年化42%，最大回撤18%，卡玛比率2.3的策略可查看参数 | 全A股市场构建技术方案

原创内容第977篇，专注AGI+，AI量化投资、个人成长与财富自由。

今天etf的数据和线上策略进行了更新：

策略地址：

http://www.ailabx.com/strategy/68a1e4492e5568a9eeba7724

今天开始做A股全市场股票回测的数据准备。

首先当然是同步股票列表，一共5000多支。数据存储上，建议使用mongo，非常简洁。

然后就是同步价量数据，估值数据，财务数据等等。

价量数据上，考虑回测的方便，我们直接导入“后复权”数据：

（这里有一个技巧，按symbol更新还是按date更新）。按symbol更新更符合直觉，按date更新性能更好，而且增量更新的话，就不需要遍历了。

当然，由于ETF我们并不更新全市场（只选择热门和交易量大的，那还是还symbol更新）

每日估值指标，包括流通股数，pe, pb等，市值等等，这个也是日频数据。

然后就是财务数据，财务数据是季度频率的，而且更新日期不同公司可能是不一样的。这个需要特别注意。

财务指标比较多，但是由于是季度频率的，数据量比较小。

核心数据这三个表就够了，当然需要每天盘后更新。

基于dagster来调度数据更新任务：

现在我们把这三张表，合并成大宽表，并同步到本地备用。

基本面数据转换成日频。

可以看到，如下这张宽表，把宽表变成两部分，20241231之前的历史数据，以及2025年的增量数据。这样每次只需要增量同步新增数据即可。

咱们的polars引擎会加载，查询所有这些历史数据，并进行回测。

沪深300成份股的因子计算，基于polars的方案，附python代码

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）

机器学习驱动的策略开发通过流程 | 普通人阶层跃迁的可能路径？

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）

三秒钟创建一个年化28%，夏普比1.25的策略（python系统已开放源代码下载）

6年年化收益46%，最大回撤率为16%的策略（附python代码）