@laaaaaa 网格吃震荡我不觉得是什么好策略，因为震荡行情赚钱效果不如趋势行情，当一个策略在震荡里赚钱时就可能错过了大趋势，所以震荡只能作为一种辅助工具来使用。

@bmpidev2019 上面图一和图二反了，实际图一是 https://img.bmpi.dev/4e22192b-fbed-7e6a-ac3d-2540f725d2e8.png 图二是 https://img.bmpi.dev/03166bc5-9207-3b68-9ef8-a6d8a18730cd.png
图三是最终用优化后双均线的表现。

在这里想说的是周期对策略会有大的影响，盈亏同源，所以难点在于平衡取舍，尽可能选择分散的标的来规避过拟合以及让策略的容错能更高一些，这样就能横跨多种周期了。

@Livid TQQQ 的策略就是我一直提到的吊灯止损均线策略，这个策略在美股和加密币表现都不错，但是 A 股不行，A 股反而双均线策略非常好😂

我还对 A 股二号，其实类似与美股 2 号（ TQQQ ），都是单个标的全仓交易，都能规避大跌。但是针对 A 股的创业板组合，我还做过进一步的研究分析，这里可以分享下，以及设计策略的取舍经验：

---

尝试优化下 A 股 2 号，一开始我尝试用三重均线的策略来测试，如图 1 所示，看起来三重均线要比双均线好很多，完全规避了近几年的大跌，但当把组合模拟时间从 2018 年回退到 2013 年开始，这十年创业版刚好经历两个大的周期。三重均线的适应性出现了很大的问题，如图二所示，甚至都不如直接持有创业板指数，而且资金利用率很低，大部分都是空仓状态。而双均线的适应性如图三所示，比单独持有创业板要好很多，我尝试优化双均线的参数，得到了一个比 11/22 日更好的效果，目前这个参数是 12/24 ，所以我会把组合二的策略参数调整成这一组。但需要注意的是，就算双均线策略，在 2013 年到 2018 年表现的甚至不如直接持有创业板的收益好（进一步分析是因为在 2013 年组合是有一段时间空仓导致没能赶上创业板大爆发的阶段，这是因为数据不够导致的，如果数据能到 2010 年，那说不定能看到更好的表现，所以目前看到策略在 2013 年到 2018 年表现差可能是回测数据不够导致的），这说明很难找到一个在横跨十年时间都能完美处理止损的策略参数，我们能做的还是选择一些基础不错的主流指数，适当分散投资，这样能让组合的整体持仓表现更稳定一些，也能让长期投资跟更容易坚持下来。




@Livid 现在策引的多策略回测框架支持日线级别的股票、ETF （ A 股和美股都可以）与加密币的历史回测表现分析。刚才我做那个分析就是几分钟写策略（代码让 chatgpt 来写），然后配置一个组合，执行后就能产生那个走势图以及一个包含全部交易信号的 sqlite 数据库及组合表现（净值、benchmark 指数对比、交易记录、资金记录、持仓记录）的 sqlite 数据库，然后还能产生全部的回测日志供分析。

目前策引的组合都是我写策略然后发布的，还没有对会员开放自定义策略的功能，但是今年年底左右估计能开放给所有用户。如果会员有好的策略，我也可以帮忙创建相关的组合出来，包括策略的编写之类。

日内的数据理论上应该也行，因为底层回测引擎是 backtrader ，但是估计要做一些改动，目前还没有直接对日内数据做支持。

@Livid 我也很好奇，但我手头的 API 的日内数据，如果是 15 分钟级别只能提供最近两天的，日线可以提供到 2021 年前的，所以现在需要找到一个能有 BTC 日内历史数据的 API 接口才能回测。

@Livid 用上帝视角交易不要更简单😂但是真正的交易总是雾里看花，历史回测好歹能拨开点迷雾。有时间我用经验假设的策略最终回测效果都一般，真正效果好的反而是很简单的策略，太复杂的没有容错性，太简单的又很容易失效。

上面这个策略的代码如下：

```python
import pandas as pd
from trade_strategies import BaseTradeStrategy, TradeSignalState

class RsiStrategy(BaseTradeStrategy):
"""Relative Strength Index (RSI) Trading Strategy"""

# 默认参数
params = {
'rsi_period': 14,
'rsi_overbought': 70,
'rsi_oversold': 30,
}

def __init__(self, params=None):
super().__init__()
if params:
self.params.update(params)

def set_data(self, symbol, data):
self.symbol = symbol
self.data = data
self.calculate_indicators()

def calculate_indicators(self):
delta = self.data['Close'].diff()
gain = (delta.where(delta > 0, 0)).rolling(window=self.params['rsi_period'], min_periods=1).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=self.params['rsi_period'], min_periods=1).mean()

rs = gain / loss
self.data['rsi'] = 100 - (100 / (1 + rs))

def is_buy_signal(self, rsi):
return rsi < self.params['rsi_oversold']

def is_sell_signal(self, rsi):
return rsi > self.params['rsi_overbought']

def generate_signals(self):
signals = [TradeSignalState.EMPTY.value for _ in range(len(self.data))]

for i in range(1, len(self.data)):
if self.is_buy_signal(self.data['rsi'].iloc[i]):
signals[i] = TradeSignalState.BUY.value
elif self.is_sell_signal(self.data['rsi'].iloc[i]):
signals[i] = TradeSignalState.SELL.value
else:
signals[i] = TradeSignalState.EMPTY.value

signal_df = pd.DataFrame({
'symbol': self.symbol,
'open': self.data['Open'],
'high': self.data['High'],
'low': self.data['Low'],
'close': self.data['Close'],
'volume': self.data['Volume'],
'rsi': self.data['rsi'],
'signal': signals
})

return signal_df

