百度索引量和网站排名,山东助企网站建设,织梦 电影网站 模板,网站可行性分析原创内容第922篇#xff0c;专注智能量化投资、个人成长与财富自由。
咱们星球叫“智能量化实验室“#xff0c;有一部分智能的工作#xff0c;落在了AGI星球来实现。
但智能量化框架#xff0c;还有深挖的空间。
区别于传统量化#xff08;backtrader#xff0c;bt等…原创内容第922篇专注智能量化投资、个人成长与财富自由。
咱们星球叫“智能量化实验室“有一部分智能的工作落在了AGI星球来实现。
但智能量化框架还有深挖的空间。
区别于传统量化backtraderbt等都是传统量化。也就是技术分析的”自动化“版本。
比如咱们的动量轮动排序因子还是止盈、止损规则。
当然这是有效的也是可解释的——大家看策略榜的更新就知道了 然而这里还没有太多机器学习、深度学习等智能化相关的东西。
策略也不会自主学习和进化。
qlib框架是最接近AI驱动的开源量化框架设计理念就是机器学习导向。
不过咱们之前也分析过它不太兼容传统规则量化而且表达式与自定义的数据存储格式绑定不容易切换到自己的数据存储。vnpy.alpha在这方面处理得挺好。
import jsonimport shelveimport picklefrom pathlib import Pathfrom datetime import datetime, timedeltafrom collections import defaultdictfrom functools import lru_cache, partialimport numpy as npfrom loguru import loggerimport polars as plfrom constant import Intervalfrom dataset import to_datetime, AlphaDataset, process_drop_na, process_cs_norm, Segmentfrom dataset.datasets.alpha_158 import Alpha158from model import AlphaModelfrom model.models.lgb_model import LgbModelfrom strategy.strategies.equity_demo_strategy import EquityDemoStrategyclass AlphaLab: def __init__(self, lab_path: str, data_path:str) - None: self.lab_path: Path Path(lab_path) self.data_path Path(data_path) self.dataset_path: Path self.lab_path.joinpath(dataset) self.model_path: Path self.lab_path.joinpath(model) self.signal_path: Path self.lab_path.joinpath(signal) # 创建文件夹 for path in [ self.lab_path, self.dataset_path, self.model_path, self.signal_path ]: if not path.exists(): path.mkdir(parentsTrue) def save_dataset(self, name: str, dataset: AlphaDataset) - None: Save dataset file_path: Path self.dataset_path.joinpath(f{name}.pkl) with open(file_path, modewb) as f: pickle.dump(dataset, f) def load_dataset(self, name: str) - AlphaDataset | None: Load dataset file_path: Path self.dataset_path.joinpath(f{name}.pkl) if not file_path.exists(): logger.error(fDataset file {name} does not exist) return None with open(file_path, moderb) as f: dataset: AlphaDataset pickle.load(f) return dataset def save_model(self, name: str, model: AlphaModel) - None: Save model file_path: Path self.model_path.joinpath(f{name}.pkl) with open(file_path, modewb) as f: pickle.dump(model, f) def load_model(self, name: str) - AlphaModel | None: Load model file_path: Path self.model_path.joinpath(f{name}.pkl) if not file_path.exists(): logger.error(fModel file {name} does not exist) return None with open(file_path, moderb) as f: model: AlphaModel pickle.load(f) return model def remove_model(self, name: str) - bool: Remove model file_path: Path self.model_path.joinpath(f{name}.pkl) if not file_path.exists(): logger.error(fModel file {name} does not exist) return False file_path.unlink() return True def list_all_models(self) - list[str]: List all models return [file.stem for file in self.model_path.glob(*.pkl)] def save_signal(self, name: str, signal: pl.DataFrame) - None: Save signal