轮动策略模板重写，先来一个年化21%的策略（代码+数据）

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()

策略表现：

策略代码在如下位置：

A股市场开年以来可是相当震撼。

上午表现还可以，群里一片哀嚎。

这个时候，大类资产配置的优势就体现出来了 。

万物皆周期，投资尤是。

按自己的规划和交易系统走，不忘初心。

在目前的规划里，深度强化学习本身也是用于挖因子，不过，有quant4.0的版本里，端对端且跳过因子挖掘，或者说通过模型直接学习价量中的信息，这在图像识别和自然语言处理里，已经实现了。

神经网络能自动提取股票原始量价数据中的特征，实现端到端的因子挖掘和因子合成。注意力机制在多数场景下有效。

我们基于策略模板，尽量把开发量简化。

当前已经重构了大类资产配置模板，轮动模型，明天是择时模板，机器因子合成模板，属于轮动策略的一个分支，然后就是多策略组合。

之后是因子挖掘，jplearn， 深度强化学习端对端，因子评价等。

还有就是超参数优化，包括暴力穷举，机器学习，遗传算法超参数优化等。