卖出规则是用来过滤的，比如4个ETF（A,B,C,D），有1个ETF(A)符合卖出条件，且这个ETF动量排名是第1的，那么，按照代码规则，首先是排除掉A（卖出A），然后从剩下的3个ETF（B,C,D）中找排名第一的买入；

我怀疑bt框架在偷数据；如果我将测试数据的2025-10-15日（包括这一天）及以后的数据给删除，测试的时候get_transactions()方法拿不到2025-10-14日的调仓信息；如果按照收盘价进行调仓换股的话，那么2025-10-14日的数据是有的，2025-10-14日的调仓数据应该是要输出的；我现在增加一条测试数据（日期为2025-10-15，其它OHLC的数据随便填写）这个时候回测就会出来2025-10-14日的调仓信息；按照这个逻辑，它只有后一天的数据出来的时候，前一日的调仓信息才能出来，所以它应该是次日开盘显示前一日的调仓信息的。

gitee上面的代码不全；我从github上面下载到一份完整的源码；github上面搜索aitrader就有了。

我这里修改了一下，拟合直线的斜率改成了暴力两点 斜率

获取斜率（回归系数）

slope = model.coef_[0]

暴力首尾两点斜率
slope=(close_values[n-1]-close_values[0])/close_values[0]

这样计算出来总收益为50.57812057000028

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

def calculate_R2_with_slope(close_values,K):
n = len(close_values)
if n < K:
return np.nan
# 获取最新的close_values数据
close_values = close_values[-K:]
n = len(close_values)
# 取close_values窗口滑动向前的20天数据
x = np.arange(n).reshape(-1, 1)
model = LinearRegression()
model.fit(x, close_values)
# 获取斜率（回归系数）
slope = model.coef_[0]
#print(f"斜率（回归系数）: {slope}")
X_test = np.array(x)
y_test= np.array(close_values)
# 获取拟合度（R-squared值）
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)
return r2*slope

@calc_by_symbol
def trend_score(se: pd.Series,d):
# 这里使用滑动窗口获取 斜率*拟合度
return se.rolling(window=d).apply(lambda x: calculate_R2_with_slope(x.values, d))

我这里的计算方式是这样的，也回测不出来公开策略的60%多倍收益，只测试出来37倍收益