這是一個很有意思的課題。

之前我們分享的更多是“被動”投資邏輯，就是不預判市場，只考察投資標的的風險收益屬性，以及自己的風險偏好、預期收益。然后借大類資產配置，做好風險資產定投、止盈、再平衡等等。

塔勒布在《黑天鵝》里提及的“杠鈴策略”。

最優(yōu)的方案是，把大部分的資產配置在低風險或無風險區(qū)，確保安全，而少部分的資產可以嘗試高風險高收益，博取一個可能性。

被動投資策略，我們需要做的事情不多，關注一下市場大面估值，以及持倉標的是不是有基金經理變更，暴雷等風險項即可，調倉的頻率也不高。

我們可以有更多的精力可以投入到高風險、高收益的主動管理中。

業(yè)內公認有效的主動資產管理有兩類：一是價值投資；二是量化投資。

價值投資以巴菲特為代表，就是找到好公司，在適當的價格買入，長期持有。這個要求花大量的精力去研究公司、研究行業(yè)，持續(xù)跟蹤?？陀^講，散戶得到的信息都是N手之后的，也沒有上市公司調研的機會。普通人看看財報，聽聽分析師報告，這個信息對于投資而言用處有限。

普通人更適合的投資策略是量化投資。

量化投資有點近似被動投資。最傳統(tǒng)的技術分析策略，當某幾個條件滿足時就買入或者賣出，而不是人為判斷的“油少許，鹽少許”。

科學是可以證偽，而量化可以證偽，所以量化是科學。

我們常把不可描述之物稱之為藝術。藝術是存在的，投資也存在藝術的部分。這也是投資好玩的地方。

但圍棋的藝術性已經被冷酷的alpha go的科學性所拿下。

所以，藝術到科學，也可以指望科學的進步。

歸結起來一句話，我們要開始進入“主動投資”里的AI量化投資系統(tǒng)了。

第一步，需要打造一個可以支撐智能算法的研究的系統(tǒng)。

第二步，如何挖掘因子、構建策略。

第三步，風控。

第四步，實盤。

調研了一圈，微軟亞洲研究院的Qlib作為基礎平臺非常合適。

傳統(tǒng)的回測系統(tǒng)，像pyalgotrade, backtrader是為技術分析型量化投資而來，如果要同時計算3000支股票、300個因子，那么它的性能本身就無法支撐，而且代碼也不可維護。

另一個選擇就是類似quantopian這樣的線上化平臺，像bigquant也是人工智能賦能投資。線上平臺優(yōu)點是數據不用自己管，專注寫策略就好了，但如果你要擴展因子會比較麻煩，另外就是策略安全性了。

平衡下來，Qlib的思路與bigquant很類似，而且有微軟做支持，項目活躍性不錯，代碼寫得簡潔易懂（backtrader的代碼，使用了太多的元編程）。

所以有代碼都在github開源，歡迎大家star，fork，并歡迎任何意見或建議。

剛搭建好gui界面框架，后續(xù)要從數據準備，特征提取與數據標注，策略構建或模型訓練，回測與績效評估。

在此之上，更多的努力還在于對投資的理解，找到更多更好的數據來源，構建更好的因子或策略。

總之，主動投資管理，以量化為趨勢，量化以智能量化為進階選擇。

如昨天所說，智能化、金融投資都是長坡厚雪，值得踐行長期主義。