R的极客理想系列文章，涵盖了R的思想，使用，工具，创新等的一系列要点，以我个人的学习和体验去诠释R的强大。

R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。

要成为有理想的极客，我们不能停留在语法上，要掌握牢固的数学，概率，统计知识，同时还要有创新精神，把R语言发挥到各个领域。让我们一起动起来吧，开始R的极客理想。

关于作者：

• 张丹(Conan), 程序员Java,R,PHP,Javascript
• weibo：@Conan_Z
• blog: http://blog.fens.me
• email: bsspirit@gmail.com

转载请注明出处：
http://blog.fens.me/r-quant-start/

前言

做数据分析的朋友，一定知道R语言。R语言是一门统计语言，在数据分析领域优势是非常明显的。金融本身是玩数据行业，R的最大的优势就是数据分析，所以把R语言与金融结合，用R来做量化投资的策略，真的很配，不仅顺手而且方便，用了你就会知道。

本文以“用R语言开始量化投资”做为新书《R的极客理想-量化投资篇》的开篇，主要强调了R语言在量化投资领域有着广阔的应用场景，而且是重要的量化投资工具。

公开课：Hellobi Live | 5月23日如何用R语言开始量化投资

目录

1. 为什么用R语言？
2. 跨界结合的思维模式
3. R语言量化工具包
4. 量化策略实战应用
5. 有理想的极客

1. 为什么用R语言？

R语言是一门面向数据的编程语言，早期只是在统计领域，被统计学家所使用。

近年来随着大数据技术的发展，以及R语言自身生态的快速壮大，R语言已经不仅在统计领域，在各大行业领域中都能看到R语言的身影，包括了互联网，数据科学，人工智能，机器学习，生物医疗，游戏，电子商务，全球地理科学，数据可视化等等。

下图是R语言的任务列表，这些任务都是面向具体业务的。截图不全，请大家去R官方网站，查看完整的任务列表。

从R语言的任务列表，我们就能明显看出，R语言和其他编程语言的区别。R语言第三方包所提供的支持，都是对于各种行业的数据操作和算法的支持，而不仅仅纯IT系统开发功能的支持。

R语言不仅能把数据分析做好，而且能够让我们能够有更多地思考，通过数据连接到我们每个人的日常生活。比如，我们去超市购物，你购买的东西会记录在你的购物小票中，如果把这些购物小票都收集起来，通过Apriori关联规则的频繁项集算法，就可以分析出自己的购物习惯。

我们每天都会收到各种推销的骚扰电话，有时候是卖房的，有时候是银行贷款，有时候是股票推荐，有时候是代开发票，有的是猜猜我是谁，处处都体现了中国的国情。那么我们可以收集自己通话记录，通过电话号码、号码注册位置、通话时长来分析一下，哪些是有用通话，哪些是浪费时间的通话，从而计算出我们每一天会浪费多少时间，通过Bayes算法来把有效通话和无效通话进行二元分类，从而阻止骚扰电话的入侵。

如果我们不仅能够收集自己的通话记录，把亲戚朋友的或更多人的通话记录都收集起来，组建一个数据库。再把统计出来的骚扰电话统一标记，做成黑名单，然后把黑名单公开出来，就可以让更多的人面受骚扰电话的影响。

人们的衣食住行都会产生数据，产生数据的地方，就需要做数据分析。通过数据分析，提高生活的效率，为我们节约宝贵的个人时间。

在人类社会中，除了衣食住行的基本需求外，更多的是对钱的需求。我们每天都会跟钱打交道，会有消费的需求，月底会有工资收入，当收入大于消费，资金积累到一定阶段的时候，我们就会有投资的需求。中国人的投资一般就几种，买房，买黄金，买股票，买保险，买理财。投资时，大部分人是不理性的，心血来潮就买了，也不仔细观察行情，买完就被套住，像 “中国大妈抢购黄金”，“中国大妈是救市的主力军” 都一度被新闻媒体热炒。

