AI量化投资实验室-社区&知识库

做生产者，生产有“需求”的东西，这是需求的起点。

百万富翁快车道 是一本有实战指导意义的书。

作者把个人财富之路分成三类：人行道、慢车道，快车道。
人行道就是月光族，没有任何财富管理理念，显然不提倡。
作者眼中的慢车道，省钱，定投，然后到60岁有复利。就是很多财富管理书上说的“慢慢变富”。————这就需要“多元思维模型”了。
作者推崇的是快车道。

创造自己的产品或公司，然后几年内赚足财富，享受人生。
他其实不是反对慢车道，他核心建议是把本金积累过程提速，这样你才可以享受人生，本质不矛盾。
至于怎么做，他提出的如何创建一个产品的几大戒律，比如刚需，规模，壁垒等等，也不算新鲜事。

努力做好当下的事情，如此而已，其他的，不必也想不了太多。

光鲜的外表，都是粉饰过的。
谁不是一地鸡毛，缝缝补补。

纳瓦尔说，如果你不想跟一个人完全交换人生，那就不必羡慕对方的生活。
有所得，有所失。
不可能事事尽如人意。

允许一切发生。
活在当下。

积分有什么用？
星球部分策略，设定了需要积分才能下载。这个积分是给策略的作者。

如何获得积分？
1、用户加入星球，并绑定会员之后，会获得20积分。每次续费再新增20积分。
3、发布策略，设定“积分查看”，其他同学下载后，积分归作者所有。
3、在论坛发布高质量的贴子，并在星球@雪山飞狐 即可（可获5，10，15，20等积分）。
4、给同学提供高质量的答案。

听瓦尔登湖，仍然无法共情。
有钱去体验生活，“没苦硬吃”，和真正没钱，感受的人间疾苦是不一样的。

财富之道，理就那么几个理。
年轻的时候，感受没那么深，多半也是因为能力和积累还不够罢了。

年轻时候，其实想法的就是“一人企业”的逻辑。
只是资源，条件，环境都不具备和成熟。

无法站在20年后的认知，去苛刻当年的自己。
只能讲，保持初心，仍有梦想，更加务实。

又听了一本“用达尔文进化论讲投资”。
讲的基本面投资，理也是那么个理。——好公司，适合的价格。
但小资金确实意义有限。
大一点体量的资金，何必折腾，大类资产配置就搞定的。

之前的一个总结，其实很多道理，基本都是通识。

《富爸爸，穷爸爸》是由罗伯特·清崎（Robert Kiyosaki）所著的一本理财书籍，首次出版于1997年。这本书通过作者的个人经历讲述了两个父亲——他的亲生父亲（“穷爸爸”）和他最好的朋友的父亲（“富爸爸”）——对金钱、工作和投资的不同看法，以及这些观念如何影响了他的人生选择和财务状况。

核心观点：

1. 财务教育的重要性：清崎强调了在学校教育中缺乏财务教育的问题，认为每个人都应该学会如何管理和增加自己的财富。
2. 资产与负债的区分：书中解释了什么是真正的资产（能够为你带来现金流的项目）和负债（需要你支出的项目），并鼓励人们投资于资产。
3. 投资的重要性：作者提倡积极投资，而不是仅仅依赖于固定工资。他认为，通过投资可以建立被动收入，从而实现财务自由。
4. 企业家精神：鼓励读者思考如何创业或利用自己的技能创造额外收入来源，而不仅仅是成为公司雇员。
5. 财务知识与技能：强调了财务知识和技能的重要性，包括如何阅读财务报表、理解税务和法律等，这些都是传统教育体系中很少涉及的内容。

对于普通人的价值：

• 启发思考：这本书能够启发人们重新思考自己对金钱的态度和看法，尤其是对于那些对财务规划和投资感兴趣的个人。
• 财务自由的路径：为那些希望摆脱“工作-消费”循环，实现财务自由的人提供了新的思路和方法。
• 实践指导：虽然书中的一些观点可能需要根据个人情况调整，但它提供了一套实用的财务规划和投资原则，对于初学者来说是非常宝贵的资源。
• 自我提升：鼓励个人不断学习和提升自己的财务知识，这对于任何阶段的人都有积极的意义。

