限。 那折腾那么多模型的意义是? 学术上发论文,推动进步有作用,但对于工业界实用主义而言,似乎价值有限? 这个是我在思考的一个问题,大家可以讨论。 表格型数据,集成学习(决策树)比深度学习效率更高,可解释性更强。 qlib的tutorial案例就是gbdt,bigquant里用得最多的StockRanker也是决策树,用来选股。 03 成长与思考 专注,持续做减法。 一个人一辈子能好好做成一件事就不错了。 认知圈可以大,行动圈一定要小,一针顶破天。 意外常有,Facebook的COO桑德伯格,丈夫在休假的时候从健身器材上意外跌落而丧生,而她的朋友的家保姆枪杀了她朋友的孩子。。。这种级别的意外,她写了《Plan B》这本书。 我们至少应该庆幸,不要遭遇这种极端的绝望。 乐观一点。 12年的时候,在福州一个朋友小区的院子里,想着何时有一个这样的“家”。 15年左右的时候就有了。 曾想着何时有一点时间,做自己想做的事,想读的书,以及有时间做一些思考,现在差不多也可以做到了。 小结: 明天就像盒子里的巧克力糖,总有惊喜。 qlib为主,bigquant为辅助,是AI量化的王炸组合。 用心专注,做好一件小事。 |
|