昨天我们已经计算好了RSRS指标策略，今天把光大证券的研报复现一下。
由于计算比较耗时，我们会把计算的中间结果的dataframe保存下来。
我们使用hdf5保留数据结果，这里有一个小tip，有点奇怪。
我使用put的时候，使用的key，在判断是否存在于store.keys()里，需要变成“/key”。
store = pd.HDFStore('cache.h5')
key_to_store = 'cached_df'
if '/' + key_to_store in store.keys():
df = store.get(key=key_to_store)
然后开始调整我们的策略。
轮动策略，我们是有策略模板的，并不需要从头开发。
class StrategyRolling(Strategy):
def __init__(self, name, params={}):
algo_list = [
SelectBySignal(signal_buy=params['signal_buy'],signal_sell=params['signal_sell']),
SelectTopK(K=params['K'], col=params['sort_by']),
WeightEqually()
]
super(StrategyRolling, self).__init__(name,algo_list=algo_list)
我们的交易信号就是RSRS>1时买入，RSRS<0.8时卖出。
df['to_buy'] = df['RSRS'] > 1
df['to_sell'] =df['RSRS'] < 0.8
SelectBySignal会根据上述信号把复合条件的标的列表选择出来，SelectTopK按sort_by进行排序，选前面K个，然后等权计算权重。
值得一提的是：SelectBySignal有可能空仓的情况。这里需要分两种情况讨论，若原来有持仓，现在空仓，那相当于是清仓。若原来也是空仓，则不需要有动作。
对于这个算子而言，只负责给出signal给出的证券列表——已持仓+信号指标买入-信号指标卖出，不做额外判断。SelectTopK遇空仓时，直接跳过。
年化23.5%，夏普比1.16，只用了一个指标。
但是更加气人的是，只需要用“20日动量”这一个指标，就可以完胜RSRS。
年化达到30%，而且最大回撤更小，动量策略着实一直有效。
那如果把这些指标，揉在一起搁到机器学习模型里，会发生什么样的化合反应呢，这个我也很期待。
我们的策略依然很简单，只是计算了两列信号罢了。
df['to_buy_momentum'] = df['20日动量'] >= 0.08
df['to_sell_momentum'] = df['20日动量'] < 0.0
task_momentum = {
'name': '三大指数-20日动量轮动',
'strategy': 'rolling',
'params': {
'signal_buy': 'to_buy_momentum',
'signal_sell': 'to_sell_momentum',
'K': 1,
'sort_by': '20日动量'
}
}
策略还需要精细化的观察，调优与分析，所以一个良好体验的交互平台必不可少。
之前有一个待定的事宜，就是关于bokeh vs plotly选型的问题，结论是需要使用plotly。
由于wxpython里使用ie7的内核，使用代码可以修改为IE11。
恰好不兼容bokeh的html显示。修改为ie11之后，pyecharts/plotly都没有问题。plotly+dash同样可以实现交互式。
而在量化系统中，这个主要用于多图表显示，交互相对少一些。
需要系统启动时修改注册表：
self.key = _winreg.OpenKey(_winreg.HKEY_CURRENT_USER,
r"SOFTWARE\Microsoft\Internet Explorer\Main\FeatureControl\FEATURE_BROWSER_EMULATION",
0, _winreg.KEY_ALL_ACCESS)
try:
# 设置注册表python.exe 值为 11000(IE11)
_winreg.SetValueEx(self.key, 'python.exe', 0, _winreg.REG_DWORD, 0x00002af8)
except:
# 设置出现错误
print('error in set value!')
self.browser = wx.html2.WebView.New(self, style=0)
所以结论是，使用plotly + wxpython。
今天把动量轮动与基于RSRS指标的轮动都实现了，明天要把这些指标整合到机器学习模型里去。
联系客服
