年化17.5%，十年8倍的“双低”转债策略：从零实现量化回测系统之三

持续行动1期 43/100，“AI技术应用于量化投资研资”之可转债投资。

投资的心法大同小异，都是以合适的价格买入好的东西。

由于所处的周期位置不同，判断的标准产生了差异罢了。

为何我们先从转债入手，因为转债与股票相比，多了债性，估值更容易，风险相对更低。若是操作得当，收益并不比股票差，而且转债背后仍然是上市公司分析，是股票。

所以，对于基本面的分析逻辑是类似的，后面可以平滑切换到股票投资。

转债投资里最经典的“双低”策略，大部分的策略都是它的变种，心法是一样的。

前面的文章讲到“积木式”的策略搭建，做到了自动选股和权重分配。

今天我们要把这些信息落实到模拟交易里。

01 执行“按权重调仓”交易

前面我们实现了order_by_mv， order_sell_mv这两个方法，是买入某支股票mv，或者卖出某支股票mv。

在投资组合管理中，更通用的操作是按总市值的仓位比例来分配的。

比如股债平稳策略，股票70%，债券30%，无论你当前市值是多少，都在这个比例来操作，我们并不关心具体市值是多少。

另外这个方法同样适用于“动态再平稳”，就是定时执行这个操作，把仓位恢复到一个即定的比例。

在实际操盘过程中，这里涉及到先卖再买（当然存在卖不了或者滑点的情况），出于简化的考虑，我们可以先忽略——投资讲“模糊的正确”。

把当前持仓市值计算出来：

# 持仓市值，不包括cash
def _calc_total_holding_mv(self):total_mv = 0.0for s, mv in self.curr_holding.items():total_mv += mvreturn total_mv

执行按比例调仓：

# weights的格式 {'symbol1':0.2, 'symbol2':0.7} weights加和需要0<= x <=1,若小于1，则剩余部分按cash算。
def adjust_weights(self, date, weights):# 计算当前的总市值total_mv = self._calc_total_holding_mv()total_mv += self.curr_cashold_pos = self.curr_holding.copy()self.curr_holding.clear()# 分配新权重for s, w in weights.items():self.curr_holding[s] = total_mv * wself.curr_cash = total_mv - self._calc_total_holding_mv()logger.info('发起权重调仓，日期：{}, 旧仓位：{}，新仓位：{}'.format(date, old_pos, self.curr_holding))

在引擎处直接调用即可：

e = Engine(init_cash=100000, datafeed=feed)
e.run(algo_list=[RunOnce(), SelectAll(), WeightEqually(), AdjustWeights()])
logger.info('回测完成！')
logger.info(e.acc.cache_portfolio_mv[-1])

茅台就算不复权，从02年买入并持有，也是50多倍呀！

02 使用qlib数据库

我们需要对可转债全市场数据做回测，所以一个高性能的数据库是必要的。

import qlib
from qlib.constant import REG_CN
from qlib.data import D
from qlib.data.dataset.loader import QlibDataLoaderclass QlibDataFeed:def __init__(self):self.all_df = Nonedef add_data(self, data_dir):qlib.init(provider_uri=data_dir, region=REG_CN)def get_all_df(self, start_date='2010-01-01'):if self.all_df:return self.all_dffields = ['$close','$close/Ref($close,1)-1','$close+ ($close/(100/$chg_price*$stk_close)-1)*100']names = ['close','rate', 'double_low']data_loader_config = {"feature": (fields, names),# "label": (labels, label_names)}data_loader = QlibDataLoader(config=data_loader_config)instruments = D.instruments(market='all')df = data_loader.load(instruments=instruments, start_time=start_date)df = df['feature']df.reset_index(level=1, inplace=True)df.rename(columns={'instrument':'code'}, inplace=True)self.all_df = dfreturn self.all_df

从2010年开始所有转债的日频交易数据，以及它们的“双低值”一次计算出来，一共30万+条数据：

03 SelectTopK算子

由于我们是每天执行一次，所以不需要加时间算子。

策略上需要把“买入并持有”的SelectAll改成SelectTopK即可，也就是选择“双低值”最小的前K个。

我们的策略是不是很通用？

Qlib框架有TopK的策略，我们可以借用过来，封装成我们自己的“算子”。

class SelectTopK:def __init__(self, K=10, order_by='pred_score', ascending=False):self.K = Kself.order_by = order_byself.ascending = ascendingdef __call__(self, context):logger.debug(self.__class__.__name__)df_bar = context['bar']# 前面还可以加规则，所以先看有没有选股过程selectedif 'selected' in context.keys():if len(context['selected']) == 0:# print('SelectTopK遇空仓，直接跳过')# 若前面计算过selected,是空仓，那不需要排序，继续下一轮，但不退出——有可能要清仓操作。return Falseto_select = []for s in context['selected']:if s in df_bar.index:to_select.append(s)#规则选股后，在子集里排序df_bar = df_bar.loc[to_select]df_bar.sort_values(by=self.order_by, ascending=self.ascending, inplace=True)  # 倒序symbols = df_bar.index[:self.K]logger.debug('选股结果:{}'.format(symbols))context['selected'] = symbols

