说明
感觉停滞了一段时间，本来qtv200应该在去年12月就迭代好了。回顾了一下原因：
- 1 工作的约束。因为量化现在是打辅助的角色(现在的工作还是比较香的)，去年上了项目，几乎与世隔绝的那种，打断了整体的节奏。
- 2 信心的影响。目前的量化效果并没有达到显著的程度，特别是因为之前的策略和标的都比较单一，且没有分叉，所以没有收集到足够多的反馈。
- 3 计算环境的变化与演进。算力主机的租用、算网重要组件的更新，这些变化客观上说是非常大的，足以支持新一轮的创新。关于创新的定义，我记得马斯克有过一段话，原文不记得了，大致是这么说的：并不是完全创造一种全新的方法才是创新，即使是同样事，当客观条件发生变化时（如新工具），那么即使重新用该方法去做，也是一种创新。
从总体上，我对于qtv的想象是没有太大变化的，如果模糊的形容，qtv应该是运行在一个强化学习框架之下，会根据实际情况自动调整策略；qtv的模型是在是一个非常大的空间内，不断进行自动建模和优化的，类似遗传算法那；qtv的手工模式提供非常友好的前端、通知等交互方式；qtv会有一个规则引擎，执行自动交易；qtv可以接受无限扩展算力，高速的执行海量运算，其中有一种应该是采用显卡进行大规模LR并行建模；qtv会采用贝叶斯体系的算法；...
这些模糊的期待是完全可能且正在实现的，因此在准备前提条件和开始正式的版本迭代会有一个取舍。不能沉迷于幻想与技术，要时刻牢记并且思考正在做的事与目标的关联性，这是写本篇文章的第一动机。
内容
1 业务回顾
了解实际的表现
在过去的一年里，虽然没有持续扩大规范，但是策略一直在默默的执行。从行情上看，最近的一年应该是蛮负面的，以后可以把这段时间列为一个单独的测试空间。
好消息是，第一版（只有一个策略）并没有亏一毛钱。
第一个策略focus在510300、510500、512000、512010这四个ETF上，总体上盈利约10%，由于自动的交易都采取了较悲观的参数，所以实操结果会比这个更高一些。
总体上有115个订单，平均一个月有10个订单，所以从数量上还是可以的。手工上，我follow了一些订单
其中，NS开头的是我自己拍脑袋的操作，盈利率不高，且还有一堆被套的单子。 ⇒ 拍脑袋策略不可取，严格遵守策略一定是更好的。
从最近的实操上看，每个月也就5~6个订单的样子(有一些还在ope的状态)。一般来说，策略订单基本上不会超过10天的持有，有一些超长的是因为短信系统不靠谱：早就获利了解了，但是短信没通知到。 ⇒ 短信系统不可靠，还是用邮件+app通知靠谱
订单的平均盈利率在1个点左右，周转率按10天算的话，一年(250交易日)可以周转25次。订单的日均收益率大约是无风险(5%)的3~4倍的样子，大体上差不多。
有一些策略因为是基于同质模型的信号，所以有些订单会有不合理的聚拢情况。
仅从支持度上看，如果把订单规模扩大10倍应该就差不多了，每个月有50~60个订单。
每个订单假设5000元，平均盈利1%就是50元,总盈利为￥2500。50个订单每个月交易额为25万，按10天周转率，合理分配的话只要8万左右的资金(最大）。月利润率约为3.12%。
另外，可以看到这四个标的也有很大的不同。510300和512010是亏损的，但是其交易次数明显少，这块我不知道是否也是模型的自限性：因为没有足够多的买信号产生，虽然模型犯错了，但是犯错的总额还是较少的。510500的盈亏比已经不错了，1.76，比较接近2。512000烦的错也不少，但还是明显盈利的。
结论
优点：
- 1 稳赢。看起来，要确保胜利还是可以的。
- 2 盈利率足够高。单月3%的平均盈利率是可以期待的，这意味着复利模式（即利润再投入）下24个月，可达到本金翻倍。
不足：
- 1 支持度不够。目前的订单量太少了，还不足以作出具有统计可靠性的论断。
- 2 盈亏比不够高。盈亏比是容错性能的保障，这可能是唯一需要特别关注的指标。特别是对于510300、512010这种，在任何情况下，是否还能保持盈亏比大于1？
2 技术性回顾
在过去的一年里，权重指数出现大幅回撤，这种情况以后也还会出现。在历史上，还曾经有过更大的回撤情况。所以从业务上，必然有一种考虑：如何确保量化可以应对足够极端的情况?
