轮动策略模板重写，先来一个年化21%的策略（代码+数据）

今天我们来完成如下两个功能：择时策略模板和streamlit实现GUI。

择时模板更为简单：

@dataclass
class TaskPickTime(Task):  # 择时策略模板
    def get_algos(self):
        return [
            RunAlways(),
            SelectBySignal(rules_buy=self.rules_buy,
                           buy_at_least_count=self.at_least_buy,
                           rules_sell=self.rules_sell,
                           sell_at_least_count=self.at_least_sell
                           ),
          WeightEqually(),
            Rebalance()
        ]

就是配置一下买入，卖出信号：

from engine.engine import Engine
from engine.task import TaskPickTime

task = TaskPickTime()

task.benchmark = '159915.SZ'
task.symbols = [ "159915.SZ"]

task.features = [ "买入信号"]
task.feature_names = ["买入信号"]

task.rules_buy = ['信号>x']

task.rules_sell = ["信号<y"]

e = Engine(task=task)
e.run()
e.stats()

回测结果：

年化19.7%，回测18.8%，远超创业板指数本身。

上面的参数，在一些平台是收费的，因此我没有直接贴出来。

大家可能好奇，这些最优参数怎么来的。

其实这就是下一步我们要做的事情——超参数优化。

使用机器学习，遗传算法等对参数空间进行搜索，找到最优化的参数集。——你发现，你改动参数，结果大概率会变差，因为这是我们优化的结果。

今天的第二项任务是streamlit做界面，有一个界面方便大家运行策略，分析结果。

大家可以下载代码自行体验：

星球每天给大家写实战代码、交付策略：

gui的核心代码如下：

import streamlit as st
from streamlit_option_menu import  option_menu

from engine.engine import Engine
from examples.strategies import task_list

st.set_page_config(page_title='Quantlab - AI量化实验室', page_icon=":bar_chart:", layout='wide')

#定义边栏导航
with st.sidebar:
    choose = option_menu('Quantlab-AI量化实验室',['策略回测','数据分析','机器学习'],
                         icons=['house','book-half','book-half'])

task = st.selectbox(label='请选择策略：', options=task_list())


if st.button('回测'):
    st.write('启动回测：' + task.name)

    with st.spinner('回测进行中，请稍后...'):
        e = Engine(task=task)
        e.run()
        df_all = e.get_df_equities()
        st.line_chart(df_all)
        df_ratios = e.get_ratios(df_all)
        st.write(df_ratios)

版本3.3是值得期待的版本，经过2023年一年的摸索，我们的思路基本成熟。

底层完全重构，从因子表在式，到因子挖掘，后续一系列功能都做得最大程度的复用与环环相扣。确保功能的连续性。

历史文章：

轮动策略模板重写，先来一个年化21%的策略（代码+数据）

去掉底层回测引擎，完全自研，增加超参数优化，因子自动挖掘，机器模型交易。

【就要提价了】AI量化实验室——2024量化投资的星辰大海

昨天花一天时间，把回测引擎主体重写了。

性能提升不是一星半点。

确实是代码读多的好处，把各家所长精华都消化了，缺点尽量规避。

今天的计划：

1、轮动模板迁移过来。

2、补充orders ，trades细节。

3、调试stats细节。

使用examples/scripts下的脚本下载所需要的ETF日线数据（注意这里都是后复权的）。

轮动策略的模板同样简洁：

@dataclass
class TaskRolling(Task):  # 轮动策略模板
    def get_algos(self):
        return [
            self._parse_period(),
            SelectBySignal(rules_buy=self.rules_buy,
                           buy_at_least_count=self.at_least_buy,
                           rules_sell=self.rules_sell,
                           sell_at_least_count=self.at_least_sell
                           ),
            SelectTopK(factor_name=self.order_by, K=self.topK, drop_top_n=self.dropN,
                       b_ascending=self.b_ascending),
            self._parse_weights(),
            Rebalance()
        ]

算法每天盘后运行，先是信号选股，把rsrs标准分<0的过滤掉，然后按20天动量斜率排序，择期最大者持有。

策略配置如下：

from engine.engine import Engine
from engine.task import TaskRolling

task = TaskRolling()

task.benchmark = '510300.SH'
task.symbols = [ "513100.SH", "159934.SZ", "510880.SH", "159915.SZ",]

task.features = [ "roc(close,20)", "slope(close,20)", "slope_pair(high,low,18)", "zscore(rsrs_18,600)",]
task.feature_names = [ "roc_20", "slope_20", "rsrs_18", "rsrs_norm",]

task.rules_buy = []
task.rules_sell = ["rsrs_norm<0"]

task.order_by = 'slope_20'

e = Engine(task=task)
e.run()
e.stats()