量化，就是将投资逻辑数量化、具体化，把投资思路细化为各种变量和变量之间的规则，进而构建成量化模型，然后利用计算机程序将其构建为量化策略，让其能代替人脑做决策。
开发一个成功的量化投资策略，一般需要以下几个步骤：
1、需要有一个明确的投资逻辑，这也是最重要的。
2、把投资逻辑细化为各种变量，以及变量之间的规则，进而构建成量化交易模型。
3、使用历史数据对量化交易模型进行测试，看看模型在历史上的表现。
4、不断对量化交易模型进行修正和完善，当确定投资逻辑可靠，历史表现优秀之后，就可以准备实盘了。
5、实盘交易，根据量化模型运行的结果调仓。
【动量因子投资体系】
1、买什么？“指数基金+动量轮动”，买涨得最好的指数基金。
2、怎么买？“趋势跟踪，追涨杀跌”，涨了就买，跌了就卖。
3、如何执行？“量化交易+机械执行”，把投资策略固化成数学模型，用模型代替人为的主观判断，然后严格按模型给出的信号机械执行。
【我的量化策略1】
策略理论依据：策略的理论基础是动量效应因子。
对相关性较弱的全球核心资产ETF（A股蓝筹股、A股成长股、A股红利、纳斯达克、）进行轮动，哪个动量好就买哪个。
ETF池：上证50ETF（沪深300ETF）、创业板ETF（中证1000ETF）、红利ETF（中证红利ETF）、纳指ETF、银华日利ETF。
交易逻辑：计算各ETF的动量，轮动持有ETF中的强势品种，哪个动量最强，就全仓买哪一只ETF，没有强势品种时就持有银华日利。
参数设置：不择时，买入后最少持有1天，仅持有1只ETF，空仓时持有银华日利ETF。
回测时间：2013.12.31-2023.07.14（公开版）
总收益：1649.45%
年化收益：35.01%
最大回撤：-26.65%
最长回撤天数：609天
夏普比率：1.19
卡玛比率：1.31
每一年的收益都是正的，年度收益最低2.7%，最高103.42%，这是非常难得的。
回测时间：2019.01.02-2023.07.14（5年优化版）
总收益：457.47%
年化收益：46.14%
最大回撤：-17.34%
最长回撤天数：160天
夏普比率：2
卡玛比率：2.66
每一年的收益都在20%以上，年度收益最低22.58%，最高89.37%，这是不是很牛？
通过量化测试，把这些规则用历史数据跑一遍，我们看到效果不错。年化收益达到35%以上，最大回撤只有-26%和-17%，自2014年以来，每年都是正收益。
通过量化测试，我们可以轻易知道自己的投资逻辑在历史上表现如何，如果不测试，可能就需要用时间和金钱在实盘中来验证。
可能有人说，过去表现好不一定未来也表现好，那么我问你，过去都表现不好的策略，你敢投入实盘吗？量化策略最重要的还是投资逻辑，只要逻辑没变，大概率策略不会失效。
【我的量化策略2】
策略理论依据：策略的理论基础是动量效应因子。
对相关性较弱的全球核心资产ETF（A股北向资金、纳斯达克、大宗商品）进行轮动，哪个动量好就买哪个。
ETF池：A50ETF、纳指ETF、豆粕（能源化工、有色）ETF、银华日利ETF。
交易逻辑：计算各ETF的动量，轮动持有ETF中的强势品种，哪个动量最强，就全仓买哪一只ETF，没有强势品种时就持有银华日利。
参数设置：不择时，买入后最少持有1天，仅持有1只ETF，空仓时持有银华日利ETF。
回测时间：2021.12.08-2023.07.14（公开版）
总收益：106.76%
最大回撤：-10.64%
最长回撤天数：135天
夏普比率：2.61
回测时间：2021.12.08-2023.07.14（改良版）
总收益：145.99%
最大回撤：-9.17%
最长回撤天数：62天
夏普比率：3.73
这个策略因为A50基金的成立时间比较短，所以没办法进行长时间的回测，但该策略逻辑是没问题的，且22年收益相当不错，与策略1能很好地进行互补。
主要就是底层逻辑很硬，这几种核心资产，相关性不强，在不同经济周期里各有优势，而且经济周期持续时间都不短，用动量可以很好衡量出强弱。
可以看到逻辑其实非常简单，但就是能赚钱，而且是长期有效。
我会把公开版的策略持仓公开，每日更新，大家也可以用模拟盘跟一下看是否同步。
关注我，不迷路。
风险提示：本文仅代表个人的意见，所涉及标的不作推荐，据此买卖，风险自负。投资有风险，不建议实盘跟踪！
【趋势交易的内功】
1、是否能接受永远不是买在最低点，卖在最高点。
2、是否能忍受看着帐户上的浮动收益一点点减少。
3、是否能忍受连续多笔的小额亏损。
4、是否可以长期坚持执行策略信号，不错过任何一笔交易。
5、是否愿意长时间持仓不动或长时间空仓。
【散户投资之道】
= 指数基金 + 动量轮动 + 趋势跟踪
+ 量化交易 + 机械执行 + 适当分散
$纳指ETF(SH513100)$$豆粕ETF(SZ159985)$$创业板50ETF(SZ159949)$
本文作者可以追加内容哦 !
