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。
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）