在金融市场中最不缺的就是机会，不管投资什么，如果能在交易的时候能多思考一下，说不定结果就会不样。运用我们数据分析的知识，和对于金融市场规则的理解，通过R语言进行数据分析，抓住机会，让我们把辛辛苦苦赚到的钱保值和增值。

2. 跨界结合的思维模式

R语言与其他编程语言最大不同在于，R语言是面向数据的，这一点很重要，甚至影响了思维模式。

我写了10多年的JAVA程序，程序员思路在我的脑子里根深地固。我习惯用于面向对象思想来建模，把世界中的物体、行为、连接都用面向对象的方法来表达。我也习惯了IT项目，从架构设计到开发的自上而下的设计思路，或完全由需求驱动的敏捷开发，为业务随需而变的的开发路径。作为程序员，我有理想，我自认为技术能改变世界。这一切都是程序化思维在影响着我。如果你还不熟悉啥是面向对象，请参考《R的极客理想-高级开发篇》第四章面向对象编程。

后来，当我接触了R语言，通过另一扇门理解世界的时候，我发现世界是不一样的。在没有程序的世界里，你可以通过文字来表达你的做事的方法，你可以感性地认识世界，你也可以让数据来说出这个世界意义。你可以天天看新闻联播，了解国家大事；也可以看微博、朋友圈的爆料，及时了解身边的消息。这并不是程序员的思维，而大众化的社会。这个社会里，程序员只是小众。

改变世界的方法，除了技术还有别的，比如，政策、资本、市场、法律、人事等，从公司运作的层面看，似乎哪个都比技术更重要。也许程序员更不关心这些，但面对市场时，再牛技术也会被其他因素所制约。

我经历过创业，一个很深刻的教训就是，要让自己跳出原有的思维定式，通过多维的视角看世界、看自己。通过R语言，帮我打开了通过数据看世界的窗口。我的能力提升不再是，如何把程序把写得多得漂亮，在时间复杂度上用O(log(N))解决O(N^2)的问题，而变成了怎么收集数据，怎么提高数据质量，用于解决实际的业务问题。当然，作为程序员的职业强迫性，我也会要求自己熬夜一晚上把50行代码优化成40行。

问题被转化了，术业要有专攻，但作为一个有理想的极客，全面掌握跨领域的知识才是我们的目标。我创业时，经常被投资人问到，做量化投资的项目有多难？招几个金融背景的，再招几个IT背景的，捣鼓个项目，很快就做出来了。其实不然，不同背景的人是很难交流和沟通，尤其是金融和IT，一种是封闭不愿意分享，一种是开放毫无保留；一种是先把话说出来，一种是先把事情做起来；一种是所有人都要为我服务，一种是只专注于自己的兴趣。所以，如果没有能够跨界通吃的人，是做不好量化的项目的。

我们就要立志做个跨着学科的人，这才是最核心的点，是不可被替代的。从IT技术出发，你需要扎实的编程功底架构思想，科学的项目管理方法，严谨的产品设计逻辑；你还需要统计、数学等基础学科的知识，数据挖掘与机器学习的数据处理经验；最重要的，你要能结合业务，不管是量化投资或其他的领域，理解市场的规则。

听起来很难，而且是真的很难！虽然很难，但不光是对你，对所有人都是这么难。但是只要能坚持的走下来，一定能通过知识改变命运的。

3. R语言量化工具包

做量化投资，R语言的优势在哪？R语言可以帮助我们从多种维度去理解量化投资。

• R语言本身就是我们需要掌握的IT的技术，是一个需要编程的技术活，但极大的降低了对编程的要求，短短20-30行R语言代码，已经能干很多事情了。
• R语言是面向数据的，有方便数据处理操作，对于数学、统计等基础学科有丰富的函数支持，同时提供多种数据挖掘和机器学习的算法库，让我们可以直接使用。
• 在量化领域更是R语言的强项，有针对投资研究的包，有做回测分析的包，有做金融产品定价的包，有做投资组合优化的包，还有风险管理的包，涵盖了量化投资的方方面面，只是有些包的使用要针对中国市场特点进行改进和优化。

