今年以来，在研究了qlib和backtrader的基础上，把二者结合起来进行了一个策略研究。简单说就是用qlib在200只股票的股票池中进行滚动训练与预测（walk forward），总体数据范围是2005到2023年，以20日间隔滚动训练和预测，最终得到2014.1.1-2023.9.20共10年测试期的收益率预测结果。将预测结果代入backtrader进行回测，得到如下回测结果。

1 回测结果

回测时，通常持仓是50只股票，每日调仓（最多更换5只股票），以开盘价成交，手续费万5，多头策略。可以看到10年中策略年化收益率26.6%，而基准中证500指数的收益率为4.13%。策略夏普率为1.32。最大回撤-46%，基准为-65%。

如果观察各年的年度收益率，会发现只有2020年策略收益率小于基准，其他年份都跑赢基准。

策略最大回撤-46%有点大，但比基准还是小不少，由于策略是满仓多头策略，通常无法逃避大盘下跌。

不知这样的策略有没有实盘价值。经常听人说实盘回撤20%都不能接受，我感觉这种说法不太可信。如上策略结果，如果单看2018年以后，最大回撤20%，但拉长到10年间，就不止20%了。

看私募排排网，很多业绩较好的基金2018年以来回撤都有20%。没有发现2014年以来的基金，如果有估计也会有40%多的回撤。为什么有人一看20%的回撤就说策略不能实盘呢，这种说法明显与实际不符呀？

我测试了几个不同的股池，以及不同的时段，得到的绩效都是类似的，也并未进行策略调参。所用模型来自国外一篇2021年的论文，所以2021年后的数据可以看作完全的样本外数据，这个时段的结果具有更高的可信度，不会是过拟合的结果。

2 股指期货对冲后的结果

如果想减少回撤，需要用比如股指期货进行对冲。这里给出一个非常粗糙的对冲后的结果，可以发现回撤确实显著减少，但年化收益率和夏普率也降低了不少。总体感觉有些得不偿失。