原创内容第1021篇，专注AGI+，AI量化投资、个人成长与财富自由。

一人企业的商业模式，用户价值是什么？

对于AI量化社群，用户价值就是策略，如何开发或者订阅有效的策略。

这是核心关键所在。所以把一个指标做透，把几个策略做好，求精而不求多。

本周重点，原生backtrader策略，带参数自动优化。

 探讨多策略组合的可能性。

个人最喜欢的一个指标： 趋势评分——这个指标看起来比较高级，不是传统技术分析那种加加减减，求平均。比如MACD，就是两个均线平滑。

而TrendScore是趋势拟合，拟合出斜率，而且还使用了R方置信度来修正，是有统计学意义的。

import backtrader as btimport numpy as np

class TrendScore(bt.Indicator):    """    趋势评分指标：年化收益率 × R平方    """    lines = ('trend_score',)    params = (        ('period', 25),    )
    def __init__(self,*args, **kwargs):        # 正确调用父类初始化        super().__init__(*args, **kwargs)        self.addminperiod(self.p.period)
    def next(self):        if len(self.data) < self.p.period:            self.lines.trend_score[0] = np.nan            return
        # 获取窗口数据        window_data = self.data.get(size=self.p.period)
        # 检查数据有效性        if np.any(np.isnan(window_data)) or np.any(np.isinf(window_data)):            self.lines.trend_score[0] = np.nan            return
        try:            # 对数转换            y_raw = np.array(window_data)            y = np.log(y_raw)            x = np.arange(len(y))            n = len(x)
            if n < 2:                self.lines.trend_score[0] = 0.0                return
            # 计算回归统计量            sum_x = x.sum()            sum_y = y.sum()            sum_x2 = (x ** 2).sum()            sum_xy = (x * y).sum()            denominator = n * sum_x2 - sum_x ** 2
            # 处理零分母            if abs(denominator) <= 1e-9:                self.lines.trend_score[0] = 0.0                return
            # 计算斜率和截距            slope = (n * sum_xy - sum_x * sum_y) / denominator            intercept = (sum_y - slope * sum_x) / n
            # 计算R平方            y_pred = slope * x + intercept            ss_res = np.sum((y - y_pred) ** 2)            ss_tot = np.sum(y ** 2) - (sum_y ** 2) / n
            if abs(ss_tot) <= 1e-9:                r_squared = 0.0            else:                r_squared = 1 - ss_res / ss_tot                r_squared = max(0.0, min(r_squared, 1.0))  # 限制在[0,1]范围
            # 计算年化收益率            annualized_return = np.exp(slope * 250) - 1
            # 综合评分            trend_score = annualized_return * r_squared
            # 处理异常值            if np.isinf(trend_score) or np.isnan(trend_score):                self.lines.trend_score[0] = 0.0            else:                self.lines.trend_score[0] = trend_score
        except (ValueError, ZeroDivisionError):            self.lines.trend_score[0] = 0.0

在backtrader里使用的策略如下：​​​​​​​

from backtrader_strategy import RotationStrategyTemplatefrom backtrader_inds import TrendScorefrom backtrader_engine import Enginefrom collections import defaultdict
class StrategyTrendScore(RotationStrategyTemplate):    params = (        ('period', 25),    )
    def __init__(self):        super().__init__()        self.inds = defaultdict(dict)        for data in self.datas:            self.inds['sorter'][data] = TrendScore(data.close,self.params.period)

e = Engine()symbols = [        '518880.SH',  # 黄金ETF（大宗商品）        '513100.SH',  # 纳指100（海外资产）        '159915.SZ',  # 创业板100（成长股，科技股，中小盘）        '510180.SH',  # 上证180（价值股，蓝筹股，中大盘）    ]e.run_strategy(StrategyTrendScore,symbols)e.stats()e.plot()

运行一下：很漂亮的曲线：

代码在如下位置 ：

每天“不管”一点点，每天就变强一天天。

代码和数据下载：AI量化实验室——2025量化投资的星辰大海

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