原创内容第892篇，专注智能量化投资、个人成长与财富自由。

复现一个聚宽策略，年化25.69%，最大回撤28.49%。

import numpy as npimport pandas as pd

#初始化函数 def initialize(context):    # 设定基准    set_benchmark('000300.XSHG')    # 用真实价格交易    set_option('use_real_price', True)    # 打开防未来函数    set_option("avoid_future_data", True)   set_slippage(FixedSlippage(0.000))    # 设置交易成本    set_order_cost(OrderCost(open_tax=0, close_tax=0, open_commission=0.0002, close_commission=0.0002, close_today_commission=0, min_commission=5), type='fund')    # 过滤一定级别的日志    log.set_level('system', 'error')    # 参数    g.etf_pool = [        '518880.XSHG', #黄金ETF（大宗商品）        '513100.XSHG', #纳指100（海外资产）        '159915.XSHE', #创业板100（成长股，科技股，中小盘）        '510180.XSHG', #上证180（价值股，蓝筹股，中大盘）    ]    g.m_days = 25 #动量参考天数    run_daily(trade, '9:30') #每天运行确保即时捕捉动量变化
def get_rank(etf_pool):    score_list = []    for etf in etf_pool:        df = attribute_history(etf, g.m_days, '1d', ['close'])        y = df['log'] = np.log(df.close)        x = df['num'] = np.arange(df.log.size)        slope, intercept = np.polyfit(x, y, 1)        annualized_returns = math.pow(math.exp(slope), 250) - 1        r_squared = 1 - (sum((y - (slope * x + intercept))**2) / ((len(y) - 1) * np.var(y, ddof=1)))        score = annualized_returns * r_squared        score_list.append(score)    df = pd.DataFrame(index=etf_pool, data={'score':score_list})    df = df.sort_values(by='score', ascending=False)    rank_list = list(df.index)        print(df)         record(黄金 = round(df.loc['518880.XSHG'], 2))    record(纳指 = round(df.loc['513100.XSHG'], 2))    record(成长 = round(df.loc['159915.XSHE'], 2))    record(价值 = round(df.loc['510180.XSHG'], 2))    return rank_list
# 交易def trade(context):    # 获取动量最高的一只ETF    target_num = 1        target_list = get_rank(g.etf_pool)[:target_num]    # 卖出        hold_list = list(context.portfolio.positions)    for etf in hold_list:        if etf not in target_list:            order_target_value(etf, 0)            print('卖出' + str(etf))        else:            print('继续持有' + str(etf))    # 买入    hold_list = list(context.portfolio.positions)    if len(hold_list) < target_num:        value = context.portfolio.available_cash / (target_num - len(hold_list))        for etf in target_list:            if context.portfolio.positions[etf].total_amount == 0:                order_target_value(etf, value)                print('买入' + str(etf))

在咱们平台上低代码复现：

代码+数据下载：AI量化实验室——2025量化投资的星辰大海

策略代码已经上传到星球了：

今天咱们开始获取股票数据：一共5000多支。

相比etf和可转债，股票数据是最多的。etf大约1000多支，而且很多是2019年之后成立的。而且如果按指数排重，比如像沪深300指数相关的ETF有几十支，近指数合并的话，也就是几百个指数。

吾日三省吾身

我们越来越爱回忆了
是不是因为不敢期待未来呢
你说世界好像天天在倾塌着
只能弯腰低头把梦越做越小了。

不确定的世界，不确定的未来。
人生就是这样，你永远不知道，下一秒会发生什么？
也许曲终人散，都是尘归尘，土归土。
但至少我们努力过，折腾过不是吗？

但是，不要怕，总有办法不是吗？

回看五年，不确定的时期，不确定的职业危机。
ABCZ计划没有一个成型。孩子还小。

五年过去了，相比之。 ABZ基本成型，C计划在徐徐展开。

往前再看五年，到2030年。
ABZ更加成熟，C计划成型，孩子们长大了。

不管怎么样，未来总会来。
如此而已。
但好的未来，需要你好好的布局，然后一点点地努力。
去积累，去积蓄力量。

扩展  •  历史文章   

EarnMore（赚得更多）基于RL的投资组合管理框架：一致的股票表示，可定制股票池管理。（附论文+代码）

年化收益200%+的策略集 | 实时板块资金热力图 「aitrader 5.0系统代码发布」

机器学习驱动的策略开发通过流程 | 普通人阶层跃迁的可能路径？

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）

三秒钟创建一个年化28%，夏普比1.25的策略（python系统已开放源代码下载）

会员专属策略可以直接下载了，多个十年年化30+%策略集|polars重构因子引擎（代码+数据下载）

6年年化收益46%，最大回撤率为16%的策略（附python代码）