总之，《富爸爸，穷爸爸》是一本对个人理财和投资具有启发性和实用性的书籍，适合希望改善财务状况、实现财务自由的普通读者。

自动运作的商业系统，大模型和智能体是一个契机。
有些事情，要交给大模型去做。

这段时间在想，什么是理想中的生活呢？
躺平，混吃等死显然不是。
财富自由之后你想做什么？这样的“想象式”的提问。
人就是活一个过程，生活就是体验，如此而已。

脑海里总是闪过一个人的名字——就是古龙笔下的陆小凤。
灵犀一指，冠绝武林。
朋友遍天下，还包括几乎不近人情的剑神西门吹雪。
奇遇，艳遇。
讲义气，心怀天下，好在抱不平。————但又不拘世俗小节。
——这可能是金庸和古龙笔下主角人物设定的重要差别。
金庸笔下的主角，多是侠之大者，为国为民。
古龙的侠者，洒脱，自由。

自由，这两个非常贵。
财富自由而后心灵自由。
总有人要出去赚钱，你不花时间，那就得找到其他的事情帮你赚钱。
建立这样的商业系统，可以自主运作。

总结起来，富爸爸这本书，说来说去，
1、富人让钱为你工作。————把观念调过来。没有被动收入，你将工作到老，但有人可能没有机会工作。
2、如何让钱为你工作。——积累资产。 资产就是可以带来收入，或者有潜在升值遇期的东西。 分清资产和负债。
3、如何积累资产。————关注自己的事业。
富爸爸系列讲 （why）比较多，就是讲道理，没有how和how，很容易变成鸡汤。
践行得靠自己。
下周的书，我们分享《百万富翁快车道》，就是讲HOW。

持续积累你的资产项——包含但不限于如下：
不需我到场就可以正常运作的业务。我拥有它们，但由别人经营和管理。如果我必须在那儿工作，那它就不是我的事业而是我的职业了。
●股票
●债券
●能够产生收入的房地产
●票据（借据）
●版税，如音乐、手稿、专利
●其他任何有价值、可产生收入或有增值潜力并且有很好销路的东西

如果遇到login 报500，清一下浏览器缓存，或者换一个浏览器。

LanceDB 是一个开源的 向量数据库，专为 AI 应用设计，支持多模态数据的存储、管理和检索。其核心功能包括：
持久化存储：简化嵌入向量的检索、过滤和管理，支持文本、图像、视频等多种数据类型。
2
无服务器架构：无需管理服务器，扩展性依赖于磁盘而非内存，具有低延迟性。
1
多种查询方式：支持向量相似性搜索、全文搜索和 SQL 查询。
2
高效检索：针对向量搜索进行了优化，提供快速的相似度查询。

Agno：
记忆管理：存储智能体会话状态至数据库，支持长期上下文追踪。
知识库支持：通过 Agentic RAG 技术查询内置知识库，提供精准回答。
工具集成：内置 DuckDuckGo 搜索、YFinance 金融查询等工具，并支持自定义扩展。
多模态处理：支持文本、图像、音频和视频的输入输出，适用多样场景。
模型无关性：兼容任何语言模型，无供应商限制，灵活性高。
快速实例化：智能体创建时间低至 2 微秒，适合高并发应用。
多智能体协作：组建专项智能体团队，处理复杂工作流。
结构化输出：生成表格等格式化数据，提升结果实用性。
实时监控：通过 agno.com 查看智能体运行状态和性能指标。

智能体框架，现在是遍地开花。
如何选择，这非常关键。
比如老牌的langchain和langgraph。新兴的自不必说。

做量化首先要解决数据来源的问题。

数据有两类，一类的价量数据，就是通过我们说的”开盘价“，”收盘价“，‘”最高价’，“最低价”和“成交量”，即“OHLCV”。这些数据是时间序列数据，最常见的是日频数据。

另外，像股票还有基本面数据，常见的财务三大报表和PE/PB这样的指标。

偏技术分析类的策略，量价数据就够了。

从学习量化入门的角度，日频的量价数据就足够了。

高质量的金融一般都比较贵，好在python生态有开源包akshare，可以提供以上数据。

金融数据获取与处理

AKShare是一个基于Python的开源财经数据接口库，它提供了一系列工具，用于实现对股票、期货、期权、基金、外汇、债券、指数、加密货币等金融产品的基本面数据、实时和历史行情数据、衍生数据的采集、清洗和落地。

