用python代码完成下面的实验：基于中国A股市场的股票数据，设计基于T-N~T日的盘面公开数据与其它数据（如网络舆情数据、基本面数据等等）的T+1日股票收盘价预测模型，滚动预测T+10个交易日，测算模型的预测精度（基于MSE、MAE等评价指标），并基于预测结果设计交易策略（在什么时候买、什么时候卖），并展开回测性能评价（模拟选择最优阈值，根据交易信号进行交易，并测算交易的收益水平，如平均收益率、最大损失率、最大收益率等）

这是一个非常复杂的任务，需要大量的数据处理和建模技能。以下是一个大致的步骤：

1. 收集数据：从财经网站或API获取中国A股市场的盘面数据和其它数据，包括网络舆情数据、基本面数据等等。将这些数据存储为CSV文件。

2. 数据清洗和处理：对数据进行缺失值和异常值处理，进行特征工程和降维处理，以提高模型的预测能力。

3. 数据建模：使用机器学习算法（如线性回归、SVM、决策树、神经网络等）建立T+1日股票收盘价预测模型。使用滚动预测方法，预测T+10个交易日的股票收盘价，并计算预测精度评价指标，如MSE、MAE等。

4. 交易策略设计：基于预测结果设计交易策略，例如在预测股价上涨时买入，在预测股价下跌时卖出。

5. 回测性能评价：使用历史数据进行回测，模拟不同阈值下的交易信号进行交易，并测算交易的收益水平，如平均收益率、最大损失率、最大收益率等。

以下是一个简单的Python代码框架，供参考：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 1. 收集数据
data = pd.read_csv('stock_data.csv')

# 2. 数据清洗和处理
# ...

# 3. 数据建模
X = data.drop(['close_price'], axis=1) # 特征数据
y = data['close_price'] # 目标数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
mae = mean_absolute_error(y_test, y_pred)

# 4. 交易策略设计
# ...

# 5. 回测性能评价
# ...

需要注意的是，这个任务非常复杂，需要大量的数据处理和建模技能，建议先学习相关的Python数据科学和机器学习的知识。