AI量化投资实验室-社区&知识库

登录您的ailabx.com的账号，进入个人中心，复制token：

在aitrader软件（代码在这里下载：https://gitee.com/ailabx/aitrader ）上，点击“系统配置”，后填入刚才的token，点击“登录”测试一下。

关闭软件重新打开：

就可以下载策略到本地了：

点策略目录，可以看到刚才下载的策略文件：

投资

投资是外形极简，而内涵极丰富的领域。

说起投资，可以很简单，就是“低买高卖”，无它。

但买什么，何时买，何时卖，几百年来也没有确切的答案，或者说，本身就没有答案，很多人究其一生，仍在求索。

类比来看有点像围棋，围棋的规则非常简单，就是把别人围住占下地盘，地盘多者为胜，没有其他规则，可能几分钟就能学会，但要到进阶成高手，几千年来思想仍然在不停进化； 反观象棋，“马走日，象走田”，新手入门且得学习一会，但象棋的技艺其实可以琢磨的地方有限。

投资是一个“概率”的游戏，就是说随机性是其中一股巨大的作用力。 按照我们努力参与到投资行为的程度，由少到多，我把投资分成三个层次。

投资的三个层次

按照个人积极参与主动决策的程度，把投资分成三个层次：

一、全天候大类资产配置。

被动管理，很少参与。

在坐好资产后长期持续，只做一些被动再平衡的操作。

对应的投资标的，通常是ETF或者场外的指数基金。指数基金长生不死，可以自我进化。

因此，只需要量化评估，找到基本面良好的，可以长期向上的指数，在估值合适的时候进场，长期持有，定期动态再平衡即可。 省心省力，收益比较稳健。

二、战术资产配置。

关注宏观层面大的周期，在周期偏好的资产上持有更多的仓位。

北方的冬天和南方的冬天气候差异很大，但相同点是，只要是冬天，多穿衣服肯定是对的。 在战术上超配当下表现好的资产，可以增厚收益，降低回撤。

这个思路延展开来，就是“轮动策略”。

针对一个投资标的池，我们根据多因子来给每个标的打分，总是持有得分高的标的。

比如大类资产轮动，大小盘轮动，行业轮动等等。

股票市场做轮动比较合适，投资的数据维度比较丰富，比较容易可以打分，选择分高的持有。

三、择时

积极预测市场方向，期望做到“低买高卖”。

这里最适合投资品种是期货，多空都可以交易，而且支持日内和高频。

尽管期货也有波动和基本面派，但需要对市场有很深的理解。

从量化的角度，普通人做日内策略是一种选择。 从指标构建到止盈止损，择时策略的仓位管理非常重要。

这三个层次，从上到下，越来越不确定，越来越难，风险也越来越高。当然如果做好的话，收益也是越来越大。 建议普通人都从第一层次做起，比较容易做到从理财往投资过渡。 但是很遗憾，大部分人一上手就是冲着第三层次来的，“追涨杀跌”却常常做错方向，最终成为韭菜。

主观交易有几个缺点：

费时费力：有人说炒股需要全职，要盯盘，把投资干得跟上班一样。
效率不高：人工能盯的范围非常有限，能把10支股票研究透彻就不错了。很难建议全局性的思考。
情绪化：情绪是投资的大敌。贪婪和恐惧，几百年了投资者仍然很难克服。

这些年前沿技术已经有了非常大的进步，大模型很快要通过图灵测试了，前沿都开始研究AGI(通用人工智能)了，但现在很多传统投资手法仍然停留在“刀耕火种”的阶段。

如何把技术应用到投资这个离钱最近的领域，是一个非常吸引人的话题。

这个话题就是量化投资。

从投资手法上看，投资可以大致分成：主观交易、量化投资。

而主观交易里，又大致可以分成：基本面价值投资、技术分析。

当然，每一种都不会特别纯粹，比如主观交易者也会用量化来辅助交易，量化里因子构建有时候就是主观判断。

打个不恰当的比方，主观交易更像我们常听到的“盐少许”，“油少许”，而量化更接近“油温100度，油条炸三分钟”后出锅这样的逻辑。

看得出来，量化是“机械”执行，就很方便交给机器来操作。

量化投资

量化投资的定义：量化投资是一种使用数学模型、统计分析和计算机技术来进行投资决策的方法，通过数量化模型建立科学投资体系，以获取稳定收益 。

从早年的自动化下单，到人工给出规则信号后程序执行，再到由机器学习从数据中自主学习信号，建立交易模型，机器参与到投资的程度越来越高。

量化投资简史

量化投资的历史可以追溯到20世纪60年代，其起源与现代金融理论的发展紧密相关，特别是与哈里·马科维茨提出的现代组合管理理论（Modern Portfolio Theory，MPT）和资本资产定价模型（CAPM）的发展。

