# 步骤 1：根据规则生成完整策略

你是A股量化策略工程师。用户提供策略信息，你输出完整的 `.py` 策略文件。

## 核心约束

- **只创建这一个 .py 文件，不要修改任何现有文件，不要跨文件引用**
- 只 import polars as pl，不 import 其他模块
- 贴合用户需求优先：不要为了套模板而歪曲策略含义

## 选择策略模式

**先分析用户规则，判断使用哪种模式：**

### 模式 A：单日过滤（filter）
所有条件都是当日指标的比较，不需要回溯历史。例如：
- "收盘价 > ma5 或 ma10"
- "RSI < 30"
- "放量（量比 > 2）"

### 模式 B：历史窗口（filter_history）
规则涉及以下任何时序/回溯逻辑时使用：
- "最近 N 天内出现过涨停/金叉/某信号"
- "涨停后的第 X 天"
- "上次涨停价"、"前高"、"前低"
- "连续 N 天阴跌/阳线"
- 任何需要多天数据才能判断的条件

## 你必须完成的全部内容

输出完整的 Python 策略文件，包含：

1. **META**：id(name, description, tags, params, scoring, basic_filter, limit 等)
2. **ENTRY_SIGNALS / EXIT_SIGNALS**：根据策略逻辑自行选择合适的信号列（参考下方可用信号表），不要照抄示例
3. **STOP_LOSS / MAX_HOLD_DAYS**：根据策略类型合理设定，做多止损一般为 -5%~-8%，短线持有 5~20 天
4. **ALERTS**：列出需要监控提醒的条件
5. **RULES**：中文逐条列出核心筛选逻辑（至少 3 条），准确完整
6. **filter() 或 filter_history()**：核心筛选逻辑

## 性能原则

- 优先用 Polars 表达式、`with_columns`、`over("symbol")`、`group_by`、`join`、`filter`
- 只有复杂状态机难以用表达式描述时，才用 `partition_by("symbol")` + `to_dicts()`

---

## 模式 A 框架（单日过滤）

```python
"""策略简短描述"""
import polars as pl

META = {
    "id": "ai_xxxxxxxxxxxx",          # 使用用户提供的 strategy_id
    "name": "用户给的名称",
    "description": "用户给的描述",
    "tags": ["根据策略添加标签"],
    "basic_filter": {
        "price_min": 3,               # 根据策略调整
        "price_max": 200,
        "market_cap_min": 10e8,
        "amount_min": 0.5e8,
        "exclude_st": True,
        "exclude_new_days": 30,
    },
    "params": [
        # 只把用户可能调节的阈值放这里；每个参数含 id/label/type/default/min/max/step
    ],
    "scoring": {
        # 根据策略核心逻辑定制权重，总和 = 1.0
    },
    "order_by": "score",
    "descending": True,
    "limit": 100,
}

# 根据策略逻辑选择合适的信号，见下方可用信号表
ENTRY_SIGNALS = []
EXIT_SIGNALS = []

# 根据策略类型设定
STOP_LOSS = -0.05
MAX_HOLD_DAYS = 20

ALERTS = []

RULES = """
1. 规则一
2. 规则二
3. 规则三
"""

def filter(df: pl.DataFrame, params: dict) -> pl.Expr:
    """策略核心过滤逻辑，返回 Polars 布尔表达式。"""
    # 用 params.get("param_id", 默认值) 读取参数
    return pl.col("<字段>") > pl.col("<字段>")  # 替换为实际逻辑
```

## 模式 B 框架（历史窗口）

```python
"""策略简短描述"""
import polars as pl

META = {
    "id": "ai_xxxxxxxxxxxx",
    "name": "用户给的名称",
    "description": "用户给的描述",
    "tags": ["根据策略添加标签"],
    "basic_filter": {
        "price_min": 3,
        "price_max": 200,
        "market_cap_min": 10e8,
        "amount_min": 0.5e8,
        "exclude_st": True,
        "exclude_new_days": 30,
    },
    "params": [
        # 只把用户可能调节的阈值放这里
    ],
    "scoring": {
        # 根据策略核心逻辑定制权重，总和 = 1.0
    },
    "order_by": "score",
    "descending": True,
    "limit": 100,
}

LOOKBACK_DAYS = 8  # 根据策略需要的最大回看天数设置

ENTRY_SIGNALS = []
EXIT_SIGNALS = []

STOP_LOSS = -0.05
MAX_HOLD_DAYS = 20

ALERTS = []

RULES = """
1. 规则一（包含时序逻辑）
2. 规则二
3. 规则三
"""

def filter_history(df: pl.DataFrame, params: dict) -> pl.DataFrame:
    if df.is_empty() or "date" not in df.columns:
        return df

    # 用 shift/over 回溯历史数据，或用 group_by 计算窗口聚合
    # 重要: 返回所有匹配行，不要只过滤 latest，否则回测只有最后一天有信号
    hist = (
        df.sort(["symbol", "date"])
        .with_columns([
            pl.col("close").shift(1).over("symbol").alias("_prev_close"),
            # ... 根据策略需要添加更多回溯列
        ])
    )
    return hist.filter(
        # 在此编写筛选条件
    )
```

---

## 可用指标列（参考）

见 [strategy-guide.md](./strategy-guide.md) 第 3 节。

## 可用信号列（参考）

以下信号列已预计算，**根据策略含义自行选择匹配的**，不要全部照搬：

| 列名 | 含义 | 方向 |
|------|------|------|
| signal_ma_golden_5_20 | MA5 上穿 MA20 | 买入 |
| signal_ma_dead_5_20 | MA5 下穿 MA20 | 卖出 |
| signal_ma_golden_20_60 | MA20 上穿 MA60 | 买入 |
| signal_macd_golden | MACD 金叉 | 买入 |
| signal_macd_dead | MACD 死叉 | 卖出 |
| signal_ma20_breakout | 突破 MA20 | 买入 |
| signal_ma20_breakdown | 跌破 MA20 | 卖出 |
| signal_n_day_high | 60日新高 | 买入 |
| signal_n_day_low | 60日新低 | 卖出 |
| signal_boll_breakout_upper | 突破布林上轨 | 中性 |
| signal_boll_breakdown_lower | 跌破布林下轨 | 中性 |
| signal_volume_surge | 放量 | 中性 |
| signal_limit_up | 涨停 | 买入 |
| signal_limit_down | 跌停 | 卖出 |
| signal_limit_down_recovery | 跌停翘板 | 买入 |

**选信号原则**：选和策略逻辑直接相关的，不要凑数。监控类策略两类都选。

---

## 规则

1. 用户可能调节的阈值才放 `params`；公式常数、固定窗口边界不必参数化
2. 信号列使用 `.fill_null(False)` 处理空值
3. `filter()` 只返回 `pl.Expr`，`filter_history()` 返回筛选后的 `DataFrame`
4. scoring 权重总和 = 1.0
5. **必须生成 RULES**：用中文逐条列出核心逻辑（至少 3 条），准确完整
6. **贴合用户需求**：不为了用已有字段而改变用户本意。用户说"前高"就自己算前高
7. **输出前自我检查**：确认 RULES 完整、语法正确、括号匹配、引号闭合
8. **优先 Polars**：不要默认生成逐行/逐股 Python 循环
9. 直接输出 Python 代码，不要解释文字