使用dataclass类做AI量化策略配置，与toml无逢对接

引入dataclass做策略配置：

大家使用这个ProjConfig写配置非常容易，IDE还会提示参数。

from gui.proj_loader import ProjConfig, AlgoConfig, from_toml
from config import DATA_DIR_PRJ

proj = ProjConfig()
proj.name = '网格策略'
proj.commission = 0.0001
proj.slippage = 0.0001
proj.symbols = ['B0']  # 证券池列表
proj.benchmark = '000300.SH'
proj.start_date = '20100101'

# 这里是因子列表
proj.fields = ['max(high,1440)', 'min(low,1440)', '(max+min)/2']
proj.names = ['max', 'min', 'mid']

# 这里是策略算子列表
proj.algos.append(AlgoConfig(name='AlgoGrid', args=[]))

print(proj)
print(proj.load_df().dropna(inplace=True))
# 保存到目录
proj.to_toml(path=DATA_DIR_PRJ.resolve())

写好后可以自动保存成toml使用。

而后可以使用如下脚本来运行toml。

from engine.backtrader_engine import BacktraderEngine
from gui.proj_loader import ProjConfig, AlgoConfig, from_toml
from config import DATA_DIR_PRJ

proj = ProjConfig()
name = '网格策略'  # 这里修改策略名称即可，策略列表在 data/projs下
p = from_toml(DATA_DIR_PRJ.joinpath('{}.toml'.format(name)))
print(p)

df = p.load_df()
algos = p.parse_algos()
print(algos)

df.dropna(inplace=True)
print(df)


e = BacktraderEngine(df, benchmark=p.benchmark,
                     slippage=p.slippage, commission=p.commission)
e.run_algo_strategy(algos)
e.analysis(console=True)

吾日三省吾身

有同学问及，量化回测有什么用？回测代表不了实盘。

这个问题曾经回答过，回测是实盘“必要非充分“条件，就像成长是成功的”必要非充分条件“。简单说，你自己有一个思路，觉得特别好，你的直觉和所谓盘感都告诉你，这个很好。那最简单的做法就是量化回测验证一下，也没什么成本。昨天去书店转一圈，发现现在讲K线的投资书少了，估计与量化兴起有关。你说”两条均线“打天下，用我们的quantlab，你直接测一下，结果不就出来了嘛。所以量化之一大功能就是”证伪“。

简言之：回测结果好，实盘未必好；但回测结果都不好，实盘能好嘛？

回测能帮你排坑，过滤掉不好的思路，你可以接近零成本试错。

不忘初心，星球的目标是什么？

量化投资里最难的当然是策略思路，AI量化里就有找有用的因子。这是大家一直努力的目标，但过程中，还有一件很繁琐的事情，就是把策略逻辑表达为“代码”。这个过程有大量的细节，调试，而且多数都是重复性的工作。

我们的目标之一，就是让思路到策略代码，尽量简洁。因此有了我们的“积木式”的策略开发，就是强调易用性。