file_path: Path self.signal_path.joinpath(f{name}.parquet) signal.write_parquet(file_path) def load_signal(self, name: str) - pl.DataFrame | None: Load signal file_path: Path self.signal_path.joinpath(f{name}.parquet) if not file_path.exists(): logger.error(fSignal file {name} does not exist) return None return pl.read_parquet(file_path) def remove_signal(self, name: str) - bool: Remove signal file_path: Path self.signal_path.joinpath(f{name}.parquet) if not file_path.exists(): logger.error(fSignal file {name} does not exist) return False file_path.unlink() return True def list_all_signals(self) - list[str]: List all signals return [file.stem for file in self.model_path.glob(*.parquet)] def load_bar_df(self,symbols: list[str], start: datetime | str20100101, end: datetime | strdatetime.now().strftime(%Y%m%d), extended_days: int20): start to_datetime(start) - timedelta(daysextended_days) end to_datetime(end) timedelta(daysextended_days // 10) dfs: list [] for s in symbols: # Check if file exists file_path: Path self.data_path.joinpath(f{s}.csv) if not file_path.exists(): logger.error(fFile {file_path} does not exist) continue # Open file df: pl.DataFrame pl.read_csv(file_path, schema_overrides{date: pl.Utf8}) # Convert the date column to Date type df df.with_columns( pl.col(date).str.strptime(pl.Date, %Y%m%d).alias(date) ) # Filter by date range df df.filter((pl.col(date) start) (pl.col(date) end)) # Specify data types df df.with_columns( pl.col(open), # .round(3).cast(pl.Float32), pl.col(high), # .cast(pl.Float32), pl.col(low), # .cast(pl.Float32), pl.col(close), # .cast(pl.Float32), pl.col(volume), # .cast(pl.Float32), ) # Check for empty data if df.is_empty(): continue dfs.append(df) #start_dates [df.get_column(date).min() for df in dfs] # 找到最近的起始日期 #latest_start_date max(start_dates) #print(统一截取的起始日期:, latest_start_date) # dfs_cut [ # df.filter(pl.col(date) latest_start_date) # for df in dfs # ] # Concatenate results result_df: pl.DataFrame pl.concat(dfs) # compare_symbol_dates(result_df,513500.SH,512890.SH) return result_df def calc_exprs(self, df, names, fields): from dataset.utility import calculate_by_expression if len(fields) len(names) and len(names) 0: results [] for name,field in zip(names, fields): if field :continue #try: expr calculate_by_expression(df, field) #except: # print(f因子表达式有问题忽略{field}) # import traceback # traceback.print_stack() # continue results.append(expr[data].alias(name)) df df.with_columns(results) return df # self.df self.df.drop_nans()if __name__ __main__: from strategy import BacktestingEngine symbols [510300.SH,159915.SZ] lab AlphaLab(lab_path./run, data_pathD:\work\.aitrader_data\quotes_etf) df lab.load_bar_df(symbolssymbols, start20100101, end20250506,extended_days10) print(df) dataset: AlphaDataset Alpha158( df, train_period(2010-01-01, 2014-12-31), valid_period(2015-01-01, 