原创内容第1005篇，专注AGI+，AI量化投资、个人成长与财富自由。

今日策略：年化460%，回撤7%，夏普5.27

http://www.ailabx.com/strategy/68c7c731fd408079e03bcc10

代码下载：AI量化实验室——量化投资的星辰大海

SLOPE斜率指标已经实现：

​​​​​​​

def SLOPE(S, N):  # 线性回归斜率（如趋势线斜率）    return pd.Series(S).rolling(N).apply(lambda x: np.polyfit(range(N), x, deg=1)[0], raw=True)

斜率轮动策略：​​​​​​​

t = Task()    t.name = '全球大类资产-修正斜率轮动'    etfs = [        '510300.SH',  # 沪深300ETF        '159915.SZ',  # 创业板        '518880.SH',  # 黄金ETF        '513100.SH',  # 纳指ETF        '159985.SZ',  # 豆柏ETF        '511880.SH',  # 银华日利ETF    ]
    t.symbols = etfs
    #t.select_sell = ["roc(close,21)>0.17"]    t.order_by_signal =  "slope(close,25)"
    e = Engine()    e.run(t)    e.stats()    e.plot()

新增akshare的数据更新脚本，把创业板的数据更新到昨天，然后策略运行回测：

import akshare as ak
def fetch_etf(symbol):    df = ak.fund_etf_hist_em(symbol=symbol, period="daily", start_date="20000101", adjust="hfq")    cols = {'最高':'high','最低':'low','收盘':'close','开盘':'open','成交量':'volume','日期':'date'}    #print(df)
    df.rename(columns=cols,inplace=True)    df['date'] = df['date'].apply(lambda x: x.replace('-', ''))    return df[list(cols.values())]

symbols = ['513100' #纳指100           ,'513500',#标普500           '510300',#沪深300，           '159915', #创业板           '518880',#黄金           '512890',# 红利低波           '159985', #豆粕           '511880',# 银华日利-货币ETF           '511260', # 十年国债           '511220', #城投债           '510180', #上证180          ]
symbols = ['159915']
for s in symbols:    print(f'获取{s}并保存到csv')    df = fetch_etf(s) # 获取纳指ETF    #df.to_csv(f'{s}.csv',index=False)    if s[0] == '5': s += '.SH'    if s[0] == '1': s += '.SZ'    df.to_csv(f'../data/quotes/{s}.csv',index=False)

backtrader新引擎，时间周期的写法：​​​​​​​

class RunDaily:    def __call__(self, target):        return True

class RunOnce:    def __init__(self):        self.has_run = False
    def __call__(self, target):        # 如果条件满足且还没有执行过，则返回True并标记为已执行        if not self.has_run:            self.has_run = True            return True        return False

class RunEveryNPeriods:    def __init__(self, n, period='days'):        self.n = n        self.period = period        self.last_date = None
    def __call__(self, target):        current_date = target.datetime.date(0)
        # 如果是第一次调用，记录当前日期并返回True        if self.last_date is None:            self.last_date = current_date            return True
        # 根据不同的时间单位计算间隔        if self.period == 'days':            days_diff = (current_date - self.last_date).days            if days_diff >= self.n:                self.last_date = current_date                return True
        elif self.period == 'weeks':            weeks_diff = ((current_date - self.last_date).days) // 7            if weeks_diff >= self.n:                self.last_date = current_date                return True
        elif self.period == 'months':            months_diff = (current_date.year - self.last_date.year) * 12 + (current_date.month - self.last_date.month)            if months_diff >= self.n:                self.last_date = current_date                return True
        elif self.period == 'years':            years_diff = current_date.year - self.last_date.year            if years_diff >= self.n:                self.last_date = current_date                return True
        return False

class RunWeekly:    def __init__(self):        self.last_week = None
    def __call__(self, target):        current_date = target.datetime.date(0)        current_year, current_week, _ = current_date.isocalendar()        current_identifier = (current_year, current_week)  # 使用(年,周)组合处理跨年情况
        # 检查周是否变化        if current_identifier != self.last_week:            self.last_week = current_identifier            return True        return False

