原创文章第610篇,专注“AI量化投资、世界运行的规律、个人成长与财富自由"。
关于量化的一些思考。
老生常谈的一些问题——"如果有好的策略,自己蒙头赚钱,怎么可能还会教你?"
——这确实是投资里的一个悖论。
策略是有容量,是排他的。
很多私募公司里的投研甚至是不交流细节的。
而且,失效是策略和因子的宿命,这是一个更令人悲观的结论。
好的因子是非常少的,多数是拟合出来的,学术上称“p-hacking”。
投资里除了一些常识之外,都是不确定的,当然这些常识本身已经足够了。
但不可否认,有人在资本市场持续赚到了钱。
我在想一个逻辑,普通人做量化,股票多因子是否有必要呢?
多因子一选选出几十上百支,做出一个轮动组合,那使用ETF可好,还可以全球大类资产分散。
如果是择时的话,那期货可好,还可以多空?
中间的选择还有一个选项是可转债,数据维度比股票还更加丰富,除了股性还有债性。
股票有一个特别麻烦之处在于,数据量大,加上基本面,计算量很大。
市值中性,行业中性,最怕“一顿操作猛如虎“。
这个问题是开放式的讨论,我在论坛开了个贴,大家可以前往交流。
Taipy vs Streamlit
做量化系统gui,之前尝试过几种方案,从纯桌面端的thinter, wxpython, pyQT里选择复杂性和功能性平衡的wxpython,内嵌bokeh的方案。
这个方案其实比较传统,但仍然需要用户安装。
其实我们做低代码,是给没有代码基础,或者不想折腾环境的同学用的。那么只能使用web的方案。
当下最主流显然是前后端分离,比如vue/react,后端使用django、flask或者Fastapi这样的方案,也尝试过,但前端工程化,对于后端开发团队压力比较大。
再考虑前后端不分享,使用bootstrap+jquery的方案,但写jquery的维护成本也不低。————毕竟gui并不是量化的核心,尤其是需求老变的情况下。
再后来调研的nicegui, flet, streamlit。——streamlit是最容易上手,且适合数据驱动的应用,它有一个缺点就是每次都是“流式”计算,staus_session之前发现有一些问题,不确定是否使用正确。
今天的这个Taipy,据说介于 streamlit 和 dash之间。
不过我刚才试用了一下,使用markdown写界面有点怪,
有兴趣大家可以试试:https://taipy.io/
from taipy.gui import Gui import taipy.gui.builder as tgb first_name="John" last_name="Carpenter" age=43 with tgb.Page() as page: tgb.html("p", "User information:") with tgb.layout("4 1"): with tgb.part(): tgb.input("{first_name}", label="First name") tgb.input("{last_name}", label="Last name") tgb.input("{age}", label="Age") stylekit = { "color_primary": "#BADA55", "color_secondary": "#C0FFE", } Gui(page).run(debug=True, use_reloader=True,stylekit=stylekit)
吾日三省吾身
01 初心
我们专门搭建了量化交流论坛,供大家分享心得,包括星球外的同学。
(http://bbs.ailabx.com)点文末原文链接可直达,这样方便大家交流。
02
做好自己的事情,让自己有的选,这很关键。
在此百年未遇之大变局,需要耐心,恒心,判断力,决策能力与执行力。
“凡事发生必有利于我”的心态。
调整与改变。
山穷水尽疑无路,柳暗花明又一村。
行到水穷处,坐看云起时。
愿你我行走江湖半生,归来仍是少年。