一点思考： 关于策略开发的底层逻辑思考

ailabx

传统主观交易里，大家能关注的标的数量有限，更多是从单标的择时出发。
然后把策略复制到多标的，搞一个组合。

而量化交易里，机器更擅长从一堆标的里扫描，也就是先选股，再择时，然后仓位分配与管理，投资组合优化。

“先选股，再择时”或者 “择时式选股”，也没有问题。
但关键是机器建模时，是全市场建模，还是单股标的逐个建模——pybroker就是每个symbol一个模型。

每个symbol一个模型是有道理的，因为像期货，或者ETF，背后的东西千差万别。
哪怕你用RSRS择时，标普500和沪深300的最优参数也是不一样的。

但轮动模型里，我们对多支ETF进行截面因子比较，比如动量。这其实假设它们之间的动量大小可以相互比较，而且是低相关。
——比如像港股可能波动大，假设比红利ETF大，它的动量相对值就是高，但它们如何相关性高，那么按这个动量轮动“清仓”低动量的就会有问题。

更普适的，
选股模型，应该是筛选掉不好的，或者说做一个排名，最好的值得做多，最差的列入做空的清单。
择时模型，才决定进场，这时候信号或者模型是单个模型自己的。
然后才是风控，资金、仓位，止盈损。