```

@Livid 感谢推荐。我刚实现了 RSI 日线级别的 BTC 策略（名字为加密币 3 号），回测效果一般。这个策略是当 RSI 的 14 日低于 30 时全仓买入，高于 70 时全仓卖出，它的表现效果如下：

```
{
"code": "myinvestpilot_cc_3",
"name": "加密币 3 号",
"currency": "USD",
"final_value": 108941.84725,
"net_value": 1.089418472500001,
"fund_value": 108.94184725000001,
"cagr": 3.059500151662209,
"sharpe_ratio": 0.1599847960509232,
"current_drawdown": -17.538621850579343,
"max_drawdown": -0.5061860724539857,
"max_drawdown_duration_days": 205,
"total_trades": 12,
"profit_trades": 8,
"loss_trades": 4,
"running_days": 1038,
"inception_date": "2021-06-08T00:00:00"
}
```


这个表现不如我在[策引加密币 2 号]( https://www.myinvestpilot.com/portfolios/myinvestpilot_cc_2 )中的吊灯止损均线策略的效果好。

但日内数据到底怎么样，在二倍做多的 ETF 上效果如何就不知道了，但是可以作为一个参考。

@Livid BITX 的问题是交易数据只能到去年，太短了，不过如果有历史日内数据，日内级别应该也够用了，但是搞不到历史的日内数据

@Livid 我在券商里看到 BITX 还是正常的交易时间才能交易，虽然可以盘前盘后，但始终不是 24 小时交易的。另外就是日内数据的获取我手头的付费 API 虽然能拿到日内数据，但是没法拿到历史日内数据，这种策略难以回测，除非能拿到很时间的日内数据，然后通过回测框架测试才能评估这个策略的有效性。

另外一种方式就是通过 BTC 日线级别的数据来回测，我准备用你这个策略来回测下 BTC 的标的，因为产生交易信号的标的如果不是交易标的的话，回测框架也不支持，或者需要做单独的处理。如果这个策略在 BTC 下的表现不错，那在二倍做多的 BITX 上应该也是有效的。

@Livid 需要回测下这个策略，但存在的问题是：

- 使用 BTC 得日内交易数据产生交易信号，但是买入时却是 ETF ，可能在同一天产生多个交易信号，这时候怎么处理？
- 只有买入没有卖出？

如果能对这两个问题做个假设，也就是在执行 ETF 买入时，聚合多个交易信号，只交易一次，以定投的形式进行，这样可以多次交易。

另外一个问题是测试此策略的基准是什么？是买入 BTC 持有不动呢还是买入 BITX 持有不动呢？至少策略的最终表现要比持有不动的效果好才行，也需要与主流指数做对比。

@JohnChang 最近会写一些的

@FsTurbo 因为没时间写😂

@AllenTsui 投资方面的，比如量化回测，投资的经验啥的，因为策略可能和经验假设相关，然后就是系统架构设计之类的，不过这个系统代码大多是 ChatGPT 4 写的，所以技术方面可以不做要求。

@maolon 我几个月在一个会话测试下来，感觉不影响，一个会话完全是可以的。
@cheneydog plus 会员一个月固定 20 刀。
@blankmiss 用 tailswind 写样式效果还不错。
@clifftts 就算是人来写代码都很难保证正确性，你需要给它合适的反馈才行。
@youthfire 4 的 api 根本用不起。

@prenwang coding 工作的重要性不断降低直到绝大部分的 coding 都是被生成的，当然不止 coding ，任何内容创作类的都可以被生成，人类最终从创作为主变成消费为主，消费 AI 创作的内容，这是不可避免的。既然大方向如此，作为从业者，越早接受这个事实越好。

@LeeReamond 用过 gpt 的话你不会有这种结论。

@daoqiongsi1101 对比了下，copilot 效果就是差，不如 gpt4 ，也没有 vision 功能

@LeeReamond 上千行代码有没有可能是写了几千行然后重构又删了几千行，最终保留下上千行的规模？这个规模对个人产品来说并不小。架构设计是因为一开始我设计了一个架构图上传给 chatgpt vison 来告诉它上下文，然后基于初始的架构开始设计系统，之后经过一系列的分析改进，这个架构和之前的已经完全不同，因为我并没有把初始草稿展示出来。所以架构设计在这里 chatgpt 是全程参与并改进的。
业务的复杂度无法在这里简单展示出来。整个系统涉及到了十几个服务，目前这个上千行代码的规模只是其中一个较复杂的服务之一。整体的架构图我也没有在这里展示。具体的产品功能可以看这两个网站自行理解吧：

- https://www.myinvestpilot.com/portfolios
- https://www.chat2invest.com/

最后再次说明，这些产品代码 90%（粗估）都是用 chatgpt 写出来的，我个人只是负责提供设计、验证与测试它的代码。