【原】着手ETF的资产配置模型构建

原创文章第123篇，专注“个人成长与财富自由、世界运作的逻辑，AI量化投资”。

这一周以来的疫情政策着实“日新月异”，前面一篇文章还想着，怎么着等着我更新到1000篇时，总该回归正常生活了吧。所以，有些时候，不必着急。

但仍然做好我们自己的事情。

专注于ETF的AI量化投资/投资系统。确定下方向，一是基础数据，二是衍生指标。然后需要的回测平台我们基本搭建好了，我需要把它变成可以配置的方式。就是使用配置文件，这样传递策略就不必用notebook或者代码了。当然可以加密的方式。

从大类资产配置开始，战略资产配置到战术资产配置，然后加行业轮动，这样一个框架。

大类资产配置从宽基开始。

国债ETF（511010.SH），上证50ETF(510050.SH)，纳指ETF(513100.SH)，标普500（513500.SH），黄金ETF(518880.SH)；沪深300ETF(510300.SH)，中证500ETF(510500.SH)，创业板50ETF（159949.SZ），创业板ETF（159915），中证1000（512100），科创50ETF(588000)，恒生指数（159920），德国ETF（513030），日经ETF（513520），法国CAC40(513080)。

其实足够了。

对于这些宽基，我们要做相关性分析。相关性高的，取有代表性的即可。

选择期中几支，做等权组合，风险平价组合，作为benchmark。

而后引入动量，基本面，北上等等多因子模型进行加减权重的依据。

再次对A股权益类，引入行业轮动来增厚收益。

大类资产配置，每季度调仓，全选标的池里的标的，等权分配。

symbols = [
    '510300.SH',# 沪深300ETF
    '511260.SH', # 十年国债ETf
    '518880.SH',   # 黄金ETF
    '511880.SH',   #银华日利货币ETF
    #'510500.SH',  # 中证500
    #'513520.SH',  # 日经ETF
    #'513030.SH',  # 德国
    #'513080.SH',  # 法国CAC
]
names = ['close']
fields = ['$close']

from engine.bt_engine import BacktraderEngine
from datetime import datetime

e = BacktraderEngine(init_cash=100000, start=datetime(2010, 1, 1))
e.add_features(symbols, names, fields)

from engine.strategy.algos import RunQuarterly, SelectAll, WeightEqually

e.run_algo_strategy([RunQuarterly(), SelectAll(), WeightEqually()])
e.analysis(pyfolio=False)

风险平价策略：

symbols = [
    '511260.SH',  # 国债
    '518880.SH',  # 黄金
    '510300.SH',  # 沪深300
    '511880.SH',  # 货币
    # '510500.SH',  # 中证500
    # '513520.SH',  # 日经ETF
    # '513030.SH',  # 德国
    # '513080.SH',  # 法国CAC
]
names = ['close']
fields = ['$close']

from engine.bt_engine import BacktraderEngine
from datetime import datetime
from engine.datafeed.dataloader import Dataloader

loader = Dataloader(symbols,names=['return'], fields=['$close/Ref($close,1)-1'])
df = loader.load_one_df()
print(df)
df_returns = df.pivot_table(index='date', columns=['code'], values=['return'])
df_returns.dropna(inplace=True)
print(df_returns)

e = BacktraderEngine(init_cash=100000, start=datetime(2018, 1, 1))
e.add_features(symbols, names, fields)

from engine.strategy.algos import RunQuarterly, SelectAll, WeightRP


e.run_algo_strategy([RunQuarterly(), SelectAll(), WeightRP(returns_df=df_returns)])
e.analysis(pyfolio=False)

由于ETF成立的时间有长有短，指数的数据比较全，计算起来也比较简单。明天基于全球指数进行计算，包括动量之类的也没有问题。然后在A股的权益市场部分，可以考虑动量轮动来增厚收益。