stock/refer/docs/strategy-guide.md

策略开发指南

本文档是策略开发的完整参考。人类开发者参考它编写策略，AI 读取它生成策略代码。

1. 策略文件格式

每个策略是一个 Python 文件，放在以下目录：

• 内置策略: backend/app/strategy/builtin/
• 自定义策略: data/strategies/custom/，建议文件名和 ID 使用 custom_时间戳
• AI 生成策略: data/strategies/ai/，文件名和 ID 使用 ai_时间戳

2. 文件结构模板

"""策略简短描述"""
import polars as pl

META = {
    "id": "strategy_id",              # 英文ID, 唯一, 文件名同名；自定义策略建议 custom_时间戳
    "name": "策略中文名",              # 显示名称
    "description": "策略详细描述",     # 一句话说明策略逻辑
    "tags": ["标签1", "标签2"],        # 分类标签

    # 基础过滤参数 (Stage 1, 引擎统一处理)
    "basic_filter": {
        "price_min": 5,               # 最低价格
        "price_max": 200,             # 最高价格
        "market_cap_min": 20e8,       # 最小总市值 (元)
        "amount_min": 1e8,            # 最小成交额 (元)
        "exclude_st": True,           # 排除 ST/*ST/退市
        "exclude_new_days": 60,       # 排除上市N天内新股
    },

    # 策略参数 (只把用户可能调节的阈值放这里，公式常数不必参数化)
    # 每个参数含 id/label/type/default/min/max/step；select 类型用 options
    "params": [
    ],

    # 评分权重 (用于排序, 根据策略核心逻辑定制, 权重总和 = 1.0)
    "scoring": {
    },

    "order_by": "score",              # 排序字段, 通常用 "score"
    "descending": True,               # True = 从高到低
    "limit": 100,                      # 最多返回条数
}

# 买入信号 (回测 + 监控用, 根据策略逻辑选择合适的信号列)
ENTRY_SIGNALS = []

# 卖出信号
EXIT_SIGNALS = []

# 止损 (负数, 根据策略类型合理设定, 如做多短线 -0.05~-0.08)
STOP_LOSS = -0.05

# 最长持有天数 (短线 5~20, 中线 20~60)
MAX_HOLD_DAYS = 20

# 提醒条件 (监控用)
ALERTS = []


# 策略规则（人类可读，逐条编号，至少 3 条）
RULES = """
1. 规则描述一
2. 规则描述二
3. 规则描述三
"""

def filter(df: pl.DataFrame, params: dict) -> pl.Expr:
    """策略核心过滤逻辑。

    df:     Stage 1 基础过滤后的 enriched 数据
    params: META.params 中定义的参数值 (用户可在前端覆盖)

    返回:   Polars 布尔表达式 (pl.Expr)
    """
    # 用 params.get("param_id", 默认值) 读取参数
    return (
        (pl.col("close") > pl.col("ma5"))
        & (pl.col("rsi_14") < 30)
    )

历史窗口策略（filter_history）

普通 filter() 只接收当前日期的单日数据。当策略需要以下逻辑时，必须使用 filter_history()：

• "最近 N 天内出现过某个事件"（如涨停、金叉）
• "某个事件发生后的第 X 天"（如涨停后放量下跌）
• "前高 / 前低 / 上次某事件的价格"等需要回溯历史的自定义字段
• 任何需要多日数据才能计算的时序逻辑

不需要 filter_history() 的场景：只用当日指标列做比较（如 close > ma60、rsi_14 < 30）。

LOOKBACK_DAYS = 8  # 回看交易日数，根据策略需要设置

def filter_history(df: pl.DataFrame, params: dict) -> pl.DataFrame:
    """df 包含目标日期之前 LOOKBACK_DAYS 个交易日的数据（所有股票混合）。
    每行包含 symbol, date 及所有指标列/信号列。

    返回值: 筛选后的 DataFrame。
    重要: 返回所有匹配的行，不要只过滤最新日期，否则回测只有最后一天有信号。
    """
    if df.is_empty() or "date" not in df.columns:
        return df

    down_pct = float(params.get("prev_down_pct", -0.02))
    vol_ratio = float(params.get("volume_ratio", 1.2))
    tolerance = float(params.get("reversal_tolerance", 0.005))

