Blog Archives

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。

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。

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 ：

股票占比：

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/