原创文章第593篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。
最近这篇文章，收到很多同学的反馈：
长期年化收益45.9%：兼顾高成长与低波动的趋势轮动策略（附python代码）
很多同学问的是不是所谓“过拟合”，其实这个策略特别简单，也没有参数优化，不存在拟合的问题。
有人又说了，巴菲特才20%，这个我也回复了，超大规模资金，和咱们普通人的收益率不是对比的。这才显得老巴很厉害。
代码已经于昨天发布了：quantlab5.2代码更新，含本周所有策略集和数据集。
加入星球下载，每周至少迭代一次：代码+策略集+数据集。
因子模型应该可以说是现代金融投资里，最重要的模型，没有之一。
尽管它的数学基础没有像时间序列，协整，统计套利那般牢固，但它的框架统一性、策略容量大、可以完美兼容机器学习等，都让它在资管世界大放异彩。
多因子投资框架，有几件重要的事情：
1、确定投资标的池：比如股票池，ETF池，可转债，还是期货。
尤其是ETF，你是全球大类资产，还是ETF行业轮动，标的池是不一样的；股票也有比如沪深300成分股——严格遵守就是“指增”，当下也有很多私募做所谓“空气指增”。
比如——行业轮动的话，需要在行业列表挑选。
股票的话，可能是宽基指数的成分股。
这一步看似简单，其实很关键，不同的标的池，因子分析结果可能千差万别。而且与你的策略结果高度相关。
2、寻找因子集，做单因子分析，现在多数还是alphalens那一套，IC/IR。
一般而言，量化研究很多时候是在积累因子库，然后分类分组，在多个大类因子范围内定量+定性挑选细分因子——细分因子要求逻辑简单透明，多空分组好，rankic在同类因子排名中长期显著有效，避免参数过拟合。
3、因子合成——这一部分反而比较简单，很容易标准化。很多时候等权合成就好了，也可以加权合成。
4、四大策略思路： 趋势追踪、超跌反弹、困境反转、防御策略。
5、基础数据的可获得性，比如ETF相关的基本面数据，需要专业数据库支持，像分析师观点，指数的基本面——自己使用个股去合成不太现实。
而股票和可转债，这些数据获取比较容易。
另外是期货，数据量不大，但基本面数据也不太常见。
吾日三省吾身
有时候会莫名感到一些不必要的担忧——“顺其自然，为所当为”。
心里要容得下事情，时间基本上会解决大部分——甚至可以说是全部问题。
“除了生死，都是擦伤”。
历史文章：
年化18.9%的创业板趋势策略，使用模块化策略模板重构（代码+数据）