官网地址：https://akshare.akfamily.xyz/

数据字典地址：https://akshare.akfamily.xyz/data/index.html

这里有详细的数据接口使用说明。

另外，它是完全免费的。

我们以下载股票日线数据为例，讲解akshare的数据获取：

在“数据字典“下找到”A股>历史行情数据“。

这里需要注意一下”复权“的概念，股票背后的东西会分红、拆股这样的操作，导致股份会出现跳跃式变化。而在回测过程中，我们需要把这些因素还原回去，就叫”复权“。

回测中通常使用后复权，因此我们下载后复权数据。

akshare最大的好处是，它可以指定下载复权数据。

start_date和end_date均不填的情况下，就是下载全量数据，而且是后复权的（直观来说，后复权的数据，会比真实的股票价值高，因为它把分红的要加回去）。

下载回来的数据，是中文表头，可以通过rename来修改：

inpace表示在当前的df上修改，columns=字典类型的数值对即可。

然后如前文to_csv直接保存到本地备用即可。

其余的数据下载大同小异，大家直接在官网看相应的文档说明即可。

金融数据处理

pandas库介绍

Pandas 是一个开源的数据分析和操作库。它提供了高性能、易用的数据结构和数据分析工具。

Pandas 提供了两种主要的数据结构，DataFrame 和 Series。DataFrame 是一个二维标签化数据结构（类似于 Excel 表格），而 Series 是一维数组。

pandas功能强大，可以说一个可编程操作的excel。

• 数据操作：支持数据过滤、分组、聚合和转换等操作。

• 数据清洗：提供工具处理缺失数据、数据过滤和数据替换。

• 时间序列分析：支持时间序列数据的高级处理，包括时间索引、频率转换等。

• 数据合并：支持数据连接、合并和 join 操作。

• 数据重塑：提供数据透视表、交叉表和数据重塑功能。

• 数据输入输出：支持多种格式的数据输入输出，如 CSV、Excel、JSON。

Pandas 是 Python 数据科学领域的核心库之一，广泛用于数据挖掘、数据清洗、数据分析和数据可视化。它的设计使得处理大型数据集变得简单高效，是数据科学家和分析师的重要工具。因此，它在量化投资里应用非常广，它的Dataframe是很多量化回测系统的基础数据结构。

python量化投资里，主要使用pandas来加载、处理数据，计算指标等。

pandas安装比较简单：

pip install pandas

量化第一步：从csv里加载数据

一个CSV文件中读取股票数据，将日期列设置为索引，然后对数据进行排序和日期格式转换，最后返回处理后的数据集。

import pandas as pd
%matplotlib inline
import warnings
warnings.simplefilter(action='ignore', category=FutureWarning)

def get_data(symbol):
    data = pd.read_csv('data/{}.csv'.format(symbol))
    data['date'] = data['date'].apply(lambda x: str(x))
    data.set_index('date', inplace=True)
    data.sort_index(ascending=True, inplace=True)
    data.index = pd.to_datetime(data.index)
    return data

df = get_data('159915.SZ')
df

从前文保存的文件里，读取数据，将日期列转换为字符串类型，设置为索引，然后对索引进行排序，并将索引转换为datetime对象，最后返回这个处理后的DataFrame。

data = pd.read_csv('data/{}.csv'.format(symbol))

使用pandas库的read_csv函数来读取一个CSV文件。文件存放在名为data的目录下。读取的数据被存储在变量data中。

data['date'] = data['date'].apply(lambda x: str(x))

使用apply函数将date列中的每个元素转换为字符串类型。这一步是csv会把日期字段当成数字所有需要先转换成字符串。
lambda x: str(x)是一个匿名函数，它接受一个参数x并返回x的字符串表示。

data.set_index('date', inplace=True)

这行代码将data中的date列设置为索引。inplace=True参数表示这个操作会直接在原始的data变量上进行修改，而不是创建一个新的DataFrame。

data.sort_index(ascending=True, inplace=True)

对data DataFrame按照索引（即日期）进行排序。ascending=True表示按照升序排序，inplace=True同样表示这个操作会直接在原始的data变量上进行修改。

data.index = pd.to_datetime(data.index)

