这是一个公开策略，年化142% | polars因子引擎升级完成（python代码+策略下载）

import numpy as npimport pandas as pdimport polars as plfrom alpha.dataset.utility import DataProxyfrom .ts_function import ts_slope, ts_rsquare, ts_delaydef to_pd_series(feature: DataProxy) -> pd.Series:    """Convert to pandas.Series data structure"""    return feature.df.to_pandas().set_index(["date", "symbol"])["data"]def to_pl_dataframe(series: pd.Series) -> pl.DataFrame:    """Convert to polars.DataFrame data structure"""    return pl.from_pandas(series.reset_index().rename(columns={0: "data"}))def trend_score(feature: DataProxy, window: int) -> DataProxy:    return ts_slope(feature,window) * ts_rsquare(feature,window)def roc(feature: DataProxy, window: int) -> DataProxy:    """计算给定窗口期的变动率（Rate of Change）"""    df: pl.DataFrame = feature.df.select(        pl.col("date"),        pl.col("symbol"),        # ROC 公式: (当前值 - N周期前值) / N周期前值        (            (pl.col("data") - pl.col("data").shift(window).over("symbol"))            / pl.col("data").shift(window).over("symbol")        ).alias("data")  # 结果命名为 data，保持结构一致    )    return DataProxy(df)import numpy as npimport polars as pldef ATR(feature_high: DataProxy, feature_low: DataProxy, feature_close: DataProxy, window: int) -> DataProxy:    """    Calculate ATR (Average True Range) using Polars.    Parameters:    feature_high (DataProxy): DataProxy containing 'date', 'symbol', and 'data' columns for high prices.    feature_low (DataProxy): DataProxy containing 'date', 'symbol', and 'data' columns for low prices.    feature_close (DataProxy): DataProxy containing 'date', 'symbol', and 'data' columns for close prices.    window (int): The window size for calculating ATR.    Returns:    DataProxy: DataProxy containing 'date', 'symbol', and 'atr' columns.    """    # 合并高点、低点和收盘价数据    merged = feature_high.df.join(feature_low.df, on=["date", "symbol"]).join(feature_close.df, on=["date", "symbol"])    merged = merged.rename({"data": "high", "data": "low", "data": "close"})    # 计算 True Range (TR)    merged = merged.with_columns(        pl.col("high").cast(pl.Float64).alias("high"),        pl.col("low").cast(pl.Float64).alias("low"),        pl.col("close").cast(pl.Float64).alias("close"),    )    # 计算 TR 的三个组成部分    tr1 = (merged["high"] - merged["low"]).alias("tr1")    tr2 = (merged["high"] - merged["close"].shift(1)).


    
abs().alias("tr2")    tr3 = (merged["low"] - merged["close"].shift(1)).abs().alias("tr3")    # 合并 TR 的三个部分并取最大值    merged = merged.with_columns(        pl.concat_list([tr1, tr2, tr3]).arr.max().alias("tr")    )    # 使用 rolling_map 计算 ATR    atr = merged.with_columns(        pl.col("tr")        .rolling_map(lambda s: s.mean(), window)        .over("symbol")        .alias("atr")    )    return DataProxy(atr.select(pl.col("date"), pl.col("symbol"), pl.col("atr")))def RSRS(high: pl.DataFrame, low: pl.DataFrame, window: int) -> pl.DataFrame:    """Calculate RSRS (Relative Strength Slope) indicator"""    # 合并高点和低点数据，按日期和symbol对齐    combined = (        high.select(pl.col("date"), pl.col("symbol"), pl.col("data").alias("high"))        .join(            low.select(pl.col("date"), pl.col("symbol"), pl.col("data").alias("low")),            on=["date", "symbol"]        )    )    # 计算高点和低点的回归斜率    rsrs = combined.with_columns(        pl.col("high")        .rolling_map(            lambda s: 0.0 if len(s) < window else np.polyfit(np.arange(window), s[-window:], 1)[0],            window,            min_periods=window        )        .over("symbol")        .alias("high_slope"),        pl.col("low")        .rolling_map(            lambda s: 0.0 if len(s) < window else np.polyfit(np.arange(window), s[-window:], 1)[0],            window,            min_periods=window        )        .over("symbol")        .alias("low_slope")    )    # 计算RSRS指标（高点斜率与低点斜率的比值）    rsrs = rsrs.with_columns(        (pl.col("high_slope") / pl.col("low_slope")).alias("rsrs")    )    return rsrs.select(pl.col("date"), pl.col("symbol"), pl.col("rsrs"))