    # 示例: 前日明显阴线下跌，今日放量阳线反包前日实体
    hist = (
        df.sort(["symbol", "date"])
        .with_columns([
            pl.col("open").shift(1).over("symbol").alias("_prev_open"),
            pl.col("high").shift(1).over("symbol").alias("_prev_high"),
            pl.col("close").shift(1).over("symbol").alias("_prev_close"),
            pl.col("volume").shift(1).over("symbol").alias("_prev_volume"),
            pl.col("change_pct").shift(1).over("symbol").alias("_prev_change_pct"),
        ])
    )

    return hist.filter(
        (pl.col("_prev_close") < pl.col("_prev_open"))
        & (pl.col("_prev_change_pct") <= down_pct)
        & (pl.col("close") > pl.col("open"))
        & (pl.col("close") > pl.col("_prev_open"))
        & (pl.col("close") >= pl.col("_prev_high") * (1 - tolerance))
        & (pl.col("volume") >= pl.col("_prev_volume") * vol_ratio)
        & ((pl.col("close") > pl.col("ma5")) | (pl.col("close") > pl.col("ma10")))
    )

关键要点：

• LOOKBACK_DAYS 决定引擎加载多少天的数据，设为策略逻辑需要的最大回看天数
• 优先使用 Polars 的 with_columns、over("symbol")、group_by、join、filter 实现历史逻辑，避免把数据转成 Python list/dict 循环
• 只有遇到表达式难以描述的复杂状态机时，才使用 partition_by("symbol") + to_dicts() 逐股票分析
• 返回所有匹配行，不要过滤 latest；选股引擎会自动取最新日，回测引擎需要全区间命中
• 未声明 filter_history() 的策略走普通 filter() 路径，不受影响

3. 常用指标列（参考，可直接使用）

以下列在数据中已预计算，可直接引用。但如果这些列无法满足策略需求，可以不用，自行在 filter_history() 中基于 enriched 表的数据（已复权，含所有指标列和信号列）计算任何需要的字段。

通用列

列名	类型	说明
symbol	string	股票代码 (如 600519.SH)
date	date	交易日期

价格相关

列名	类型	说明
open, high, low, close	float	OHLCV 开高低收 (前复权)
raw_close, raw_high, raw_low	float	原始未复权价
prev_close	float	昨收价
change_pct	float	涨跌幅 (如 0.032 = +3.2%)
change_amount	float	涨跌额
amount	float	成交额
amplitude	float	振幅

均线

列名	说明
ma5, ma10, ma20, ma30, ma60	简单移动均线
ema5, ema10, ema20, ema30, ema60	指数移动均线

技术指标

列名	说明
macd_dif	MACD DIF 线
macd_dea	MACD DEA 线
macd_hist	MACD 柱状
boll_upper, boll_lower	布林带上/下轨
kdj_k, kdj_d, kdj_j	KDJ 指标
rsi_6, rsi_14, rsi_24	RSI 相对强弱
atr_14	平均真实波幅

量能

列名	说明
volume	成交量
vol_ma5, vol_ma10	成交量均线
vol_ratio_5d	5日量比
turnover_rate	换手率

动量与波动

列名	说明
momentum_5d / 10d / 20d / 30d / 60d	N日涨幅
annual_vol_20d	20日年化波动率
high_60d, low_60d	60日最高/最低价

涨跌停

列名	说明
consecutive_limit_ups	连续涨停天数
consecutive_limit_downs	连续跌停天数

运行时附加列（由引擎从 instruments 表 JOIN）

列名	说明
name	股票名称
total_shares	总股本
float_shares	流通股本

（total_shares 和 float_shares 用于 basic_filter 中计算市值：close * total_shares）

4. 常用信号列（参考）

信号列是布尔值，必须使用 .fill_null(False) 处理空值。同样仅供参考，根据策略含义自行选择匹配的。

列名	方向	说明
signal_ma_golden_5_20	买入	MA5 上穿 MA20
signal_ma_dead_5_20	卖出	MA5 下穿 MA20
signal_ma_golden_20_60	买入	MA20 上穿 MA60
signal_macd_golden	买入	MACD 金叉
signal_macd_dead	卖出	MACD 死叉
signal_ma20_breakout	买入	突破 MA20
signal_ma20_breakdown	卖出	跌破 MA20
signal_n_day_high	买入	60日新高
signal_n_day_low	卖出	60日新低
signal_boll_breakout_upper	中性	突破布林上轨
signal_boll_breakdown_lower	中性	跌破布林下轨
signal_volume_surge	中性	放量
signal_limit_up	买入	涨停 (依赖 instruments 表，部分环境不生成)
signal_limit_down	卖出	跌停 (依赖 instruments 表，部分环境不生成)
signal_limit_down_recovery	买入	跌停翘板 (依赖 instruments 表，部分环境不生成)
signal_broken_limit_up	卖出	炸板 (依赖 instruments 表，部分环境不生成)

注意：涨跌停类信号需要 instruments 表（板块代码）才能计算。如果策略只用涨停判断，优先用 consecutive_limit_ups >= 1（稳定列，始终可用）。