将索引（日期）转换为pandas的datetime对象，这样可以方便地进行日期相关的操作。pd.to_datetime函数用于转换日期格式。

以上是量化投资金融数据处理中最常用的操作，从csv加载数据，对数据进行预数据，排序。

量化第二步：计算指标

指标是指通过基础价量数据（OHLCV），衍生计算得到指标数据，比如动量，各种技术指标如均线，MACD, KDJ等。

咱们今天的策略，需要使用的指标是动量，动量的定义就是```
“过去N天的收益率”
。

pandas的series支持pct_change(N)来计算收益率。

还可以通过如下函数来计算：

factor = df['close'].pct_change(20)
factor

这里使用序列的向量化计算，shift是向下移动多少个位置，相当于是N天前的价值，当前的收盘价/20天前的收益价 减去1 ，也就是过去20天的收益率。

pandas的功能非常强大，时间序列的计算函数非常丰富，这个在策略开发过程中，可以查询相应的文档。

量化第三步：生成信号

我们的交易规则是：

20天动量 大于 0.08时买入
20天动量 小于0时清仓

我们使用了numpy和pandas库来创建一个新的signal序列。

import numpy as np

signal = np.where(factor>0.08,1,np.nan)
signal = np.where(factor<0,0,signal)
signal = pd.Series(signal,df.index)
signal = signal.ffill()
signal = signal.fillna(0)
signal

下面是每一步的详细解释：

signal = np.where(factor>0.08,1,np.nan)

使用numpy的where函数来创建一个新的数组。
where函数的第一个参数是一个条件表达式，这里检查factor数组中的每个元素是否大于0.08。如果条件为真，则在相应的位置放置1，否则放置np.nan（即不是数字的值）。

signal = np.where(factor<0,0,signal)

再次使用numpy的where函数，这次检查factor数组中的每个元素是否小于0。如果是，则在signal数组的相应位置放置0，否则保持signal数组的当前值（即上一步中设置的值）。

signal = pd.Series(signal, df.index)

将signal数组转换为pandas的Series对象，并使用df.index作为这个序列的索引。

signal = signal.ffill()

使用ffill方法对signal序列进行前向填充。这意味着所有的NaN值将被前一个非NaN值替换。如果序列开始处就是NaN，则该NaN保持不变。

这里为何要调用ffill前向填充，仔细想一下，在于0.08的标记为1，小于0的标记为0， 还有(0-0.08)之间的现在值是Nan，前向填充意味着，与上一个值保持一致，也就是说前面是1，后面就填为1，是0就填成零。在投资里就叫“保持持仓状态不变“。

signal = signal.fillna(0)

使用fillna方法将signal序列中剩余的NaN值替换为0。

这一段理解了，后面的策略就非常简单了。

量化第四步：生成策略

daily_returns = df['close'].pct_change()
strategy_returns = signal.shift(1) * daily_returns
# 计算累积收益
portfolio_value = (1 + strategy_returns).cumprod()
portfolio_value

曲线绘制出来，就是10年8倍的效果。

量化第五步：绩效评估

portfolio_value是策略终值，初始值是1，那么收益率就是 （终值-初始值）/初始值。

总收益到年化收益的计算，这里涉及一个复利的概念。

**(252 / len(df))：这里，252通常代表一年中的交易日数量，len(df)是数据集中的总交易日数量。252/交易日=年数的倒数，**是开方运算，这个操作将累积收益率转换为年化收益率。

小结

我们使用akshare分别获取创业板指数的历史日频价量数据，并保存到csv中。

从csv中加载数据，并做适当的预处理。

通过pandas(numpy)，计算出收盘价的20日动量，同时按交易规则计算交易信号。

依照交易信号，计算出策略的收益率序列。

通过收益率序列，计算出策略最终的累计收益，然后计算出策略的年化收益。

中间过程通过pandas的plot函数实现可视化。

以上，我们完成了使用pandas从数据加载到策略实现过程，完成了创业板动量择时策略，年化17.9%，是一个还不错的策略。

学习新事物，未必都是你感兴趣的。
但是有用的，商业闭环的，结果导向，需要学习什么就去学。
需要结识什么人就去结识。
以终为始，就是这样。

开源版本下载的toml格式，后续在本地核心版本会支持运行。

修订版本，加入了“持续学习”和“终身学习”的概念。
再次读来，还是有点收获。
可能也是自己在这方面的思考和实践更多了。
说白了，除了工资收入，要有意识地去积累资产（带入现金流入和有增值预期的东西），要有被动收入。
“道理都懂，但很多人就是过不好这一生？！”
知行合一。

今天路上我重新翻了一下这本书——持续学习，找培训班，课程，找有结果的人学习，花少的成本，快速进入一个领域。
做起来，需要什么就学习什么。

改变我的一个观点，就是你指望耕耘一个领域，成为专家，你就能获得财富？
可能这也是一种懒惰。
懒得接触新兴事物。
一专多能，有构建的能力，也有销售的能力。
能商业闭环，能交付价值。
持续的终身学习者。

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：