这里暂未考虑，已经持仓的就不动的，只调仓新增的和卖出的，这个下一步实现。

算子使用非常简单：

e = Engine(init_cash=100000, datafeed=feed)
# e.run(algo_list=[RunOnce(),SelectAll(), WeightEqually(), AdjustWeights()])
e.run(algo_list=[SelectTopK(ascending=True, K=5, order_by='double_low'), WeightEqually(), AdjustWeights()])

相比“买入并持有”到“双低"策略我们仅改动一行代码！

一个基础的版本，没有仔细筛选转债背后公司的质量，也没有判断回售期之类的，作为一个benchmark，十年8倍！

年化17.5%，不过最大回撤有点大，达到45.9%，所以这里还有较大的优化空间，今天主要是检验回测系统。

从零开始实现一个量化回测系统（一）

从零开始实现一个量化回测系统（二）

关于投资的思考

无论要不要以此为职业、事业，如同写作技能一样，每个人应该掌握一点投资知识。

投资能力其实反映了对世界的认知。

除去必要的金融知识，比如你要交易转债，你肯定得知道转债的交易规则，以及背后的定价逻辑——这些基础知识都是可以很快学会的。

投资的天花板，有点像比特币之于李笑来。

他不是职业投资人，他讲投资也只讲定投。但他的认知结构和”常识“，在他初次见到BTC的时候，敏感的认为这是个机会，并抓住这个时间窗口。

飞狐，科技公司CTO，用AI技术做量化投资；以投资视角观历史，解时事；专注个人成长与财富自由。

年化17.5%，十年8倍的“双低”转债策略：从零实现量化回测系统之三相关推荐

量化投资回测教学之掌握矢量化回测
量化投资回测教学之掌握矢量化回测 1. 什么是回测? 回测用于模拟交易策略的过去表现. 回测的核心概念是通过回溯时间来模拟给定的交易策略,并像过去一样执行交易.产生的利润通常通过一些指标(例如最大回撤 ...
《壹百度—百度十年千倍的29条法则》
<壹百度-百度十年千倍的29条法则>中的29条法则 1.人一定要做自己喜欢并擅长的事内心的喜好是推动事业进步的最大动力,它能帮你克服困难,坚持到底:而如果你喜欢的事情有很多,要挑选自己最 ...
《壹百度—百度十年千倍的29条法则》，互联网营销
<壹百度-百度十年千倍的29条法则>中的29条法则 1.人一定要做自己喜欢并擅长的事内心的喜好是推动事业进步的最大动力,它能帮你克服困难,坚持到底:而如果你喜欢的事情有很多,要挑选自己最 ...
转：壹百度－百度十年千倍的29条法则
推荐:壹百度-百度十年千倍的29条法则家里不远处有纸老虎,是一个不错的读书好去处,之前去过几次,每次都发现好多人去那不是买书,而是去那看书的.环境不错,里面有很多做的长板凳提供给我们坐下来慢慢阅读 ...
Docker最全教程之MySQL容器化（二十四）
Docker最全教程之MySQL容器化 (二十四) 原文:Docker最全教程之MySQL容器化 (二十四) 前言 MySQL是目前最流行的开源的关系型数据库,MySQL的容器化之前有朋友投稿并且写过 ...
一年十倍的期货操盘策略（四）：无形套利模式
<一年十倍的期货操盘策略(3):分时技巧>主要内容简介:在期货交易中,大多数投资者没有正确的理念和稳定的赢利模式,混乱无序.漫无章法的操作思维模式,注定了投资结果的偶然性--赚得是稀里糊涂 ...
读书笔记 - 《壹百度十年千倍的29条法则》
本文更新版本已挪至 http://www.zhoujingen.cn/blog/1897.html ------------------- 家里不远处有纸老虎,是一个不错的读书好去处,之前去过几次 ...
壹百度－百度十年千倍的29条法则
家里不远处有纸老虎,是一个不错的读书好去处,之前去过几次,每次都发现好多人去那不是买书,而是去那看书的.环境不错,里面有很多做的长板凳提供给我们坐下来慢慢阅读,愿意的话还可以带着笔记本去.我现在周末只 ...
偏离策略年化收益回测出来了，高达372%
大家好,我是启四,长期分享套利机会. 长话短说,经过艰苦的努力,我终于把偏离策略的收益回测出来了,结果是让人惊喜的! 时间取 2021-06-25 到 2021-11-23, 取偏离策略的前 5 进行 ...

年化17.5%，十年8倍的“双低”转债策略：从零实现量化回测系统之三

年化17.5%，十年8倍的“双低”转债策略：从零实现量化回测系统之三相关推荐

最新文章

热门文章