R语言为量化投资提供了丰富的工具包，我做了分类列在下面。再也没有哪种语言会做到这种的支持了。R包，投资研究包，回测分析包，金融产品定价包，投资组合优化包，风险管理包，涵盖了量化投资的方方面面。

完整的量化投资工具包，请参考文章R语言量化投资常用包总结。在《R的极客理想》系列图书的3本书中，分别对于这些包做了介绍。请大家对照包名，进行查看和使用。

4. 量化策略实战应用

利用R语言的便利性，我们可以很容易的通过上面介绍的这些工具包，做一个交易模型。构建一个简单的投资策略，甚至都不需要有太多的代码。

接下来，我就举例说明一下，怎么把R语言提供的程序包合在一起使用。按照下面的步骤做一个简单的交易策略，基于移动平均线MACD，针对全球指数的投资方案。如果你还是金融新手，不了解MACD策略，那么请请参考《R的极客理想-高级开发篇》书中，2.3节二条均线打天下。

本文所使用的系统环境

• Win10 64bit
• R: 3.2.3 x86_64-w64-mingw32/x64 b4bit

下面是一个简化的量化策略的研究过程，分为如下的6步进行。

1. 用quantmod包下载数据。
2. 用zoo包和xts包进行数据格式标准化。
3. 用TTR包进行模型计算。
4. 用PerformanceAnalytics包进行指标风险。
5. 用ggplot2包进行可视化输出。
6. 最后，进行结果分析。

首先，我们要获取数据，个人玩可以通过互联网免费下载数据，专业机构通常都是买专业数据库。这里我们通过quantmod包，从Yahoo财经下载数据的。

我选择了全球的5个市场的指数进行比较，代码和名称对应关系。

指数名称	指数代码(Yahoo财经代码)	简称
标普500	^GSPC	GSPC
日经225	^N225	N225
恒生指数	^HSI	HSI
富时新加坡STI	^STI	STI
上证综指	000001.SS	SSE

下面通过R语言代码，我们来完成这个交易策略模型的构建。当然，这里只是为了说明整个过程，给大家一个直观的感觉，这里会省略对于策略的细节处理。

# 加载程序库
> library(quantmod)
> library(TTR)
> library(PerformanceAnalytics)
> library(ggplot2)
> library(scales)

# 从Yahoo财经下载各全球指数数据
> options(stringsAsFactors = FALSE) 
> symbols<-c("^GSPC","^N225","^HSI","^STI","000001.SS")
> suppressWarnings(getSymbols(symbols,src = "yahoo",from="2012-01-01"))
[1] "GSPC"      "N225"      "HSI"       "STI"       "000001.SS"

# 取指数价格调整后的数据，合并数据集
> df<-merge(GSPC$GSPC.Adjusted,HSI$HSI.Adjusted,N225$N225.Adjusted,STI$STI.Adjusted,`000001.SS`$`000001.SS.Adjusted`)

# 对列重命名
> names(df)<-c("GSPC","HSI","N225","STI","SSE")

接下来，让我看数据是什么样子的，并画出全球指数。

# 查看数据前6行
> head(df)
              GSPC      HSI    N225     STI     SSE
2012-01-03 1277.06 18877.41      NA 2688.36      NA
2012-01-04 1277.30 18727.31 8560.11 2711.02 2169.39
2012-01-05 1281.06 18813.41 8488.71 2713.02 2148.45
2012-01-06 1277.81 18593.06 8390.35 2715.59 2163.40
2012-01-09 1280.70 18865.72      NA 2691.28 2225.89
2012-01-10 1292.08 19004.28 8422.26 2719.83 2285.74

