这是一个很有意思的课题。

之前我们分享的更多是“被动”投资逻辑，就是不预判市场，只考察投资标的的风险收益属性，以及自己的风险偏好、预期收益。然后借大类资产配置，做好风险资产定投、止盈、再平衡等等。

塔勒布在《黑天鹅》里提及的“杠铃策略”。

最优的方案是，把大部分的资产配置在低风险或无风险区，确保安全，而少部分的资产可以尝试高风险高收益，博取一个可能性。

被动投资策略，我们需要做的事情不多，关注一下市场大面估值，以及持仓标的是不是有基金经理变更，暴雷等风险项即可，调仓的频率也不高。

我们可以有更多的精力可以投入到高风险、高收益的主动管理中。

业内公认有效的主动资产管理有两类：一是价值投资；二是量化投资。

价值投资以巴菲特为代表，就是找到好公司，在适当的价格买入，长期持有。这个要求花大量的精力去研究公司、研究行业，持续跟踪。客观讲，散户得到的信息都是N手之后的，也没有上市公司调研的机会。普通人看看财报，听听分析师报告，这个信息对于投资而言用处有限。

普通人更适合的投资策略是量化投资。

量化投资有点近似被动投资。最传统的技术分析策略，当某几个条件满足时就买入或者卖出，而不是人为判断的“油少许，盐少许”。

科学是可以证伪，而量化可以证伪，所以量化是科学。

我们常把不可描述之物称之为艺术。艺术是存在的，投资也存在艺术的部分。这也是投资好玩的地方。

但围棋的艺术性已经被冷酷的alpha go的科学性所拿下。

所以，艺术到科学，也可以指望科学的进步。

归结起来一句话，我们要开始进入“主动投资”里的AI量化投资系统了。

第一步，需要打造一个可以支撑智能算法的研究的系统。

第二步，如何挖掘因子、构建策略。

第三步，风控。

第四步，实盘。

调研了一圈，微软亚洲研究院的Qlib作为基础平台非常合适。

传统的回测系统，像pyalgotrade, backtrader是为技术分析型量化投资而来，如果要同时计算3000支股票、300个因子，那么它的性能本身就无法支撑，而且代码也不可维护。

另一个选择就是类似quantopian这样的线上化平台，像bigquant也是人工智能赋能投资。线上平台优点是数据不用自己管，专注写策略就好了，但如果你要扩展因子会比较麻烦，另外就是策略安全性了。

平衡下来，Qlib的思路与bigquant很类似，而且有微软做支持，项目活跃性不错，代码写得简洁易懂（backtrader的代码，使用了太多的元编程）。

所以有代码都在github开源，欢迎大家star，fork，并欢迎任何意见或建议。

刚搭建好gui界面框架，后续要从数据准备，特征提取与数据标注，策略构建或模型训练，回测与绩效评估。

在此之上，更多的努力还在于对投资的理解，找到更多更好的数据来源，构建更好的因子或策略。

总之，主动投资管理，以量化为趋势，量化以智能量化为进阶选择。

如昨天所说，智能化、金融投资都是长坡厚雪，值得践行长期主义。