“星际战舰”多策略交易框架一些简要补充这个“星际战舰框架”（面向对象+资金轮转框架）对于中高阶的策略管理具有极大的实战意

这个“星际战舰框架”（面向对象+资金轮转框架）对于中高阶的策略管理具有极大的实战意义。开篇我就说了“策略框架和策略一样值钱系列”，所以请不要仅仅关注它的策略的优秀表现（但对于睁眼闭眼要年收益100%+的小白，的确不算亮眼），它是一个代码模板，更是一种“工程化”的量化系统设计思维。

以下我将从“架构价值”和“如何快速接入新策略”两个维度为您深度解析。

第一部分：这个架构对策略管理有意义吗？

结论：意义巨大。它解决了量化实盘从“单兵作战”到“军团作战”的三个核心痛点。

1. 彻底的“物理隔离”（防止策略互殴）

传统痛点：你有一个“低吸策略”刚买入万科A，结果另一个“追涨策略”因为万科A没涨停触发了止损卖出。两个策略共用一个账户，互相干扰。
本架构价值：通过 g.positions[self.index] 建立了独立逻辑账本。策略A只能看到并操作自己的仓位，策略B的操作绝不会影响策略A。这让你可以放心地把完全相反逻辑的策略（如动量+反转）放在一起跑。

2. 极致的“资金利用率”（拒绝资金站岗）

传统痛点：你的小市值策略在1月、4月空仓避险，这30%的资金就躺在账上吃0收益。
本架构价值：通过 Allocator（资金分配器）和 is_empty 接口，实现了**“进攻资金”自动流向“防守水池”**。空仓期的资金会自动去买国债或全天候ETF，年化收益率直接提升 3%~5%。

3. 标准化的“执行引擎”（降低开发门槛）

传统痛点：写新策略时，每次都要重复写：怎么算买入股数？怎么防止买不够一手？怎么处理停牌？怎么分批买入？
本架构价值：基类 Strategy 封装了 _adjust、get_adjusted_stocks（缓冲池）、min_money（最小交易额）。
你只需要告诉框架： “我要买谁，买多少比例”。
框架负责： 算钱、剔除停牌、保留老仓位（缓冲）、下单、记账。

第二部分：如何将您的其他策略快速融入架构？

只需遵循**“三步走”标准作业程序 (SOP)**，任何策略都可以像“U盘”一样插入这个系统。

🛠️ 接入模版（请保存备用）

假设您手头有一个简单的**“均线策略”**（金叉买，死叉卖），想融入框架。

第一步：封装策略类（继承 `Strategy`）

将您的核心逻辑（选股+择时）放入一个新类中：

class My_MA_Strategy(Strategy):
    """
    您的自定义策略：均线策略
    """
    def __init__(self, context, index, name, display_name):
        # 1. 初始化父类
        super().__init__(context, index, name, display_name)
        # 2. 定义自己的参数
        self.stock = "000300.XSHG" # 比如只做沪深300ETF
        self.ma_short = 5
        self.ma_long = 20

    def is_empty(self):
        """
        [可选] 宏观择时接口。
        如果返回 True，资金会被没收给防守策略；
        如果返回 False，资金保留。
        """
        # 例如：大盘跌破250日线，申请全额防守
        # price = get_current_data()['000300.XSHG'].last_price
        # ma250 = ...
        # return price < ma250
        return False 

    def adjust(self):
        """
        [核心] 调仓逻辑
        目标：计算出 target = {标的代码: 目标权重}
        """
        # 0. 安全拦截（必写）
        if g.portfolio_value_proportion[self.index] == 0: return

        # 1. 获取数据 & 计算信号
        hist = attribute_history(self.stock, self.ma_long + 2, '1d', ['close'])
        ma_s = hist['close'][-self.ma_short:].mean()
        ma_l = hist['close'][-self.ma_long:].mean()
        
        target = {}
        
        # 2. 生成目标字典
        # 如果短均线 > 长均线 -> 金叉持有
        if ma_s > ma_l:
            # 权重 1.0 表示占满本策略分配到的资金
            target = {self.stock: 1.0} 
        else:
            # 死叉空仓，target 为空字典
            target = {}
            
        # 3. 呼叫基类引擎执行交易
        # 引擎会自动处理：卖出不在target里的、买入在target里的
        self._adjust(target)

第二步：在 `initialize` 中注册

找到 g.strategy_configs 列表，加一行：

    g.strategy_configs =[
        # ... 原有策略 ...
        # (显示名, 内部ID, 类名, 资金占比, 是否是防守水池)
        ("我的均线策略", "my_ma_strategy", My_MA_Strategy, 0.2, False), 
    ]
    # 注意：所有策略的资金占比加起来最好等于 1.0 (或 >1.0 带杠杆)

第三步：添加调度任务

在 initialize 的 run_daily 区域，添加一行调度：

    # 定义包装函数
    def run_my_ma(context): g.strategys["my_ma_strategy"].adjust()
    
    # 设定运行时间
    run_daily(run_my_ma, "09:45") # 比如每天 09:45 运行

💡 接入时的“思维转换”清单

为了确保无缝接入，请在写代码时转换一下思维：

不再关注 context.portfolio.cash：
- 以前你写：if context.portfolio.cash > 1000: order(...)
- 现在你不用管钱够不够，基类 _adjust 会自动计算属于你的配额。你只管算出 “我要持有谁”。
不再使用 order_target：
- 以前你写：order_target_value(stock, 10000)
- 现在你写：target = {stock: 1.0} 然后调用 self._adjust(target)。让框架去下单。
不再使用全局 g.xxx 存变量：
- 以前你写：g.my_stock_list = [...]
- 现在请写成类成员：self.my_stock_list = [...] (在 __init__ 里定义)。这样不同策略的变量不会冲突。

掌握了这个套路，你可以把聚宽广场（我的号内策略优秀亿点点）上任何优秀的策略（比如微盘股、次新股、可转债轮动）在 5分钟内改装成一个“插件”，插到你的这艘“星际战舰”上，让它们协同作战。好好搜集，假以时日，成为你真正的星际战舰，届时，你就是量化巨人，还会羡慕其他量化机构吗？

“星际战舰”多策略交易框架一些简要补充