# 查看数据最后6行
> tail(df)
              GSPC      HSI     N225     STI     SSE
2017-02-24 2367.34 23965.70 19283.54 3117.03 3253.43
2017-02-27 2369.73 23925.05 19107.47 3108.62 3228.66
2017-02-28 2363.64 23740.73 19118.99 3096.61 3241.73
2017-03-01 2395.96 23776.49 19393.54 3122.77 3246.93
2017-03-02 2381.92 23728.07 19564.80 3136.48 3230.03
2017-03-03 2383.12 23552.72 19469.17 3122.34 3218.31

# 查看数据类型，为xts
> class(df)
[1] "xts" "zoo"

整个数据集是从2012年01月03日到2017年03月03日之间数据，数据为xts类型，xts类型是R语言中专用的时间序列类型。 关于xts的详细介绍，可以参考《R的极客理想-工具篇》书中，2.2节可扩展的时间序列xts。

画出全球指数，曲线图。

由于各国指数成立时间不同，成份股也不同，所以指数值有的很大有的相对比较小，我们不能用指数大小来判断好坏。 通常情况下，我们会转换成收益率进行比较，通过收益率进行度量后，这样所有的标的都是在同一个维度了。

画出全球指数的每日累计收益率，曲线图。

收益率越高，说明指数在这期间是表现越多的，我们越应该去投资。上图中日经225(N225)指数大幅超越了其他指数，中国的上证综指(SSE)一起一落波动非常大，标普500(GSPC)走势稳健。

计算指数的平均年化收益率，如果我们把钱一直投资在这些看指数上面，那么我们每年的平均回报是多少呢？

> Return.annualized(ret_df)
                       GSPC       HSI      N225        STI        SSE
Annualized Return 0.1133813 0.0619811 0.1927681 0.03696703 0.04817027

这里日经指数(N225)年化回报率是最高的，有每年平均有19.28%的年化收益率，与图1-3的累计收益率走势相符。 而中国的上证综指(SSE)仅有4.82%的年化收益率，回报不算高，但波动太大了。 综合来看，标普500(GSPC)其实是投资的首选，11.34%年化收益率，平均波动率也不是太高，所以风险和收益都是相对不错的。

接下来，我们构建一个简单的MACD模型，通过MACD策略再对上面5个指数构建交易策略。

> # MACD 策略模型
> MACD<-function(dt,n=30){ #代码省略
> }

# MACD策略，年化收益率
> lapply(df, function(col) MACD(col,30))
           GSPC       HSI      N225        STI       SSE
close 0.2137435 0.2406476 0.2261996 0.01869112 0.2817241

我们写了一个MACD的策略函数，就相当于是建模的过程，函数的输出为策略的收益率。 然后，我们把指数数据传给MACD()函数，经过计算输出策略收益率。 最后，把策略收益率与纯指数率，放到一起来进行对比。

策略	GSPC	HSI	N225	STI	SSE
指数收益	0.1133813	0.0619811	0.1927681	0.03696703	0.04817027
策略收益	0.2137435	0.2406476	0.2261996	0.01869112	0.2817241

我们可以很明显的看出，用一根均线的MACD策略，平均年收益率会大幅优于纯指数的收益率，如果我们这样交易就可以赚到更多的钱。 其实，这就是量化投资的思想，从数据中发现规律。 可能上面的过程和代码，会让你觉得很迷惑，怎么就能赚到钱了？别着急，本节只是本书的开篇，等你仔细阅读了全书，你就能领悟到这里的玄机了。

一共40行左右代码，完成了很多的事情。 如果要把整个操作都细分列举出来，包括了数据采集，数据清洗，数据标准化，指标计算，数据建模，历史回测，投资组合构建，组合优化，计算结果评价，数据可视化等组成部分。

要搭建一套量化交易的系统，主要就是完成这些部分。对于个人玩家来说，按照上面R语言代码的思路，就已经可以实现了。 如果你想做的更好，不仅是个人玩，通过成立公司把系统做大做强，为更多的用户提供量化服务，那么你还需要有一整套的平台架构方案，同时配合你要做的金融业务。

