原创文章第231篇，专注“个人成长与财富自由、世界运作的逻辑与投资"。
成长感悟
人与人协作，一旦涉及利益相关的协作 ，就需要考验人性的复杂。
比如职场，合伙创业，或者其他的一些利益共同体。
有多少创业伙伴，夫妻可以共患难，而很难同享乐的。
职场也是，你招一个好朋友到你的部门，那你们之间的友情就要受考验；你与好朋友合伙办公司，你很可能会失去这个朋友。
苏东坡如此洒脱之人，淡泊之心，被一贬再贬，好大一部分也是他之前的好友所为。人有了利益之争，就有羡慕嫉妒恨，未必你就直接得罪他，也许你无意间挡了谁的道，也许他就不喜欢你过得比他好，也许。。。这里的情况太多。
旧时仅有仕途一条道，现在好很多。此路不通，换条路走，尽管如此，还有人想不开。
程序员天然有个好处，与代码和算法打交道，比较纯粹，也是我大学选专门，后来入行的初衷。但走了管理之路，角度转换，承担的目标不一样，也需要处理复杂之关系。
唯有量化，AI量化，面向机器，面向市场，这个冷酷却很公平的一个朋友。
投资刷新
投资评估有两个维度：内在价值，也就是估值，这个东西值多少钱。二是价格趋势。二者都是随时间变化的。
基本面好，成长性高的指数，比如长期高ROE的行业。它的内在价值随时间会抬高。这是基本面收益率。
估值是市场共识，这个会被情绪放大。
投资大体上有三种体系：从易到难，从宏观到微观。
一、长线的资产配置，合理的价格，买入好东西，恒定市值恒定。
我主要以固收+，和优质指数基金（稳定的高ROE）,恒定市值（比如纳指100市值5万，当涨10%，也就是市值变成55000时，卖出5000，反之跌到45000时，定投补仓至5万）。如此成本越来越低，但始终在场。
这个体系我已经运行了几年，很稳健也省心。
二、中期的主动管理，可以用场内ETF。
大类资产轮动——选择最优的标的持有，轮动的逻辑。相对优势。投资组合的手法，比较容易控制回撤，etf，可转债，股票等。
这是下一步要重点发力的，从etf开始，然后到可转债、股票组合等。
三、纯粹择时。
比如期货或加密货币。加杆杆，做多空，止盈损，属于最难的级别。既然最难，正确的理念应该是小投入，高杠杆，高回报比。
阅读pybroker的代码
周末不写代码了，但可以抽空读一读代码。pybroker我是比较满意的，我之前自己写了一个回测框架，极简的，简化了很多东西，我没有使用order，没有记录trade。也没有管做空，止盈损之类的，pybroker麻雀虽小但很全。而且把缓存，指标，机器学习模型以及模型的walkforward模型都实现好了，而且代码可读性高。因此，pybroker是后续我的系统的一个基础。
pybroker官方特性介绍：
1、基于NumPy构建的超快速回测引擎，并使用Numba加速。
2、轻松创建和执行跨多个标的的交易规则和模型。
3、可访问来自Alpaca和Yahoo Finance，AkShare的历史数据，也支持使用自定义数据接口。
4、可使用Walkforward Analysis方法训练和回测模型，模拟策略在实际交易中的表现。
5、使用随机引导法提供更准确的交易指标，以提高可靠性。
6、缓存下载的数据、指标和模型，以加快开发过程。
7、通过并行计算实现更快的性能。
8、支持对资产进行排名，自定义头寸，设置止损。
一共不到15个文件：
框架核心是strategy在strategy.py中。
回测核心，实现了walkforward分析算法：
PyBroker使用Walkforward Analysis方法进行训练和回测。这种方法会将历史数据分成多个时间窗口，并模拟现实世界中使用新数据执行和重新训练策略的过程。模型首先在最早的时间窗口上进行训练，并在该时间窗口的测试数据上进行评估。随着算法向前移动以评估下一个时间窗口，来自前一个窗口的测试数据被添加到训练数据中。这个过程会重复进行，直到所有时间窗口都被评估完毕。这种算法可以有效地验证策略的可靠性，避免过拟合问题，并提高其在真实市场中的表现。
传统量化：
lookahead: int = 1,train_size: int = 0,
windows = 1,
规则量化里，返回所有数据。
执行backtest时，生成买单，卖单，平仓单。先平仓，再执行买卖单。注
意pybrokder是支持多空操作的。
围绕着strategy，执行backtest，就可以把整体pybroker整体框架
串起来。
pyboroker代码简洁，写得不错。
后续我们搞个专栏，专门梳理一轮代码细节。
我们在这个基础上，扩展：因子表达式、积木式开发，机器模型modelzoo
，因子分析，回测可视化等等。
当然作者也在持续开发，我看最近就把akshare数据源整合进来了。
明天继续。
联系客服
