年化12.6%，最大回撤才2.6的债券​轮动策略，卡玛比4.79，稳稳的幸福

原创内容第647篇，专注量化投资、个人成长与财富自由。

昨天复盘星球工作，深刻感受一个词的重要性：专注。

一人企业，也是企业运作的逻辑。只是成本降到最低。要专注。

企业本身也要专注，有所不为，有所必为。一人企业，意味着资源更少。

专注才能把点打透才能创造价值，形成正循环。很多事都想做，分散就不容易做精（这与投资不一样。）。

好执行大于好点子，好产品是持续打磨出来的，战线太长就不容易打磨精致。

因此，量化实验室，专注ETF/LOF市场，把事情做扎实，创造真实的价值。

1、低代码策略回测平台。

2、因子生成。扩展：因子表达式，因子挖掘（含基础数据维度扩充）。信号规则筛选。

3、因子合成排序：等权，IC加权，树模型。

4、策略合成，实盘对接。

平台的扩展性在于因子扩展，包含因子挖掘，还有后续的实盘自动化对接。

场内基金今天的准确数字是1426支，含LOF，跨全球市场，跨股票、债券、商品，REITs等，足够了。

而且这里的方向论和工具，大家是可以自行扩展到更多市场的。

基础数据还可以补充热门，宽基之类的筛选项。

另外就是日线价量数据，基本就足够量化回测使用，而且我们直接同步后复权数据——与真实价格有差别，但不影响结果。

历史全量数据大约200万行，还好。

日线可以完全下载到本地CSV，以加速回测过程。

年化12.6%，最大回撤才2.6的债券轮动策略，卡玛比4.79。

重写了Engine:

import importlib


class Engine:
    def _get_algos(self, task: Task, df):

        bt_algos = importlib.import_module('bt.algos')

        if task.period == 'RunEveryNPeriods':
            algo_period = bt.algos.RunEveryNPeriods(n=task.period_N)
        else:
            algo_period = getattr(bt_algos, task.period)()

        algo_weight = getattr(bt_algos, task.weight)()

        algo_select_where = None
        # 信号规则
        if task.select_buy is not None:
            roc_20 = CSVDataloader.get_col_df(df, 'roc_20')
            signal_buy = roc_20 > 0
            signal_sell = roc_20 < 0

            select_signal = np.where(signal_buy, 1, np.nan)
            select_signal = np.where(signal_sell, 0, select_signal)
            select_signal = pd.DataFrame(select_signal, index=signal_buy.index, columns=signal_buy.columns)
            select_signal.ffill(inplace=True)
            select_signal.fillna(0, inplace=True)
            algo_select_where = bt.algos.SelectWhere(signal=select_signal)

        # 排序因子
        algo_order_by = None
        if task.order_by_signal:
            signal_order_by = CSVDataloader.get_col_df(df, col=task.order_by_signal)
            algo_order_by = SelectTopK(signal=signal_order_by, K=task.order_by_topK, sort_descending=task.order_by_DESC)

        algos = []
        algos.append(algo_period)

        if algo_select_where:
            algos.append(algo_select_where)
        else:
            algos.append(bt.algos.SelectAll())

        if algo_order_by:
            algos.append(algo_order_by)
        algos.append(algo_weight)
        algos.append(bt.algos.Rebalance())

        return algos

    def run(self, task: Task):
        # 加载数据
        df = CSVDataloader.get_df(task.symbols, True, task.start_date, task.end_date)

        # 计算因子
        if len(task.symbols):
            df = CSVDataloader.calc_expr(df, fields=task.fields, names=task.names)

        s = bt.Strategy(task.name, self._get_algos(task, df))

        df_close = CSVDataloader.get_col_df(df, 'close')
        bkt = bt.Backtest(s, df_close, name=task.name)

        bkts = [bkt]
        for bench in [task.benchmark]:
            data = CSVDataloader.get([bench])
            s = bt.Strategy(bench, [bt.algos.RunOnce(),
                                    bt.algos.SelectAll(),
                                    bt.algos.WeighEqually(),
                                    bt.algos.Rebalance()])
            stra = bt.Backtest(s, data, name=bench)
            bkts.append(stra)


        res = bt.run(*bkts)
        return res

代码下载：AI量化实验室 星球，已经运行三年多，1100+会员。quantlab代码交付至5.X版本，含几十个策略源代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，每周五迭代一次。

02 五年财务自由退休

财富自由实战方法论，构建两大系统：现金流系统和商业系统。

（限时免费，感兴趣可入）五年之约，一起出发吧！