此外，用户自定义信号（data/user_data/custom_signals/）以 csg_ 前缀注入，也可在 filter() 中引用。

5. 不可用的数据（重要）

以下数据不在 enriched DataFrame 中，策略代码中不能直接引用：

数据	说明
财务数据 (PE/PB/ROE/净利润/营收/资产负债等)	存储在独立 financials 表，未 JOIN
扩展数据 (概念/行业/人气排名/资金流向等)	存储在 ext_data 目录，未 JOIN
盘中实时数据 (分时价/五档盘口等)	仅前端轮询使用

如需财务或扩展数据作为筛选条件，需先在系统层面完成 JOIN 再提供给策略（当前未实现）。

6. 规则

1. filter() 必须返回 pl.Expr (用 & | 组合布尔表达式)；filter_history() 返回筛选后的 DataFrame
2. 信号列使用 .fill_null(False) 处理空值
3. 用户可能调节的数值阈值通过 params 暴露；公式常数、固定窗口边界、一次性内部变量不必强行参数化
4. scoring 权重总和必须为 1.0
5. 遵循 A 股 T+1 规则 (当日买入次日才能卖出)
6. 只允许 import polars as pl，禁止 import 其他模块
7. 禁止使用 open(), exec(), eval(), os, sys, subprocess
8. 贴合用户需求优先：第3/4节的指标列和信号列仅供参考，能用则用；如果用户需求需要自定义计算（如"前高""上次涨停价""N日内某个事件后X天"），直接在 filter_history() 中自行设计和计算，不需要局限于已有列
9. filter_history() 中优先用 Polars 向量化语法；仅在复杂状态机无法清晰表达时，才用 partition_by("symbol") 逐股票分析

7. 策略示例

强势反包

"""强势反包 — 前日阴线下跌 + 今日放量阳线反包"""
import polars as pl

META = {
    "id": "strong_reversal",
    "name": "强势反包",
    "description": "前一日明显阴线下跌，今日放量阳线收复前一日阴线实体",
    "tags": ["反包", "短线", "放量"],
    "basic_filter": {
        "price_min": 3, "price_max": 200,
        "market_cap_min": 10e8, "amount_min": 0.5e8,
        "exclude_st": True, "exclude_new_days": 30,
    },
    "params": [
        {"id": "prev_down_pct", "label": "前日最大跌幅", "type": "float",
         "default": -0.02, "min": -0.10, "max": -0.005, "step": 0.005},
        {"id": "volume_ratio", "label": "成交量放大倍数", "type": "float",
         "default": 1.2, "min": 1.0, "max": 5.0, "step": 0.1},
        {"id": "reversal_tolerance", "label": "反包容忍误差", "type": "float",
         "default": 0.005, "min": 0.0, "max": 0.03, "step": 0.005},
    ],
    "scoring": {"change_pct": 0.4, "vol_ratio_5d": 0.3, "momentum_5d": 0.3},
    "order_by": "score", "descending": True, "limit": 100,
}

LOOKBACK_DAYS = 2

ENTRY_SIGNALS = ["signal_broken_board_recovery"]
EXIT_SIGNALS = ["signal_ma20_breakdown"]
STOP_LOSS = -0.05
MAX_HOLD_DAYS = 10
ALERTS = [{"field": "signal_broken_board_recovery", "message": "反包信号"}]

RULES = """
1. 前一交易日为阴线，且跌幅不小于设定阈值
2. 今日为阳线，收盘价收复前一日开盘价并接近或突破前一日高点
3. 今日成交量较前一日明显放大，且收盘价站上 MA5 或 MA10
"""

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

    down_pct = float(params.get("prev_down_pct", -0.02))
    vol_ratio = float(params.get("volume_ratio", 1.2))
    tolerance = float(params.get("reversal_tolerance", 0.005))
    latest = df["date"].max()
    hist = (
        df.sort(["symbol", "date"])
        .with_columns([
            pl.col("open").shift(1).over("symbol").alias("_prev_open"),
            pl.col("high").shift(1).over("symbol").alias("_prev_high"),
            pl.col("close").shift(1).over("symbol").alias("_prev_close"),
            pl.col("volume").shift(1).over("symbol").alias("_prev_volume"),
            pl.col("change_pct").shift(1).over("symbol").alias("_prev_change_pct"),
        ])
    )
    return hist.filter(
        (pl.col("_prev_close") < pl.col("_prev_open"))
        & (pl.col("_prev_change_pct") <= down_pct)
        & (pl.col("close") > pl.col("open"))
        & (pl.col("close") > pl.col("_prev_open"))
        & (pl.col("close") >= pl.col("_prev_high") * (1 - tolerance))
        & (pl.col("volume") >= pl.col("_prev_volume") * vol_ratio)
        & ((pl.col("close") > pl.col("ma5")) | (pl.col("close") > pl.col("ma10")))
    )

8. 完整示例

见 strategy-example.md — 从零创建强势反包策略的三步完整演示。