马科维茨的理论通过将波动率定义为风险，为证券组合的量化目标奠定了基础。
此外，爱德华·索普（Edward Thorp）是量化交易的先驱之一。

量化投资的出现主要归功于三个方面：
一是现代数量金融理论的发展；
二是计算机、互联网、大数据、人工智能等技术的进步；
三是交易费率的降低。

有理论支撑，有技术积累，加之条件允许，这样量化投资就蓬勃发展。

最典型的成功案例是西蒙斯的大奖章基金(Medallion)在1989-2009年间平均年收益率为35%，这是量化投资的标杆。

量化投资的优点

量化投资能够克服人性的弱点，通过系统化的方法提高投资决策的科学性和有效性 。包括纪律性、系统性、及时性、准确性和分散化，能够减少情绪性、盲目性投资，实现可控的风险和资金管理 。

还有很重要的一点，量化的积累是有复利，可以传承，可以迭代的，它的表现是一组规则信号、因子库，参数模型或者交易系统。从这个意义上讲，做量化是“时间的朋友“，你会越做越轻松。

当然缺点也不能忽视，量化模型可能出错或失效，市场不断变化，模型需要不断改进。极端情况下，小概率事件可能被忽略，一定要关注尾部风险 。

这里需要特别强调的是，量化不是圣杯，AI也不是万能的。

这个世界很多东西是无法量化的，比如情绪——恐惧和疯狂——两者正是短期股价变动的推动力。

另外，金融数据的信噪比低，历史会不会重演，以什么样的方式重演，并没有严格的论证。

投资永远是科学与艺术的结合，而量化只是让投资更具有科学性一点。

开始量化课程之前，我们需要把开发环境搭建起来。

量化投资开发环境搭建
python是量化策略开发首选语言

无论是量化投资的生态，还是机器学习，人工智能的生态，python无疑都是最好的。

因此，学习量化或者从事量化，用python语言是好的选择。

当然，必须说明，这并不是唯一的选择。其他选择包含但不限于matlab, R这样的统计软件平台；少量Java或者C#的框架。

在大型私募机构，更主流的做法是底层做用c++追求极致性能，上层使用python兼容生态和追求开发效率。

作为普通量化人，个人觉得python就足够了。

Python有2.X和3.X两个大版本，目前2.X已逐步退出历史舞台。
所以，这个选择不必纠结，肯定是3.X。

在版本，推荐3.8以上（咱们使用的python版本是3.11），但不建议使用最新版本，因为有些开源包未必更新那么及时，而且新版本里的很多新功能，我们也未必用得上。

简言之，python在量化投资领域的生态非常丰富，这是其他语言无法比拟的。

当然，尽管 Python 有许多优点，但它也有一些局限性，比如执行速度可能不如编译型语言如 C++ 快。因此，在对性能要求极高的场景下，可能需要考虑使用其他语言或将关键部分用 C++ 等语言编写。

不过，对于大多数量化策略开发来说，Python 已经足够强大和灵活。

这本书很早了，里面的案例和执行路径可能有些过时了。
但，理念是正常的。
很适合普通人建立财商的观念。

财商，普通家庭很多父母不懂，更不会教。
很多普通家庭的孩子，从小受的教育理念是，好好学习，考一个好大学，找一份好工作。
本身没有什么不好。
但，这条路径不是唯一，更不够优秀。
至少让自己知道有更多可能性。

书里最重要的一个理念就是 一个人，有四种商业模式：
一、打工
二、自由职业者
三、企业主
四、投资、钱生钱。

作者当然推崇三和四。这也让很多人觉得过于鸡汤，无法落地。
因为创业大家都知道风险极高，投资需要本金，都是门槛不低。

现在流行的超级个体，一人企业的理念，其实属于二和三之间。
投资的复利也与本金体量无关，但确实需要你本金到达一定的体量之后，才能感受得到。
但你需要先有这样的理念。

推荐理由：如果大家仍然只有“朝九往五”，职场一份收入。那你要开始想想，如何获得工资外的其他收入来源。