Eiten - 面向所有人的算法投资策略

Eiten 是由 Tradytics 开发的开源工具包，实现了多种统计和算法投资策略，例如 特征组合、最小方差组合、最大夏普比率组合 以及基于 遗传算法 的组合。它允许您使用自己选择的股票构建能够跑赢市场的投资组合。Eiten 内置的严格测试框架使您可以对您的投资组合充满信心。

如果您希望深入探讨这些工具，并了解我们正在开发的更多工具，请随时加入我们的 Discord 社区，那里还有许多其他实用工具。

文件说明

路径	描述
eiten	主文件夹。
└  figures	本 GitHub 仓库中的图表。
└  stocks	存放您用于创建投资组合的股票列表的文件夹。
└  strategies	用 Python 实现的一系列投资策略。
backtester.py	回测模块，可对所有投资组合进行回测和前瞻测试。
data_loader.py	从 Yahoo Finance 加载数据的模块。
portfolio_manager.py	主程序文件，接受多个参数并为您生成多个投资组合。
simulator.py	模拟器，利用历史收益和蒙特卡洛方法模拟投资组合的未来价格。
strategy_manager.py	管理在 'strategies' 文件夹中实现的各种策略。

必需的软件包

您需要安装以下软件包来训练和测试模型：

• Scikit-learn
• Numpy
• Tqdm
• Yfinance
• Pandas
• Scipy

您可以使用以下命令一次性安装所有软件包。请注意，该脚本是使用 Python 3 编写的。

pip install -r requirements.txt

构建您的投资组合

让我们看看如何使用工具包中的各种策略来构建投资组合。首先，您需要修改 stocks 文件夹中的 stocks.txt 文件，添加您选择的股票。建议保持股票列表较小，即 5 到 50 只 股票即可。我们已经提供了一个包含 AAPL、MSFT、TSLA 等科技股的小型股票列表。现在让我们开始构建投资组合吧。以下是您需要运行的主要命令：

python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 1 --market_index QQQ --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

此命令将使用过去 5 年的日线数据（不包括最近 90 天），为您构建多个投资组合。然后，它会使用这 90 天的样本外数据对这些组合进行测试，并显示每个组合的表现。最后，它还会将表现与您选择的市场指数（此处为 QQQ）进行比较。下面我们详细介绍一下各个参数：

• is_test: 该值决定程序是否会保留一部分数据用于未来的测试。当启用时，future_bars 的值应大于 5。
• future_bars: 这些是工具在构建投资组合时排除的数据条数，并将在这些排除的数据上对投资组合进行前瞻测试。这也被称为样本外数据。
• data_granularity_minutes: 您希望使用多细粒度的数据来构建投资组合。对于长期投资组合，应使用日线数据；而对于短期投资，则可以使用小时或分钟级别的数据。可能的取值有 3600、60、30、15、5、1。其中 3600 表示日线数据。
• history_to_use: 是否使用特定数量的历史数据条数，还是使用从 Yahoo Finance 获取的所有数据。对于分钟级别数据，我们最多只能获取一个月的历史数据；而对于日线数据，则可以获取长达 5 年的历史数据。如果您希望使用所有可用数据，应设置为 all；如果只想使用较短的历史数据，可以设置为一个整数值，例如 100，这样只会使用最近 100 根柱线来构建投资组合。
• apply_noise_filtering: 此功能使用 随机矩阵理论 来过滤掉协方差矩阵中的随机噪声，从而获得更优的投资组合。值为 1 时表示启用，值为 0 时表示禁用。
• market_index: 您希望使用哪个指数来比较您的投资组合。通常应选择 SPY，但由于我们分析的是科技股，因此选择了 QQQ。
• only_long: 是否仅使用做多的投资组合，还是同时允许做空交易。研究表明，采用算法技术时，仅做多的投资组合往往表现更好。
• eigen_portfolio_number: 使用第几个特征组合。1 到 5 之间的任何值均可。第一个特征组合（1）代表市场组合，其表现应与标的指数（如 SPY 或 QQQ）相似。第二个特征组合与市场正交且不相关，风险和收益都较高。后续的特征组合风险和收益逐渐降低。更多信息请参阅 特征组合。
• stocks_file_path: 包含您用于构建投资组合的股票列表的文件路径。