5. 有理想的极客

本文是新书《R的极客理想-量化投资篇》的开篇内容，希望大家跟着我的思路，通过R语言入手，体会R语言建模的乐趣，并真正地把技术变现。 我认为R语言是非常好的一门语言，从量化投资的角度，我会一直推动R语言在中国的发展，当成一项事业来做。 同时，本书也会译成英文版在全球发行，让中国的技术走出去。加油！！

R语言只是一门计算机语言技术，不能独自承担改写历史的重任，但R语言确实给了我们很大的想像空间，让我们能动手去了解这个世界的规律，找到无穷无尽的交叉点，创造出新的帝国。

如果你和我一样，都能站在这个角度来学习和使用R语言，那么我们一定可以成为并肩向前的同路人。

转载请注明出处：
http://blog.fens.me/r-quant-start/

架构师的信仰系列文章，主要介绍我对系统架构的理解，从我的视角描述各种软件应用系统的架构设计思想和实现思路。

从程序员开始，到架构师一路走来，经历过太多的系统和应用。做过手机游戏，写过编程工具；做过大型Web应用系统，写过公司内部CRM；做过SOA的系统集成，写过基于Hadoop的大数据工具；做过外包，做过电商，做过团购，做过支付，做过SNS，也做过移动SNS。以前只用Java，然后学了PHP，现在用R和Javascript。最后跳出IT圈，进入金融圈，研发量化交易软件。

架构设计就是定义一套完整的程序规范，坚持架构师的信仰，做自己想做的东西。

关于作者：

• 张丹(Conan), 程序员R,Nodejs,Java
• weibo：@Conan_Z
• blog: http://blog.fens.me
• email: bsspirit@gmail.com

转载请注明出处：
http://blog.fens.me/architect-algorithm/

前言

近年来，随着大数据的飞跃式的发展，已经越来越深地开始影响到我们的生活，社交有腾讯大数据，购物有阿里大数据，搜索有百度大数据，出行有滴滴大数据等等。当数据越来越多地被积累，就需要算法来挖掘出数据的价值。特别是进入到大数据时代，算法显得越来越重要。

让死的数据变得有价值，就是算法的力量。进入到全民大数据的时代后，数据已经不再是门槛儿，最重要的是算法，算法才是真正能够创造生产力的地方。算法工程师的价值也会越来越大，但是你们真的发掘出来你们的价值了吗？

目录

1. 算法在各个行业的应用
2. 投身于哪个行业好？
3. 金融最靠谱

1. 算法在各个行业的应用

大数据的兴起冲击着各行各业，带来机遇也带来挑战，没有数据你就没有核心价值。当有了数据作为基础，你要继续需要思考如何让数据变的有价值。过去的2016年的投资市场很惨淡，唯有人工智能大火了一把。从深度挖掘(Deep Learning)技术在图像识别领域的精确识别，迭代决策树(GBDT)在数据挖掘算法比赛中频繁获奖，到AlphaGo在围棋领域打败在人类选手，百度小度机器人在最强大脑的舞台上挑战人类脑王等等，这些事件都是算法领域的突破。

算法，真的已经应用到了各行各业，在慢慢地改变着人们的生活和习惯，比如说图像识别，自动驾驶，用户行为，金融征信，量化投资等领域，都在发生着变化。

图像识别领域，深度学习算法异军突起，不仅可以进行准确的人脸识别、指纹识别，还可以进行复杂的图像对比。我深刻记得，2016年参加的光谷人工智能大会上，听西安电子科技大学公茂果教授分享的“深度神经网络稀疏特征学习与空时影像变化检测”主题，利用图像识别技术，对比汶川地震前后的卫星照片和光感照片，准确地找到了受到地震影响最严重的区域，即震前和震后地貌发生变化最大的区域，快速地为救援队定位到最需要帮助的地点，解救伤者，投放救援物资。

