年化17.5%，十年8倍的“双低”转债策略：从零实现量化回测系统之三

持续行动1期 43/100，“AI技术应用于量化投资研资”之可转债投资。

投资的心法大同小异，都是以合适的价格买入好的东西。

由于所处的周期位置不同，判断的标准产生了差异罢了。

为何我们先从转债入手，因为转债与股票相比，多了债性，估值更容易，风险相对更低。若是操作得当，收益并不比股票差，而且转债背后仍然是上市公司分析，是股票。

所以，对于基本面的分析逻辑是类似的，后面可以平滑切换到股票投资。

转债投资里最经典的“双低”策略，大部分的策略都是它的变种，心法是一样的。

前面的文章讲到“积木式”的策略搭建，做到了自动选股和权重分配。

今天我们要把这些信息落实到模拟交易里。

01 执行“按权重调仓”交易

前面我们实现了order_by_mv， order_sell_mv这两个方法，是买入某支股票mv，或者卖出某支股票mv。

在投资组合管理中，更通用的操作是按总市值的仓位比例来分配的。

比如股债平稳策略，股票70%，债券30%，无论你当前市值是多少，都在这个比例来操作，我们并不关心具体市值是多少。

另外这个方法同样适用于“动态再平稳”，就是定时执行这个操作，把仓位恢复到一个即定的比例。

在实际操盘过程中，这里涉及到先卖再买（当然存在卖不了或者滑点的情况），出于简化的考虑，我们可以先忽略——投资讲“模糊的正确”。

把当前持仓市值计算出来：

# 持仓市值，不包括cash
def _calc_total_holding_mv(self):
    total_mv = 0.0
    for s, mv in self.curr_holding.items():
        total_mv += mv
    return total_mv

执行按比例调仓：

# weights的格式 {'symbol1':0.2, 'symbol2':0.7} weights加和需要0<= x <=1,若小于1，则剩余部分按cash算。
def adjust_weights(self, date, weights):

    # 计算当前的总市值
    total_mv = self._calc_total_holding_mv()
    total_mv += self.curr_cash

    old_pos = self.curr_holding.copy()
    self.curr_holding.clear()
    # 分配新权重
    for s, w in weights.items():
        self.curr_holding[s] = total_mv * w

    self.curr_cash = total_mv - self._calc_total_holding_mv()
    logger.info('发起权重调仓，日期：{}, 旧仓位：{}，新仓位：{}'.format(date, old_pos, self.curr_holding))

在引擎处直接调用即可：

e = Engine(init_cash=100000, datafeed=feed)
e.run(algo_list=[RunOnce(), SelectAll(), WeightEqually(), AdjustWeights()])
logger.info('回测完成！')
logger.info(e.acc.cache_portfolio_mv[-1])

茅台就算不复权，从02年买入并持有，也是50多倍呀！

02 使用qlib数据库

我们需要对可转债全市场数据做回测，所以一个高性能的数据库是必要的。

import qlib
from qlib.constant import REG_CN
from qlib.data import D
from qlib.data.dataset.loader import QlibDataLoader


class QlibDataFeed:
    def __init__(self):
        self.all_df = None
    def add_data(self, data_dir):
        qlib.init(provider_uri=data_dir, region=REG_CN)

    def get_all_df(self, start_date='2010-01-01'):
        if self.all_df:
            return self.all_df

        fields = ['$close',
                  '$close/Ref($close,1)-1',
                  '$close+ ($close/(100/$chg_price*$stk_close)-1)*100'
                  ]
        names = ['close','rate', 'double_low']
        data_loader_config = {
            "feature": (fields, names),
            # "label": (labels, label_names)
        }
        data_loader = QlibDataLoader(config=data_loader_config)
        instruments = D.instruments(market='all')
        df = data_loader.load(instruments=instruments, start_time=start_date)
        df = df['feature']
        df.reset_index(level=1, inplace=True)
        df.rename(columns={'instrument':'code'}, inplace=True)
        self.all_df = df
        return self.all_df

从2010年开始所有转债的日频交易数据，以及它们的“双低值”一次计算出来，一共30万+条数据：

03 SelectTopK算子

由于我们是每天执行一次，所以不需要加时间算子。

策略上需要把“买入并持有”的SelectAll改成SelectTopK即可，也就是选择“双低值”最小的前K个。

我们的策略是不是很通用？

Qlib框架有TopK的策略，我们可以借用过来，封装成我们自己的“算子”。

class SelectTopK:
    def __init__(self, K=10, order_by='pred_score', ascending=False):
        self.K = K
        self.order_by = order_by
        self.ascending = ascending

    def __call__(self, context):
        logger.debug(self.__class__.__name__)
        df_bar = context['bar']

        # 前面还可以加规则，所以先看有没有选股过程selected
        if 'selected' in context.keys():
            if len(context['selected']) == 0:
                # print('SelectTopK遇空仓，直接跳过')
                # 若前面计算过selected,是空仓，那不需要排序，继续下一轮，但不退出——有可能要清仓操作。
                return False
            to_select = []
            for s in context['selected']:
                if s in df_bar.index:
                    to_select.append(s)
            #规则选股后，在子集里排序
            df_bar = df_bar.loc[to_select]

        df_bar.sort_values(by=self.order_by, ascending=self.ascending, inplace=True)  # 倒序
        symbols = df_bar.index[:self.K]
        logger.debug('选股结果:{}'.format(symbols))
        context['selected'] = symbols

这里暂未考虑，已经持仓的就不动的，只调仓新增的和卖出的，这个下一步实现。

算子使用非常简单：

e = Engine(init_cash=100000, datafeed=feed)
# e.run(algo_list=[RunOnce(),SelectAll(), WeightEqually(), AdjustWeights()])
e.run(algo_list=[SelectTopK(ascending=True, K=5, order_by='double_low'), WeightEqually(), AdjustWeights()])

相比“买入并持有”到“双低"策略我们仅改动一行代码！

一个基础的版本，没有仔细筛选转债背后公司的质量，也没有判断回售期之类的，作为一个benchmark，十年8倍！

年化17.5%，不过最大回撤有点大，达到45.9%，所以这里还有较大的优化空间，今天主要是检验回测系统。

从零开始实现一个量化回测系统（一）

从零开始实现一个量化回测系统（二）

关于投资的思考

无论要不要以此为职业、事业，如同写作技能一样，每个人应该掌握一点投资知识。

投资能力其实反映了对世界的认知。

除去必要的金融知识，比如你要交易转债，你肯定得知道转债的交易规则，以及背后的定价逻辑——这些基础知识都是可以很快学会的。

投资的天花板，有点像比特币之于李笑来。

他不是职业投资人，他讲投资也只讲定投。但他的认知结构和”常识“，在他初次见到BTC的时候，敏感的认为这是个机会，并抓住这个时间窗口。

飞狐，科技公司CTO，用AI技术做量化投资；以投资视角观历史，解时事；专注个人成长与财富自由。