从智能投顾到量化投资，智能投研这几个领域来回摇摆，有一些心得。
不精确地说，投顾是理财，叫投资顾问嘛，自己没时间或者对金融不了解，希望财富得到稳定的保值与增长，这时候关注风险多于收益。那控制回测就非常必要。而量化投资，本质是投资，甚至是投机。冒合适的险去追逐收益。而投研是工具，是利用机器处理的信息，辅助我们做出决策，投顾还是投资、投机都能用，它只是工具。
基金领域的好多大V，本质是给小白做“投顾”，做一个组合，写一个入门的帖子，优选一些基金，做一些指数估值等。这里最优的方式是做“大类资产配置”，把到“低相关”的“向上”的“回报流”，做一个“全天候”的投资组合即可，最好的代表是达利欧的全天候风险平价。这样的组合形式，不太需要操心，所以经常用组合叫 “安睡”全天候组合就是这个意思，把钱放进去，无论什么市场环境，你都能睡得着。
投顾适合有一个基础的大资金，本金越大，则需要的收益率越低。比如500万，5%的年化，一年就有25万的被动收入，200万本金，5%年化也有10万的被动收入，二线城市生活一点问题都没有。所以，走大类资产配置这条路，需要先积累一定量的本金作为基础。
本金积累
而且如果有一定的本金量，二级市场投资只是一种选择之一，其它的还有不动产投资，一级市场私募股权等都在之一，本金体量越大机会越多，钱是越多越容易赚。
如果要一定程度上“以投资为生”，或者说，透过二级市场可以赚到钱，积累所谓的“第一桶金”，那就是投资，甚至有一定程度的投机。其实，二者是相对的，蹦极作为专业玩家那就是娱乐，冒险都算不上。投顾是配置，不预测，而投资很多时候不是胜率，而是赔率，最明显的就是私募股权基金，它的胜率算上大大小小的项目，可能是70%赔，20%持平，10%赢，赢得10%里有1%大赢，但大赢的这个可能是1000倍的收益，足以填平99%的亏损还有赚。
以一个“大小盘动量轮动”的策略为例，交易标的是沪深300ETF和创业板ETF代表的大小盘，选择20天动量作为技术指标，20天动量大于8%时，取大者买入，20天动量小于0时卖出。
年化收益21.2%，最大回撤23.6%，非常好的成绩，一个简单的动量策略，超越了多少明星基金经理。
问题在哪里呢，仔细看图，17-18两天策略是微亏的，真正赚钱的，就是14年那个大牛市，以及2020年这一波小牛市。就是非常好理解了，动量指标可以抓住大行情，可以躲过大跌，但对于阴跌或震荡市没用。如果计算胜率的话，这个指标很差，但赔率很高，最终结果还不错。
但从后视镜的角度来看，大牛市什么策略最好，当然是买入并持有，当然会坐过山车，没有人可以预知后市，没有人可以抄底逃顶，这个简单策略的逻辑是反正有动量我都抓，大部分都是假的，但没关系，反正真的动量趋势来的时候，能接得住。
从20160601-20190101，策略的收益情况如下：
这可能是量化投资与主观交易不一样的地方，如果胜率这么低，主观交易者早就开始怀疑人生了，早就放弃掉这个指标了，而从回测来看，其实它只是抓住了两次大机会，让收益变得很好看。
再来一个：
使用北向资金的布林带进行判断，
strategy = {
'universe': ['159915.SZ'],
'benchmarks': ['159915.SZ','510300.SH'],
'env': [('NORTH','north_money'),('000300.SH','pe_ttm')],
'from': '20180101',
'to': '20210617',
'factors': [('bup_252', 'Bbandsup($north_money,252,1.5)-$north_money'),
('bup_150', 'Bbandsup($north_money,150,1.5)-$north_money'),
#('bup_80_1', 'Bbandsup($north_money,80,2)'),
#('bdown_80_1', 'Bbandsdown($north_money,80,2)'),
('bup_80', 'Bbandsup($north_money,80,2)-$north_money'),
('bup_20', 'Bbandsup($north_money,20,2)-$north_money'),
('bdown_252', 'Bbandsdown($north_money,252,1.5)-$north_money'),
('bdown_150', 'Bbandsdown($north_money,150,1.5)-$north_money'),
('bdown_80', 'Bbandsdown($north_money,80,2)-$north_money'),
('bdown_20', 'Bbandsdown($north_money,20,2)-$north_money'),
('buy_1', '$bup_252<0'),
('buy_2', '$bup_150<0'),
('buy_3', '$bup_80<0'),
('buy_4', '$bup_20<0'),
('sell_1', '$bdown_252>0'),
('sell_2', '$bdown_150>0'),
('sell_3', '$bdown_80>0'),
('sell_4', '$bdown_20>0'),
],
# 'factors_date':[('rank','Rank($mom_20)')],
'buy': (['buy_1', 'buy_2', 'buy_3', 'buy_4'], 3),
'sell': (['sell_1', 'sell_2', 'sell_3', 'sell_4'], 2),
# 'order_by': ('rank', 1) # 从大到小
}
布林带取4个周期，20天，80天，150天，252天布林带上下轨，向上突破三条买入，向下至少突破2条卖出。
年化40.6%,最大回撤22.8%，也是一个超级好的策略。
加上沪深300以后，收益反而变差了：
量化最大之问题就是参数比较随性，比如为何是20天的动量，而且是大于0.08，为什么不是0.06，而且为何加上沪深300ETF反而收益变低。不精确，不科学。
基于动量，或者基于区间突破，这个区间可以是布林带，也可以是某段时间的最高价和最低价。
基于传统技术分析（基于规则）去设计一些阈值，肯定不是一个科学的方法——尽管要拟合出一个看起来不错的策略是比较容易。参数偏向经验值，无法自动优化等。
后面引入机器学习的方式看看。
(公众号：七年实现财富自由（ailabx），用数字说基金，用基金做投资组合，践行财富自由之路)
联系客服