投资组合构建示例

以下是一些构建不同类型投资组合的示例：

• 同时构建 多头和空头 投资组合，分析过去 90 天 的数据，并将 最后 30 天 作为测试数据。这样我们将有 60 天的组合构建数据和 30 天的测试数据。

python portfolio_manager.py --is_test 1 --future_bars 30 --data_granularity_minutes 3600 --history_to_use 90 --apply_noise_filtering 1 --market_index QQQ --only_long 0 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

• 仅构建 多头投资组合，使用过去 30 天 的 60 分钟线 数据。不进行未来测试。将结果与 SPY 指数而非 QQQ 比较。

python portfolio_manager.py --is_test 0 --future_bars 0 --data_granularity_minutes 60 --history_to_use all --apply_noise_filtering 1 --market_index SPY --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

• 不对协方差矩阵应用噪声过滤。使用 第一个特征组合（市场组合），并与 SQQQ 指数比较。

python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 0 --market_index SQQQ --only_long 1 --eigen_portfolio_number 1 --stocks_file_path stocks/stocks.txt

投资组合策略

该工具包目前支持四种不同的投资组合策略。

1. 特征投资组合
   1. 这些投资组合与市场整体正交且不相关，因此能够带来较高的收益和阿尔法。然而，由于它们与市场不相关，也可能带来较大的风险。第一个特征投资组合被视为市场组合，通常会被忽略。第二个特征投资组合与其他投资组合不相关，提供了最高的风险和收益。随着编号的降低，风险和收益都会相应减少。
2. 最小方差投资组合（MVP）
   1. MVP旨在最小化投资组合的方差。这些投资组合的风险和收益都是最低的。
3. 最大夏普比率投资组合（MSR）
   1. MSR通过求解一个优化问题来最大化投资组合的夏普比率。在优化过程中会使用历史收益率，这意味着如果未来收益率与过去不同，结果可能会有所偏差。
4. 基于遗传算法（GA）的投资组合
   1. 这是我们自己实现的一种基于遗传算法的投资组合策略，同样旨在最大化夏普比率，但方式更为稳健。通常情况下，这种策略能够提供比其他策略更稳健的投资组合。

当你运行上述命令时，我们的工具将根据所有这些策略生成投资组合，并将其呈现给你。接下来我们来看一些生成的投资组合。

生成的投资组合

为了演示这些结果，我们将使用 stocks/stocks.txt 文件中的9只股票。当我们运行上述命令时，首先会得到四种策略下的投资组合权重。出于测试目的，上述命令使用了截至4月29日的过去五年的日度数据。而今年剩余的数据则用于前瞻性测试，即在构建投资组合时，这些策略无法访问这部分数据。

如果我的投资组合需要不同的股票怎么办？：你只需更改 stocks.txt 文件中的股票列表，然后再次运行工具即可。以下是用于获取投资组合的最终命令：

python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 1 --market_index QQQ --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

投资组合权重

我们可以看到，特征投资组合对TSLA赋予了较大权重，而其他投资组合则较为均匀地分配了权重。这里一个有趣的现象是，所有策略都自动学会了利用SQQQ进行对冲。每个策略都为SQQQ分配了一定的正权重，同时也为其他股票分配了正权重，这表明这些策略正在自动尝试对投资组合进行风险对冲。显然，这并不完美，但仅仅是这一现象的发生就令人着迷。接下来让我们看看在2020年4月29日之前的五年内的回测结果。

回测结果

回测结果看起来相当令人鼓舞。黑色虚线代表市场指数，即QQQ。其他线条则代表不同的策略。我们自定义的遗传算法实现似乎表现最好，因为它是在其他策略基础上进一步优化的版本。而对TSLA权重最大的特征投资组合虽然波动性最高，但其收益也非常可观。最后，正如预期，MVP具有最小的方差，因此最终的收益也最低。不过，由于方差极低，它对于那些希望保持安全的人来说是一个不错的选择。接下来最有趣的部分来了，让我们来看看这些投资组合的前瞻性或未来测试结果。