自动驾驶领域，可以通过识别路面的状况来实现自动驾驶、自动停车。Uber无人驾驶汽车已经在匹兹堡上路测试，自动驾驶汽车配备了各式传感器，包括雷达、激光扫描仪以及高分辨率摄像头，以便绘制周边环境的细节。自动驾驶汽车有望改善人类的生活质量，也可挽救数百万人的性命，为人们提供更多的出行方便。5年前，我在听Andrew Ng的斯坦福大学机器学习公开课的时候，就被当时的自动驾驶视频介绍所震撼，科幻电影中的世界就快变成现实了。

用户行为分析，人类有各种各样的行为和需求。衣食住行，吃喝玩乐，都是人的最基本的行为。大多数人的行为是共性的，商家可以收集这些行为数据，通过数据挖掘算法来找到人们行为共性的规律。根据用户的购物行为，商家可以为用户推荐喜欢的商品，这样就有了推荐系统； 根据用户对信息的查询行为，可以发现用户对信息的需求，这样就有了搜索引擎；根据用户位置的变化，可以发现用户的出行需求，这样就有了地图应用；针对用户个性化的行为，可以给用户打上标签，用来标注用户的特征或身份，这样就有了用户画像。用户行为分析，让商家了解用户习惯，同时也让用户了解自己，有巨大的商业价值。

在金融领域也有很多，算法应用的场景。

金融征信领域，传统信贷业务都是银行核心业务，但由于中国人数众多且小客户居多，银行无法负担为小客户服务的高成本，导致民间信贷的兴起。2014年底互联网金融P2P的开始爆发，贷款需求被满足的同时，却暴露出了违约风险。征信体系缺失，导致很多P2P公司坏账率很高，到2016年底P2P跑路的多达数千家。征信需求，变得非常迫切。比如，某个人想买车但现金不够，这时就需要进行贷款。商家给用户进行贷款时，通过信用风险的评级就能判断出这个用户的还款能力，从而来决定给他贷多少钱，以什么周期还款，减少违约风险。支付宝的芝麻信用分，是目前被市场一致认可的信用评分模型。

量化投资领域，我认为这个领域最复杂的，最有挑战性的，同时也是最有意思的。可以通过量化算法模型实现赚钱，是最容易变现的一种方法。在金融投资领域中，有各式各样的数据，反应的各种金融市场的规则，有宏观数据，经济数据，股票数据，债券数据，期货数据，还有新闻数据，情绪数据等等，金融宽客(Quant)通过分析各种各样的数据，判断出国家的经济形势和个股的走势，进行投资组合算法，实现投资的盈利。

看到这里，我想问问大家，你们脑子里那些聪明的想法，有没有被金融行业的魅力撩出些许的荷尔蒙？

2. 投身于哪个行业好？

从上面各个行业的算法应用来说，都有很广阔的应用前景。作为一个算法的研究者，那我们究竟投身到哪个行业更好呢？

这个其实要从多个方面进行考虑，我们的目标是个人价值最大化。那么，你要选择一个自己能够接触到的、完全竞争的、短流程的渠道，利用你的算法技术和对业务的理解实现变现的过程。

其实，满足个人可变现的渠道其实非常有限，你很难通过一个图像识别的算法，直接面向市场进行收钱，你需要有一个承载的产品，而产品研发的过程是非常漫长的。同样地，自动驾驶算法需要汽车生产场商的实验。用户行为分析算法，需要电子商务平台的以用户购买行为进行验证。

量化投资，可以用个人账号在中国二级投资交易市场，完成交易过程。这种方式没有很多的中间环节，你获得交易所的数据，自己编写算法模型，然后用自己的钱去交易，完全自己把握。只要算法有稳定的收益率，你就可以赚到钱。这种变现方法，其实就是量化投资，从金融的角度才是最靠谱的一种变现方法。