2016-12-31), test_period(2017-01-01, 2020-8-31), ) # 添加数据预处理器 dataset.add_processor(learn, partial(process_drop_na, names[label])) dataset.add_processor(learn, partial(process_cs_norm, names[label], methodzscore)) # 准备特征和标签数据 name etf轮动 dataset.prepare_data(filtersNone, max_workers3) lab.save_dataset(namename,datasetdataset) dataset: AlphaDataset lab.load_dataset(name) model: AlphaModel LgbModel(seed42) # # 使用数据集训练模型 model.fit(dataset) # # 查看模型细节 # model.detail() lab.save_model(name,model) model lab.load_model(name) #用模型在测试集上预测 pre: np.ndarray model.predict(dataset, Segment.TEST) # 加载测试集数据 df_t: pl.DataFrame dataset.fetch_infer(Segment.TEST) # 合并预测信号列 df_t df_t.with_columns(pl.Series(pre).alias(signal)) # 提取信号数据 signal: pl.DataFrame df_t[date, symbol, signal] dataset.show_signal_performance(signal) lab.save_signal(name,signal) # 从文件加载信号数据 signal lab.load_signal(name) import bt from bt.algos import * from bt_algos_extend import SelectTopK # create the strategy s bt.Strategy(s1, [bt.algos.RunDaily(), SelectTopK(signalsignal), bt.algos.WeighEqually(), bt.algos.Rebalance()]) # 创建回测引擎对象 engine BacktestingEngine(lab) # 设置回测参数 engine.set_parameters( vt_symbolssymbols, intervalInterval.DAILY, startdatetime(2017, 1, 1), enddatetime(2020, 8, 1), capital100000000 ) # # 添加策略实例 # setting {top_k: 30, n_drop: 3, hold_thresh: 3} # engine.add_strategy(EquityDemoStrategy, setting, signal) # 执行回测任务 # engine.load_data() # engine.run_backtesting() # engine.calculate_result() # engine.calculate_statistics() # engine.show_chart() #dataset.show_feature_performance(rsv_5)
典型的机器学习流程数据及因子计算划分数据集然后有监督学习建模预测信号回测可视化。
通过滚动式的学习模型是可以持续进化的这就是核心逻辑
代码与数据下载AI量化实验室——2025量化投资的星辰大海 吾日三省吾身
01
《拿铁因素》里三句话先投资自己让账户自动运转从现在起富有地生活。
其实“拿铁因素”本身只是有效“省钱”的方式。
让账户自动运转才是根本。
很幸运这几年构建了自己的投资理财体系账户可以自动运转。
无论你是通过“节约拿铁因素”去节流还是通过“一人企业”去开源这个“杠杆”的金钱系统都有有效地发挥作用。
“从现在起富有地生活”。——不留遗憾。
如果仅仅指望退休生活那就是《百万富翁快车道》里看不上的“慢车道”。
“有花堪折直须折莫待无花空折枝”。
当你三十岁的时候,去买十八岁时想买的东西去二十岁想去的地方已经毫无意义。世界上没有那么多的来日方长,只有世事无常欲买桂花同载酒终不似少年游。”
如何平衡现在和未来呢既要活在当下又要长期主义。
其实也特别简单存下每天收入的1/8以上先投资自己然后让复利滚动起来让账户自动运转。然后就可以在“当下”“富有地生活”了。
不必想象自己达到A7.7或者A8或者等到这一天。
因为你等到这一天你会发现其实没有特别根本的变化。
前两句话是如何实现财富自由而第三句话则是关于为什么这么做
财务自由并不是目的财富自由是为了精神自由能自由深度去体验这个世界。首先确定对你来说什么是重要的然后照着去做。比如你想上很久的摄影课、想看很久的演唱会、想去很久的一场旅行……你比你想象的更富有所以从现在起富有地生活吧不是在遥远的未来就从今天开始。
——像你已经财富自由了那样去生活。
02
大家都各大有各的事情但多数人终归是普通人。
有人说潜在的机会在弱联系里这是有一定的道理。
弱联系的主动维护和激活 弱连接不会自动产生价值。你需要 建立连接 积极参与社交活动、线上社区、行业会议等。 保持可见度 偶尔互动如社交媒体点赞评论、节日问候、分享有用信息。 清晰表达价值 在适当的时候让对方知道你的专长和需求但不要过于功利。 乐于助人 在力所能及的范围内帮助弱连接对象建立好感与互惠基础。 善于倾听和提问 了解对方的世界发现潜在的交集。 “潜在”二字很关键 并非所有弱连接都会带来直接机会但弱连接网络大大增加了你接触到潜在机会的可能性。它是一个概率游戏网络越大越多元可能性越高。 代码和数据下载AI量化实验室——2025量化投资的星辰大海
扩展 • 历史文章
EarnMore赚得更多基于RL的投资组合管理框架一致的股票表示可定制股票池管理。附论文代码
年化收益200%的策略集 | 实时板块资金热力图 「aitrader 5.0系统代码发布」
机器学习驱动的策略开发通过流程 | 普通人阶层跃迁的可能路径
年化30.24%最大回撤19%综合动量多因子评分策略再升级python代码数据
三秒钟创建一个年化28%夏普比1.25的策略python系统已开放源代码下载
会员专属策略可以直接下载了多个十年年化30%策略集|polars重构因子引擎代码数据下载
6年年化收益46%最大回撤率为16%的策略附python代码