前瞻性测试结果

这些结果来自2020年4月29日至9月4日。特征投资组合的表现最佳，但也伴随着较大的波动。此外，大部分收益都归功于TSLA在过去几个月中的大幅上涨。随后，我们的GA算法表现相当出色，成功跑赢了市场指数。再次印证了预期，MVP的风险和收益都是最低的，在4到5个月的时间里缓慢上升。这充分展示了这些算法化投资组合优化策略的有效性和强大之处——我们为不同风险和收益偏好开发了多种投资组合。

结论与讨论

我们很高兴能与交易社区分享这个工具包，并希望更多人喜欢并参与其中。如同交易中的所有事物一样，这些策略并非完美，但它们基于严谨的理论和一些出色的实证结果。请在使用这些策略进行交易时务必谨慎，并始终做好风险管理。上述结果并非刻意挑选，而是因为近几个月市场持续走牛，才带来了如此强劲的表现。我们非常期待社区尝试不同的策略，并与我们分享他们的经验。

特别致谢

特别感谢Scott Rome的博客。特征投资组合和最小方差投资组合的概念均源自他的博文。用于过滤协方差矩阵特征值的代码也主要来源于他的其中一篇帖子。

许可证

由Tradytics出品

版权所有 © 2020–至今，Tradytics.com

Eiten 快速上手指南

Eiten 是一个开源的算法投资策略工具包，由 Tradytics 开发。它实现了多种统计和算法投资策略（如特征投资组合、最小方差组合、最大夏普比率组合及遗传算法组合），帮助用户构建能够跑赢市场的自定义股票投资组合，并提供严谨的回测与向前测试框架。

环境准备

系统要求

• Python 版本：Python 3.x
• 操作系统：Linux / macOS / Windows (需配置 Python 环境)

前置依赖

本项目依赖以下 Python 库：

• Scikit-learn
• Numpy
• Tqdm
• Yfinance (用于从 Yahoo Finance 加载数据)
• Pandas
• Scipy

国内加速建议：由于 yfinance 需要访问 Yahoo Finance，国内网络环境下可能不稳定。建议在运行前配置好网络代理，或确保网络通畅。安装依赖时推荐使用国内镜像源以加快下载速度。

安装步骤

1. 克隆项目代码

   git clone <repository_url>
   cd eiten
   

   (注：请将 <repository_url> 替换为实际的 GitHub 仓库地址)

2. 安装依赖包 推荐使用国内镜像源（如清华源）进行安装：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   或者手动安装核心依赖：

   pip install scikit-learn numpy tqdm yfinance pandas scipy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

1. 配置股票列表

在运行策略前，需修改 stocks/stocks.txt 文件，填入你想要构建组合的股票代码（美股代号）。

• 建议数量：5 到 50 只股票。
• 示例内容 (stocks/stocks.txt)：

  AAPL
  MSFT
  TSLA
  NVDA
  GOOGL
  

2. 运行投资组合构建

执行以下命令生成投资组合并进行回测与向前测试。该命令将使用过去 5 年的日线数据构建组合，并预留最后 90 天数据进行验证，对比基准为 QQQ。

python portfolio_manager.py --is_test 1 --future_bars 90 --data_granularity_minutes 3600 --history_to_use all --apply_noise_filtering 1 --market_index QQQ --only_long 1 --eigen_portfolio_number 3 --stocks_file_path stocks/stocks.txt

参数简要说明

• --is_test 1: 启用测试模式，预留部分数据用于向前测试。
• --future_bars 90: 预留最后 90 个时间单位（此处为天）作为测试集。
• --data_granularity_minutes 3600: 数据粒度，3600 代表日线数据（也可设为 60, 30 等表示小时或分钟线）。
• --history_to_use all: 使用所有可用的历史数据。
• --apply_noise_filtering 1: 启用随机矩阵理论去噪，优化协方差矩阵。
• --market_index QQQ: 用于对比的市场指数（科技股常用 QQQ，大盘股可用 SPY）。
• --only_long 1: 仅做多策略（设为 0 可允许做空）。
• --eigen_portfolio_number 3: 选择第 3 个特征投资组合（1 代表市场组合，2 风险收益最高，后续递减）。
• --stocks_file_path: 指定股票列表文件路径。

运行完成后，终端将输出不同策略（Eigen, MVP, MSR, GA）的权重分配、回测结果及向前测试结果图表数据。