原创文章第175篇，专注“个人成长与财富自由、世界运作的逻辑，AI量化投资"。
春节这几天还是比较充实的，折腾了dagster和prefect，最终确定仍然选择dagster。prefect更轻量，上手很快，几乎是没有学习曲线。但凡面皆有两面事，prefect的server与agent是分离的，在服务器上部署麻烦。而dagster原本学习曲线也不高，但引入asset之后，有点不好理解。但只要深入进去就会发现，这里的设计有其精妙之处，既有data-driven，也可以完美支持task-driven。
后端的服务选择django。若需要前后端分离，可以考虑django-ninja——一个类似fastapi的框架，可以完美使用django的admin与model系统。
证券账号的转债权限竟然没有开，这个一个经验教训，开启一个账号，无论交易不交易，都要先试验清楚，不要怕麻烦。
目前看来，需要先交易ETF。
“绝对收益型 ETF 轮动策略”——ETF 产品具有交易费用低、操作便捷、规则透明等优势，基于 ETF 构建的轮动组合已经具备越来越高的吸引力。ETF 可以跟踪市场热
点，覆盖绝大多数的宽基以及行业主题指数。
自上而下的视角给出了一套绝对收益型 ETF 轮动策略的构建方法：
大类资产层面，采用“时序动量+风险预算分配+目标波动率控制”方式构 建相对稳健的战略配置模型；
ETF适合做大类资产配置，而且是可以加入自己主动管理的策略。动量策略简单有效，加上风险预算和目标波动率可以有效控制回撤。
权益资产层面，采用“景气度+资金流+拥挤度”的方式构建行业主题指数轮动模型，进一步增厚策略的收益。
股债商品的均衡配置决定了整个 ETF 轮动组合的风险收益特征，而行业主题 ETF 间 的轮动效果决定了组合博取收益的能力。——大类资产配置决定组合的波动率，也就是风险收益特征，而行业、主题轮动可以提升alpha。
01 大类资产配置
基准指数：分别选取沪深 300、中债-国债总财富（7-10 年）指数、伦敦金、货币基金指数作为股、债、商品、货币的基准指数，每个基准资产都能找到可投资的 ETF 标的。大类资产配置策略有效性分析都基于基准指数进行。
从趋势动量还是权重计算，目前看这4个指数的量价数据就够了。
02 战术资产配置
以行业主题型 ETF 作为配置标的，借助于行业轮动策略的思路，自下而上的基于 ETF 指数成分股信息构建配置策略。
将 ETF 划分为科技、消费、医药、金融、周期、高端制造六个板块。
这个结果还是不错的：
这是一个标准“智能投顾”的模型，年化15%，回撤不超过10%。
第二步需要计算ETF的景气度（涉及很多财务数据），资金流（北向资金之类的数据）、拥挤度等。
客观讲，这些研报复现“最麻烦”的一件事情，是数据。最简单的解决办法当然是花钱买，可以确保质量与稳定性。
联系客服
