01 投资篇
投资中什么最重要?投资体系。
投资体系里最重要的是策略,策略是在投资体系里的。
然后是投资平台,一些自动化的工具、数据集合。
自动化的系统平台:数据、因子、策略、模型、回测、评估。
有三种路径:
一、完全自建。
优点就是自主,可控。
缺点是要求你需要对量化非常懂,否则容易走弯路,其次对编程要求高,再次要准备的东西非常多,比如高质量的数据来源,还要保证数据不出错。
一般是学生初学入门可以先这么做,可以更清楚本质,但要做商业化的考量不建议。
二、整合开源平台。
优点就是快一些,而且仍然可控。
与上述第一点相比限制就是开源框架有一些约定。
比如pyalgotrade是自己实现的bar的数据结构,backtrader使用了大量的元编程技术,qlib使用了自己构建的内置数据库等。
要用框架你就得熟悉并且遵守这些约定。
三、使用成熟在线平台
优点是非常快,你上来就可以专注于“策略”。
平台的生态还会提供大量的例子供学习。
不用你操心数据与数据质量,大的平台几乎所有数据都是全的,有api文档供你参考。
你专注你的策略逻辑与实现就好。
而且你做出了策略,平台还给你提供了商业化和实盘的机会。
综上来看,
一是不建议的,哪怕你有自己的私募公司都不必要,毕竟不是要做一家纯技术公司——技术公司同样使用大量的开源技术,只需要把最核心的东西抓在自己手里就好了。
二是终极解决方案,我目前选择的平台基础框架是qlib,它的AI量化的框架很全,代码可读性很高,数据结构都很合理,而且被后是microsoft在支持,项目比较活跃,内置了大量的算法模型,对于量化和AI都是很好的学习案例集。
在线平台要熟悉至少一个,可以快速实验自己的想法,目前选择是与qlib思路最像的bigquant,有成熟的数据集、案例,可以快速落地一个想法。不排除其它的社区也可以关注一下。
02 技术篇
整合qlib的过程,要求对pandas的高级用法非常熟悉,比如复合索引multiindex,rename ,concat, np.where等等。
qlib提供了一些采集的数据集用于实验,离真正做出一个有效数据需要做的工作还比较多。一般而言,如果要上马生产级别的量化平台,这里花钱是难免的,金融策略模型,数据如果错了,一切白费。而且没必要自己再花大心思去建设一个数据集(费时,费力,不讨好)。
只要整理好数据,基本上qlib现在也是配置一下就可以使用了。
03 成长与反思篇
向内寻求内心强大。
听起来有点阿Q,但这是“终极”解决方案。
董宇辉带火的苏东坡传,苏东坡就是内心非常强大的人——也无风雨无无睛。这个世界上,总有我们如何努力也解决不了的问题,那只能内心平和的接受。内心真正平和,不去情绪对抗,你会发现,其实很多事情并没有那么严重。
清晨院子里的练功的音乐声,越不在意,耳朵就会自动忽略;
你越在意楼上小朋友的跑步声,节奏倒是越发清晰,反之如果你不在意了,反而何时消失的都不知晓。
人的大脑机制很奇怪的,它本身存在“自动”忽略的机制,然后专注到你需要专注的事情上来。
向外寻求成长与力量。
这也是有必要的,改变能改变的。
你实力越强,周遭的环境越温和,至少你可以选择远离你不喜欢的人或环境。
说走就走的旅行,门票很贵的。
离不开的“土地”。
总结一下:
投资上以bigquant和qlib为主,bigquant可以专注实验一些策略,同时为qlib建设提供思路和眼界;
技术上目前看就是pandas的dataframe的熟悉使用,下一步涉及模型了就是人工智能技术范畴。
成长上,对内对外并举。
追求内心成长,实力成长才是幸福人生的保障。
联系客服