class RunMonthly:    def __init__(self):        self.last_month = None
    def __call__(self, target):        current_date = target.datetime.date(0)        current_year = current_date.year        current_month = current_date.month        current_identifier = (current_year, current_month)  # 使用(年,月)组合处理跨年情况
        # 检查月份是否变化        if current_identifier != self.last_month:            self.last_month = current_identifier            return True        return False

class RunQuarterly:    def __init__(self):        self.last_quarter = None
    def __call__(self, target):        current_date = target.datetime.date(0)        current_year = current_date.year        current_month = current_date.month        current_quarter = (current_month - 1) // 3 + 1  # 计算当前季度        current_identifier = (current_year, current_quarter)  # 使用(年,季度)组合
        # 检查季度是否变化        if current_identifier != self.last_quarter:            self.last_quarter = current_identifier            return True        return False

class RunYearly:    def __init__(self):        self.last_year = None
    def __call__(self, target):        current_date = target.datetime.date(0)        current_year = current_date.year
        # 检查年份是否变化        if current_year != self.last_year:            self.last_year = current_year            return True        return False

bias指标的计算：​​​​​​​

def BIAS(CLOSE, L1=6):    # 输入：CLOSE（收盘价）    BIAS1 = (CLOSE - MA(CLOSE, L1)) / MA(CLOSE, L1) * 100    return RD(BIAS1)

乖离率（BIAS）是通过计算股价（收盘价）与某条移动平均线（MA）之间的偏离程度，来反映股价因波动偏离平均成本太远，从而可能产生的回拉或反弹效应。

2. 公式拆解：

BIAS1 = (CLOSE - MA(CLOSE, L1)) / MA(CLOSE, L1) * 100

这个公式可以分解为三个部分：

CLOSE - MA(CLOSE, L1)：这是收盘价与N日移动平均价的绝对差值。正数表示股价在均线之上，负数表示在均线之下。

/ MA(CLOSE, L1)：将绝对差值除以移动平均价，得到的是相对比率。这一步是为了消除股价绝对值高低不同的影响，使得不同价格的股票之间可以进行比较。

* 100：将比率转换为百分比，让数值更加直观。

3. 最终输出：

RD(BIAS1)：这里的 RD 函数在您的代码中没有定义，但通常代表 “四舍五入” 或保留指定小数位数的操作（例如 round(BIAS1, 2) 保留两位小数）。目的是让输出的指标值更整洁易读。

一句话总结：BIAS(6) 衡量的是当日收盘价相对于过去6日平均收盘价的偏离百分比。

使用场景与市场含义

BIAS指标主要用于判断市场的超买和超卖状态，以及寻找趋势中的短期反转机会。

1. 超买与超卖（主要用法）：

正值过大（如 > +5%）：表示股价远高于其近期平均成本，属于超买状态。市场上的多数短期投资者处于盈利状态，获利回吐的压力较大，股价有较高概率回调或下跌。此时可以考虑卖出。

负值过大（如 < -5%）：表示股价远低于其近期平均成本，属于超卖状态。市场上的多数短期投资者处于亏损状态，抛压减轻，股价有较高概率出现技术性反弹。此时可以考虑买入。

2. 趋势确认：

BIAS值 > 0：股价在均线之上，市场处于多头（上涨）趋势。

BIAS值 < 0：股价在均线之下，市场处于空头（下跌）趋势。

吾日三省吾身

本次七年计划，不是一句口号，而是目标，系统和执行计划。

七年前的“且战且退”，有些许无奈，些许不安。

彼时，“ABCZ”均未成型，且没有思路。甚至只有思路过要有自己可以掌控的事情，如此而已。

后来，A计划迎来转机，缓了口气。但方向不应该偏。

当然，总有人或事会“提醒”你，从来没有什么“岁月静好”，要居安思危，未雨绸缪。

现在，更加有底气，B和Z的成型，加之AGI人工智能的趋势崛起。

每天“不管”一点点，每天就变强一天天。

年化390%，回撤7%，夏普6.32 | A股量化策略配置

年化30.24%，最大回撤19%，综合动量多因子评分策略再升级（python代码+数据）

年化429%，夏普5.51 | 全A股市场回测引擎构建

年化443%，回撤才7%，夏普5.53，3积分可查看策略参数