原创文章第349篇，专注“个人成长与财富自由、世界运作的逻辑与投资"。
大概率，会启用pybroker。
底层引擎换成pybroker后，重构完成：
【优惠券】知识星球与开源项目：万物之中，希望至美（代码+数据在星球里更新）
一个很重要的原因，其实咱们现在的框架，与框架之间耦合不多。就是在再平衡环境调用了一下api。因此，咱们换引擎很容易，而且与大家无关，是透明的，对大家无感。
为何要换？
backtrader代码是严谨，但很多方式确实是上个世纪的东西了。python也在进化。
pybroker的调用代码如下——特别简洁，而且所有代码要读完都特别容易：
Engine: (df: pd.DataFrameconfig: ProjConfigglobal_observer=): .strategy = StrategyAlgos(dfconfigglobal_observer) .result = (): .result = .strategy.backtest() .result (): logger.debug() .result.orders.to_csv() (.result.orders)
还有很多优点，比如天然支持多标的（backtrader要取时间最大的），轮动，机器学习（WFA算法）等。
最大的一个动因是：backtrader要实现再平衡的话，就是有些要买，有些要买，非常麻烦，你得自己来计算哪个先卖，否则cash不够。而pybroker由框架决定， 我只需要给它调仓表就好了（order_target_percent）。
看pybroker的代码——BacktestMixin，先执行cover， sell，然后buy。
pybroker的做空实现。
pybroker的逻辑比较简单，就是配置ctx的buy_shares，也就是买入多少股，而最终会拿cash去验证，能成交多少股就成交多少股。买空操作，没有限制，就是记录margin（保证金），也就是说买空的时候，没有验证cash。似乎margin是另一个账户的概念。
pybroker的交易佣金配置：
config_pyb = StrategyConfig(fee_mode=FeeMode.ORDER_PERCENT, fee_amount=config.commission*100)
再强调一次，回测是模糊的正确。
很多同学在纠正的是100股/手，还是现在的100+1。真没必要，回测是验证大逻辑与策略可行性，正确性。
策略产出的信号，最终落实到broker，就是买或卖多少股，然后broker去实际下单。实盘的broker与交易软件的api相关，本身也不会使用无论是pybroker，还是backtrader，都需要封装过。
回测更关心策略的大方向。
pybroker目前看来简洁，符合预期。
一门课程： AI量化投资——从小白到实盘体系教程（陆续录视频，大家关注视频号），代码+数据在星球更新
长期主义
书中自有黄金屋。
最近读了很多个人成长类的书，有些还是蛮有启发的。
但总结起来，结论可能大家听起来不那么舒服。
就是：成功学就是鸡汤，成长学基本是显学。
什么意思呢？
成功是很多因素加和的结果，其中运气占了很多的比重，不可复制，因此已经成功的人，怎么讲都是对的，如何预判，如何卧薪尝胆，就是运气好罢了。
成长为何是显学呢？你要努力，要专注，要长期主义，要延时满足，听起来熟不熟悉？就是道理你都懂的，而且有的还是互相矛盾的，需要用“多重思维模型”来调和呢。
为何说长期主义呢，长期主义有一点就是“磨刀不误砍柴功”。我们一直在调优“AI量化”回测平台，其实就是磨刀的过程。
很多学员着急了，策略呢？
联系客服