我认为，首先应该按时间分散风险；其次应该确保在不同的情况下，交易系统都能够正常运行（对冲）。
我想，按照一个长周期，例如1年来分散所有的投资，应该会很安全。但是这样资金的利用率就太低了，所以可以想象，应该是有一个较为协调的中值，且可以随风险偏好改变。风险偏好可能是更宏观的需求和模型。
另外，我们假定模型主要在稳态区间运行，而不是在变迁态。如果从统计上描述，如何属于稳态应该是有一些方法的，不展开。但是变迁始终会发生，怎么应对呢？
假设，我们的资金是100，我觉得可以分为两份。一份50将在稳态时运行，这些资金投资的策略更追逐短期利益。一旦判断行情退出稳态，那么这些资金将限制不做投资。另一份则作为长期投资，用于平衡变迁态无法交易带来的交易机会损失。这些资金投资的策略追求长期利益，基本上是以半年或者年为投资单位。在低位时持仓，高位减仓，但是其交易频率非常低。
长期投资还有一个重要用途：提供T+0的支持。特别地，在低位时仓位变大，T+0的Capacity也自动增大，反之，在高位自动钳制T+0的行为。
另外，长期投资还有吸收损失的特性。一些策略可能会产生"滞留"的订单，这些可以按照一定特性纳入长期投资，从而吸收伤害。
结论：
- 1 判断稳态和非稳态
- 2 长短期策略组合
2.1 特征回顾
最初只使用了价格趋势，而并不使用交易动量；后来的大部分模型使用了动量。
从构成交易的基础(回归理论)来说，只使用价格趋势是合理的，因为标的本身已经具备了统计稳定性。动量当然可以考虑，本着赛马不相马的原则，未来这些都会存在。
比较好的是使用了VV，这使得开发和复现都是参数化，容易复现。
比较差的是，这些处理都没有持久化，更像是一个个火花，一闪而逝。
结论：
- 1 VV服务化
- 2 特征持久化
2.2 基本模型信号回顾：双刃剑模型、风险模型。
最初没有意识到双刃剑模型的特性，只是单调的关注涨的成功率。有很多时候大涨的信号也同时意味着大跌，所以这种模型，对赌的成分太高了。
所以，我们真正的目标是盈亏比，而不是"有变化"。那么，怎么找出那些特征呢？怎么保证大多数时候吃到好的，很少的情况才吃瘪？我觉得，我是不知道这个方法的。但是，当我们把情况进行泛化、抽象化，我们可以发现这种情况是存在的，一定存在一组或者若干组特征，可以实现上面的情况。但是如何找出来可能不一定采取解析化方法。可以想象，我通过遗传算法来让计算机进行大量的尝试，找到那一组解。在这个过程当中，一定会找到一定范围内的若干组参数，甚至从分布的角度，会存在若干个中心点。这也是我认为单量是可以很容易的扩容的，而且是属于比较科学的方式。双刃剑模型可能在演变之后成为大砍刀模型：一边的刃很锋利，这是获利面；而另一边的刃很宽，这是亏损面。大砍刀模型就是属于那种可以拿着乱砍的，因为相对于获利，损失几乎可以不计。
除了双刃剑模型，还有风险模型。这种建模方式可能会更加简单，因为风险模型的核心就是不犯错。假设，我们面对亏损的概率很低，那么我们可以放心买入，然后利用回归中的波动性迅速卖出获利。可以认为，风险模型本身就认定现在处于稳态，价格将围绕中枢上下波动。所以，如果配合底仓，这类模型甚至可以演变T+0交易。一天之内，只要波动超过0.5%就可能获利，一天内反复波动则可以反复套利。
结论：
- 1 将双刃剑演变为大砍刀
- 2 采用遗传算法+MLR
- 3 风险模型的T+0方法
3 交易操作回顾
消息本身的滞后和丢失比较强。在获取信息被后的信息时非常困惑，然后要采取进一步验证时也不知道数据在哪。在录入数据时还是太麻烦了，我希望更简单一些。
结论：
- 1 短信只作为可有可无的补充，采用邮件APP push，或者以后用机器人push(webhook)
- 2 订单既有表格形式的汇总态，用于统计；也要有类似对象的明细态，用于交易时提供足够信息。
- 3 有dashboard，方便统计，形成足够商业化的投资报告。
4 Next
- 1 资金上，将会划分成若干部分作为初始态，之后会使用强化学习框架自动分配(削弱或者增强）。
- 2 基础结构上，将采用DataFlow，自动流转所有的数据。各功能部分将只注重逻辑。半固定化的结构将会简化维护过程，且又可以无限扩展。
- 3 时间轴。所有单元，在执行时只要考虑自身的运行，遵守同样的运行逻辑（TimeTraveller)。这是一个非常重要且核心的运行机制，将会形成对象来进行约束和调度。或者说，每个功能都是一个TT实例。
- 4 数据点的分类存储。Mongo、ClickHouse和Milvus将是三种主要的数据点。Mongo会存储各种原始数据或者弹性数据，一般居于底层。ClickHouse将会存储结构化数据，如决策数据、市场价格数据等。Milvus则存储大量的特征数据，如VV之后的特征向量。
- 5 模型的再次迭代。