年化29.6%：基于ETF评分的轮动策略再优化 | AI量化数据及策略运行工程细节（python代码+数据）

原创内容第794篇，专注量化投资、个人成长与财富自由。

ETF的数据我们换成更高质量，且周期更长：

年化29.6%，卡玛差不多1。

代码如下：

from bt_algos_extend import Task, Engine


def ranking_ETFs():
    t = Task()
    t.name = '基于ETF历史评分的轮动策略'
    # 排序
    t.period = 'RunDaily'
    t.weight = 'WeighEqually'
    t.order_by_signal = 'trend_score(close,25)'

    t.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）
    ]
    t.benchmark = '510300.SH'
    return t

res = Engine().run(ranking_ETFs())
import matplotlib.pyplot as plt
print(res.stats)
from matplotlib import rcParams

rcParams['font.family'] = 'SimHei'
res.plot_weights()
res.prices.plot()
plt.show()

代码在如下位置：

网站的的结果如下：

当前持仓是黄金：

前后端分离架构，前端的工程量明显大于后端，不过基本成型了，不过还有大量的细节需要调试。

策略创建向导：

量化数据及策略自动化运行

关于AI量化的数据更新，可以通过flask入口发布异步任务，服务器的celery worker执行数据下载，并dump到本地csv备用。

使用flower可以观察任务基本运行情况，broker， worker运行情况：

吾日三身吾身

人生有时候就是“有心栽花花不发，无心插柳柳成荫”。

所以，功利心放下，好奇心保持，多尝试，建立系统，持续改进。

代码和数据下载：AI量化实验室——2025量化投资的星辰大海

AI量化实验室 星球，已经运行三年多，1400+会员。

aitrader代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，支持vnpy，qlib，backtrader和bt引擎，内置多个年化30%+的策略，每周五迭代一次，代码和数据在星球全部开源。

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）
deap系统重构，再新增一个新的因子，年化39.1%，卡玛提升至2.76（附python代码）

deap时间序列函数补充，挖掘出年化39.12%的轮动因子，卡玛比率2.52

年化19.3%，回撤仅8%的实盘策略，以及backtrader整合CTPBee做实盘（附python代码和数据）

近四年年化收益19.3%，而最大回撤仅8%，卡玛比率2.34，投资应该是一件简单的事情。（附python代码+数据）

aitraderv4.2开发计划，整合QMT。年化39.9%的因子与年化19.3%的策略哪个优?

年化18%-39.3%的策略集 | backtrader通过xtquant连接qmt实战

AGI通用智能实验室

紧跟前沿AGI研究进展，论文复现，可运行的代码，落地应用等。

（这个不是“AI量化投资实验室”， 是做大模型相关的星球）

▼点击阅读原文，访问“AI量化实验室”策略集合

（http://www.ailabx.com）。