3. 金融最靠谱

作为IT人，我们懂编程，懂算法，只要再了解金融市场的规则，就能去金融市场抢钱了。中国的金融二级投资交易市场，是一个不成熟的市场，同时又是情绪化的市场。市场中，每天都存在着大量的交易机会，每天都会有“乌龙指”。量化投资的技术，可以帮助我们发现这些由于信息不对称出现的机会，赚取超额的收益。

那么到底怎么做量化投资呢？。

下面举个例子，一个私募基金，募集了1亿资金准备杀入金融市场。基金经理决定按照投资组合的建模思路，对各类金融资产进行组合配置。下图就反应了各类资产，以均值-方差的标准来创建投资组合，符合资本资产定价模型(CAPM)的原理。关于资本资产定价模型详细介绍，请参考文章R语言解读资本资产定价模型CAPM

图中，x轴为收益率的标准差，y轴为收益率的均值，图中的点构建了可投资区域，每个点代表一个可投资产品，每条虚线连接的点的集合，就是一个有效的投资组合。

对于，图中近百个点来说，假设每次要配置5种资产做投资组合，那么就是75287520种组合方法；如果配置10种资产，可选方案就是一个非常大的数字了。

我可以用R语言来计算一下，投资组合的数量。

# 100个选5个，做组合
> choose(100,5) 
[1] 75287520

# 100个选10个，做组合
> choose(100,10) 
[1] 1.731031e+13

对于金融市场来说，有非常多的金融资产可供我们来选择。中国A股股票有3000多只，基金2000多支， 债券3000多支，期货100多支，还有大综商品，货币市场产品，汇率产品，海外投资市场等。如果把这个多种的资产进行组合，将有无限多的投资组合可以进行选择，是一个无限大的计算量。我们需要利用算法进行组合优化，从而找到市场上最优的投资组合。算法本身，才是最能体现价值的部分。

那么传统的基金是如何进行投资组合的？大多都是靠投资经理的主观投资经验来完成的。在金融市场里，每支基金都配置了不同的资产做组合，我们随便找支基金看看，它的投资组合是如何配置的。比如，华夏成长(000001.OF)基金，它是股债混合型的。数据来源于万得， 2017年2月8日的数据。

从业绩表现来看，这支基金最辉煌的时代在2006-2007年，连续6个月回报101.49%，那么最低1年表现就比较差，为仅落后于沪深300指数，整体排名也都在后面。今年以来收益率0.58%，同类排名144/507；1年收益率-1.45%，同类排名400/487；3年收益11.67%，同类排名378/426；5年收益39.96%，同类排名290/352。

我们再来看一下，这支基金的组合成分，主要是股票和债券。

债券占比 ：

证券名称	占净值比	近3月涨跌
12石化01	2.34%↑	-0.49%
116国泰君安CP008	2.12%↑	-0.03%
116农发01	1.91%↑	-0.08%
110营口港	1.70%↑	-1.59%
109常高新	1.62%↑	-0.65%

股票占比：

证券名称	占净值比	近3月涨跌
中工国际	4.09%↑	-0.95%
中国医药	3.85%↑	0.34%
神雾环保	3.81%↑	2.56%
东方网络	2.89%↑	-13.00%
立讯精密	1.52%↑	-1.82%
高能环境	1.42%↑	-14.96%
上汽集团	1.38%↑	7.88%
田中精机	1.31%↑	-12.28%
上海医药	1.25%↑	5.39%
中牧股份	1.21%↑	-4.25%

从市场上几千支的股票和债券中进行选择，并配置不同的权重，之前都是基金经理干的活，那么我们用算法一样也可以干，说不定用算法模型构建的组合业绩会更好。如果我们用算法模型，取代了年薪几百万的基金经理，那么你就能够获得这个收益。最终实现个人价值，从而用算法改变命运。所以，通过金融变现才是最靠谱的。

转载请注明出处：
http://blog.fens.me/architect-algorithm/