|
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。 |
|
|
