ETF场内基金：AI量化投资最佳切入点（数据篇）

原创文章第77篇，专注“个人成长与财富自由、世界运作的逻辑， AI量化投资”。

关于量化的基础知识，前面说得差不多了。

后面要开始实战。

量化的细分市场很多，如下图所示：

再从风险收益来看，从基金到加密货币，从“保守”到“激进”。

这里指的保守，当然是“主动管理”里的保守。还是更保守的就是“大类资产配置”。

关于实战，我选择的“战场”是ETF。

一般的专栏讲量化，要么期货（CTA），更多是股票。为何我跳过股票而选择ETF？

我们说过，越宏观的东西规律越稳定，越微观越随机。ETF背后是指数，可以是行业，可能是市值，也可能是红利这样的smart beta。在一定的时间段相对稳定。相对下来，股票背后是一家家公司，就算白酒都挺好，但不是谁都能成为茅台，更何况商战信息千变万化，要判断一家公司未来前景谈何容易。

指数基金是跨品种（货币，债券，可转债，FOF，商品，REIT…），跨市场的，覆盖香港，美国、日本，越南，德国…) ，具备跨市场和品类配置，对冲的可能。

ETF与主动基金相比规则更透明，不太依赖基金公司和基金经理。回头看，确实能找到不少多年超过市场基准的明星基金经理，但往前看，你很难看清。去年风格切换，很多明星基金经理就没有反应过来。我们很难判断是正常回调，还是他从此泯然于众人。而ETF就是被动执行规则，因子规律清晰。另外，指数基金长生不死，做长线配置非常合适。

场内交易与场外基金相比手续费更低，部分还可以T+0交易。大类资产配置走场外可以定投，要主动管理走场内，可以灵活交易。

01 数据准备

场内基金列表：

df = get_etf_basics()
df['_id'] = df['ts_code']
from common.mongo_utils import write_df
write_df('basic_etfs', df, drop_tb_if_exist=True)

一共1184支可交易的场内基金。

基金净值处理有两个细节。

ts的接口每次只能取最新的800行，一些历史较久的基金，需要多次读取数据。

另外，复权因子每次限制2000行，同时复权因子需要还原补充到时间序列里。

这里用好两个参数，offset和limit。

offset从0开始，每次limit读800，offset递增800，若没有数据返回就退出循环。

def get_etf_quotes(code, date_start="", offset=0, limit=800):# 拉取数据df = pro.fund_daily(**{"trade_date": "","start_date": "{}".format(date_start),"end_date": "","ts_code": "{}".format(code),"limit": limit,"offset": offset}, fields=["ts_code","trade_date","open","high","low","close","vol","amount"])df.dropna(inplace=True)if len(df) == 0:return Nonereturn dfdef get_all_quotes(code):offset = 0df = get_etf_quotes(code, offset=0)print(df)all = [df]while (df is not None):print('===========================offset====================', offset)offset += 800df = get_etf_quotes(code, offset=offset)all.append(df)df_all = pd.concat(all)df_all.dropna(inplace=True)df_all.set_index('trade_date', inplace=True)return df_all

以“后复权”的方式保留——我们回测时，都以“后复权”的价格进行。

02 Arctic：基于mongo的列存数据库

Arctic由MAN AHL于2012年开发，并于2015年开源，Arctic 构建在MongoDB之上，针对数值数据的高性能数据库。

在量化投资中，可以用来存储海量的Tick级行情数据。它支持 Pandas、 numpy 数组和 pickle 对象，并支持其他数据类型和版本控制。每个客户机每秒可以查询数百万行，网络带宽达到10倍的压缩，磁盘达到10倍的压缩，每个 MongoDB 实例每秒可扩展到数亿行。

列存数据库写入，读出都非常快，一会会功夫，1000多支场内基金的历史数据就都入库了。

明天基于arctic，结合backtrader构建策略，开始实战。

ETF场内基金：AI量化投资最佳切入点（数据篇）相关推荐

三分钟玩转微软AI量化投资开源库QLib
数量技术宅团队在CSDN学院推出了量化投资系列课程欢迎有兴趣系统学习量化投资的同学,点击下方链接报名: 量化投资速成营(入门课程) Python股票量化投资 Python期货量化投资 Python数 ...
微矿Qlib：业内首个AI量化投资开源平台
近期,微软亚洲研究院正式发布了 AI 量化投资开源平台"微矿 Qlib".这是微软亚洲研究院成立"创新汇"三年以来,在与金融行业的成员企业合作研究的基础之上,打 ...
《跟我学习AI量化投资》通过chatgpt进行选股，简单易懂，降低人为操作风险
打开chatgpt,向其提问题,内容如下: 写一个Python程序,能够统计最近一个月涨幅达到30%以上的股票在最近一个月前的市值.成交额.阳线数量.振幅和继续形态(使用TA-Lib),请把每一个维度 ...
微软开源！世界首个AI量化投资平台 Qlib 基本使用教程
量化往期推荐 Easytrader 超简单的股市自动交易神器 Lean - 优秀好用的开源量化交易平台 30分钟教你搭建普罗监控系统-股票人气榜实时变化! 可转债交易薅羊毛策略 - Python 量化 ...
AI量化投资开源平台——Qlib（微矿）的学习使用笔记（随缘更新）
零.Qlib的简介可以查看以下链接了解Qlib的功能以及结构框架. 微矿Qlib:业内首个AI量化投资开源平台官方GitHub仓库一.Qlib环境安装安装过程非常艰难,主要参考了以下资料,在此 ...
微软 AI 量化投资平台 Qlib 体验
华泰人工智能系列之四十核心观点本文介绍微软 AI 量化投资平台 Qlib 基础和进阶功能,对比传统量化策略开发流程和 Qlib 提供的解决方案,提炼 Qlib 特色及优势,并探讨笔者使用体会. ...
量化投资常用技能——绘图篇 1：绘制股票收盘价格曲线和ochl烛状图
量化投资常用技能--绘图篇 1 量化投资绘图技能 Python绘图库:matplotlib 绘制烛状图库:mpl_finance 之后的博客讲解深度会逐渐提升,将包括一下几个方面: 绘图指标公式与 ...
量化投资常用技能——绘图篇 2：绘制移动平均线
量化投资常用技能--绘图篇 2 前言移动平均线使用numpy库计算移动平均值量化投资第三方库:abupy 欢迎大家关注我们我们的抖音号:金融观察(JRGC8888) 前言上一篇文章" ...
量化投资常用技能——指标篇1：详解 MACD指标绘制、及其计算过程和作用
量化投资常用技能系列文章目录我们已经介绍了三篇关于量化投资方面绘图的文章,大家有兴趣可以了解一下绘图篇量化投资常用技能--绘图篇 1:绘制股票收盘价格曲线和ochl烛状图量化投资常用技能-- ...

ETF场内基金：AI量化投资最佳切入点（数据篇）

ETF场内基金：AI量化投资最佳切入点（数据篇）相关推荐

最新文章

热门文章