粉丝服务

小试牛刀:让chatGPT写一个量化策略

之前聊过一个在微信群跟chatGPT互动的活动:分享个好玩的活动。

除了娱乐消遣逗逗AI,我在日常工作和投资中也逐渐使用chatGPT替代搜索引擎了,比如查询概念,生成算法等等,效率杠杠的。

为了考验GPT4的进化程度,我想尝试让它搞定一个完整的量化策略:先从最简单的大小盘股债ETF动量轮动开始吧。这个策略的逻辑是这样的:

从上证50、创业板指、10年国债这3个指数的ETF中,每天选出近1个月(22个交易日)涨幅最大的那只,如果已经持有该基金则继续持仓,如果未持有,则清仓持有的基金全仓买入该基金,如果这3只基金近1个月都下跌就清仓。

之前我在聚宽上实现了这个策略:https://www.joinquant.com/view/community/detail/ae9678b0e2153acb907ef5b0e60f71b0,2018-2022这5年的回测结果如下:

5年总收益152.98%,年化收益率21.04%,最大回撤-17.25%,而对标的基准沪深300指数这5年还下跌了3.95%,策略远远跑赢基准。

这是个典型的追涨杀跌策略,但看起来回测结果还不错,有什么底层逻辑支撑呢?

拍脑袋想的原因大概是:在大A历史上,大盘股和小盘股的走势往往不同步,比如2015年是创业板牛市,接着是白马股的天下,再后来以赛道、资源股为代表中小盘又开始活跃……既然存在如此规律,可以阶段性地考察大小盘指数谁更厉害(量化领域叫“动量因子”),以此作为买入决策。
再叠加股债跷跷板效应,股跌则债涨(股债双杀的情况相对少见),熊市时如果切换到国债ETF就可以规避股市风险。因此轮动这三个ETF(上证50也可以替换为沪深300,创业板指也可以替换为中证1000或国证2000),基本可以覆盖大部分行情。
好了聊完背景,接下来交给chatGPT发挥了:

注释和代码一应俱全,非常贴心了属于是。唯一不足是没有给出数据源,好在我本来存有一份基金历史数据,引入数据运行后,果然可以看到每日持仓的结果了:

这一关AI表现不错,不过策略本身逻辑比较简单,接着还需要验证策略的历史表现,下一关提高挑战难度——让AI生成回测程序,要求回测出策略的区间收益率、年化收益率、最大回撤,并可以自定义滑点大小:

几秒钟后,AI就给出了这段洋洋洒洒的程序,把我要求的几个指标都实现了,而且没有直接用quantstats这样的工具库……这能力和速度,真可谓一眼惊艳了。
在仔细查看程序后,还是发现细节上存在一点瑕疵,例如没有考虑实际调仓时间等问题,不过整体完成度已经超过90%了。
我接着prompt引导AI优化上面的问题,又手动魔改了一下原版,加入以开盘价调仓的逻辑,跑了一遍2022年的回测:

对比一下聚宽上的同时段回测:


净值曲线几乎一模一样,只是由于交易结算价格不同等细节原因,收益率结果有一定偏差。

不得不感叹,chatGPT真是超乎想象地能干啊。

以后阿牛数据 背后的维护可能都交给AI来完成了,套用《甲方乙方》的台词:既然人工智能来了,就让咱家的阿牛歇了吧!


最后我把魔改后的程序和3只基金数据(2010.1-2023.3)一起打包分享啦,感兴趣的朋友在公众号对话框(不是文章留言)里回复:股债轮动,可以获取下载链接。


继续欢迎大伙使用阿牛数据,加入微信群一起聊聊低风险投资那些事。

请用您发财的小手点个赞和“在看”

↓↓↓↓↓ 

本栏目精选

热门推荐

频道导航