年化320%，夏普4.43，演示一步步如何做到，附python代码

原创内容第945篇，专注量化投资，AGI和智能体落地、个人成长与财富自由。

昨天在星球收集了一些同学的反馈。

一部分同学不会编程，只需要策略，在精不在多，可以直接跟踪信号那种。有点像之前智能投顾的逻辑。

智能投顾与量化投资本身就有很大的重叠。投顾更强调依照个人的风险，收益偏好，来定制相应的投资组合。比如风险等级1-10。然后进行大类资产的配置，定期调仓。——这一部分由于频率要求不高，我可能会使用场外基金来也许更加合适。智能投顾本身是FOF(fund of fund)的逻辑。

智能投顾讲求低风险中等回报。

适合人群：编程小白，没太多时间/不想花太多精力理财，但有理财需求的中产白领。核心诉求就是投资组合，可按信号跟投。

智能投顾的第一性原理是分散，低相关性，长期回报的正现金流。风险平价，全天候，因此，这个策略思路是可以做出“绝对收益型”组合的。还可以加上部分的动量，估值的调优。做出一个“绝对型”的策略集合。

量化投资相对策略更广一些。动量趋势，均值回归，CTA，套利，对冲，多因子等等。适合人群：有编程基础，或者有丰富的主观交易经验，想转型做量化。有量化基础，想学习AI+量化的同学。

AI量化投资的思路是“授人以渔”。从数据获取，回测框架使用，因子与策略构建，实盘等。

今天的代码就从akshare获取并处理金融数据开始，下面是akshare加载标普500ETF数据，并绘图，尽量不封装，便于教学。

场外基金：

量化第一步，就是把金融时间序列先拿到，可以保存到csv里备用。

我们的策略构建就是基于这些时间序列的。

教学版本的代码以notebook系列方式呈现：

最终就是一步步带大家做出如下策略：

代码和数据下载：AI量化实验室——2025量化投资的星辰大海

AI量化实验室星球，已经运行三年多，1700+会员。

aitrader代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，支持vnpy，qlib，backtrader和bt引擎，内置多个年化30%+的策略，每周五迭代一次，代码和数据在星球全部开源。

点击 “查看原文”，直接访问策略集合。

扩展 • 历史文章