感谢您使用JoinQuant（聚宽）量化交易平台，以下内容主要介绍聚宽量化交易平台的API使用方法，目录中带有"♠" 标识的API是 "回测环境/模拟"的专用API，不能在投资研究模块中调用。

内容较多，可使用Ctrl+F进行搜索。

如果以下内容仍没有解决您的问题，请您查看常见问题或者通过社区提问的方式告诉我们，谢谢。 开始写策略

简单但是完整的策略

先来看一个简单但是完整的策略:

def initialize(context): # 定义一个全局变量, 保存要操作的股票 g.security = ‘000001.XSHE’ # 运行函数 run_daily(market_open, time=‘every_bar’)

def market_open(context): if g.security not in context.portfolio.positions: order(g.security, 1000) else: order(g.security, -800)

一个完整策略只需要两步:

这个策略里, 每当我们没有股票时就买入1000股, 每当我们有股票时又卖出800股, 具体的下单API请看order函数.

这个策略里, 我们有了交易, 但是只是无意义的交易, 没有依据当前的数据做出合理的分析

下面我们来看一个真正实用的策略 实用的策略

在这个策略里, 我们会根据历史价格做出判断:

import jqdata

def initialize(context): # 定义一个全局变量, 保存要操作的股票 # 000001(股票:平安银行) g.security = ‘000001.XSHE’ # 设定沪深300作为基准 set_benchmark(‘000300.XSHG’) # 开启动态复权模式(真实价格) set_option(‘use_real_price’, True) # 运行函数 run_daily(market_open, time=‘every_bar’)

def market_open(context): security = g.security # 获取股票的收盘价 close_data = attribute_history(security, 5, ‘1d’, [‘close’]) # 取得过去五天的平均价格 MA5 = close_data[‘close’].mean() # 取得上一时间点价格 current_price = close_data[‘close’][-1] # 取得当前的现金 cash = context.portfolio.available_cash

策略引擎介绍

回测环境

回测过程

数据

安全

运行频率

在一定时间段内的时间序列就构成了一根 K 线（日本蜡烛图），单根 K 线被称为 Bar。

如果是一分钟内的 Tick 序列，即构成一根分钟 K 线，又称分钟 Bar; 如果是一天内的分钟序列，即构成一根日线 K 线，又称日线 Bar;

Bar 的示意图如下所示：

Bar 的示意图

Bar 就是时间维度上，价格在空间维度上变化构成的数据单元。如下图所示，多个数据单元 Bar 构成的一个时间序列。

K线序列

下列图片中齿轮为 handle_data(context, data) 的运行时间，before_trading_start(context) 等其他函数运行时间详见相关API。

频率：天

当选择天频率时， 算法在每根日线 Bar 都会运行一次，即每天运行一次。

在算法中，可以获取任何粒度的数据。

日K线

频率：分钟

当选择分钟频率时， 算法在每根分钟 Bar 都会运行一次，即每分钟运行一次。

在算法中，可以获取任何粒度的数据。

分钟K线

频率：Tick

当选择 Tick 频率时，每当新来一个 Tick，算法都会被执行一次。

执行示意图如下图所示：

Tick序列

订单处理

风险指标数据有利于您对策略进行一个客观的评价。

注意: 无论是回测还是模拟, 所有风险指标(年化收益/alpha/beta/sharpe/max_drawdown等指标)都只会每天更新一次, 也只根据每天收盘后的收益计算, 并不考虑每天盘中的收益情况. 例外:

那么可能会造成这种现象: 模拟时收益曲线中有回撤, 但是 max_drawdown 可能为0. 名称 描述 回测 回测订单处理详情 模拟 模拟交易订单处理详情

拆分合并与分红

内容 传统前复权回测模式 与 真实价格（动态复权）回测模式 区别 是否开启动态复权(真实价格)模式对模拟交易的影响 股息红利税的计算

真实的税率计算方式如下：

在回测及模拟交易中，由于需要在分红当天将扣税后的分红现金发放到账户，因此无法准确计算用户的持仓时间（不知道股票卖出时间），我们的计算方式是，统一按照 20% 的税率计算的。

滑点

在实战交易中，往往最终成交价和预期价格有一定偏差，因此我们加入了滑点模式来帮助您更好地模拟真实市场的表现。

交易税费

交易税费包含券商手续费和印花税。您可以通过set_order_cost来设置具体的交易税费的参数。 券商手续费

中国A股市场目前为双边收费，券商手续费系默认值为万分之三，即0.03%，最少5元。 印花税

印花税对卖方单边征收，对买方不再征收，系统默认为千分之一，即0.1%。

风险指标

风险指标数据有利于您对策略进行一个客观的评价。

注意: 无论是回测还是模拟, 所有风险指标(年化收益/alpha/beta/sharpe/max_drawdown等指标)都只会每天于17:00左右更新一次, 也只根据每天收盘后的收益计算, 并不考虑每天盘中的收益情况. 例外:

那么可能会造成这种现象: 模拟时收益曲线中有回撤, 但是 max_drawdown 可能为0. 名称 描述 Total Returns 策略收益 Total Annualized Returns 策略年化收益 Alpha 阿尔法 Beta 贝塔 Sharpe 夏普比率 Sortino 索提诺比率 Information Ratio 信息比率 Algorithm Volatility 策略波动率 Benchmark Volatility 基准波动率 Max Drawdown 最大回撤 Downside Risk 下行波动率 胜率 胜率(%) 日胜率 日胜率(%) 盈亏比 盈亏比 超额收益 除法版超额收益率说明 对数轴 对数轴说明 对数轴上的超额收益 对数轴上的超额收益的计算方法

运行时间

模拟盘注意事项

模拟交易和回测的差别

比较的前提是策略、起始资金、时间区间及频率等完全一致。模拟交易现在和回测还是有些微小的差别, 具体原因如下:

期货交割日

期货持仓到交割日，没有手动交割，系统会以当天结算价平仓, 没有手续费, 不会有交易记录.

还券细则

投资组合优化器

投资组合优化是指应用概率论与数理统计、最优化方法以及线性代数等相关数学理论方法，根据既定目标收益和风险容许程度（例如最大化收益，最小化风险，风险平价等），将投资重新组合，分散风险的过程，它体现了投资者的意愿和投资者所受到的约束，即在一定风险水平下收益最大化或一定收益水平下的风险最小化。

投资组合管理者在设定了投资收益预期、风险预算、相关约束和风险模型之后， 依托优化器的快速计算优势，得到资产配置最优化结果。

由于不同的约束条件、目标函数，会形成不同的优化器，优化器的处理结果依赖用户输入的相关信息，因此投资者对收益率的预期和风险模型本身估计的准确性，都会影响最终的分析结果，再考虑到交易成本等各类因素的影响，所以从用户使用上而言， 没有绝对意义上最好的优化器。对于资产组合优化问题， 我们可以通过使用优化器，进行一个较长时间的回测，测试整个投资过程，在所有组合输入一致的情况下通过策略的绩效对比来看哪一个优化器有更好的表现， 或者更符合自己的需求。

组合优化器支持对股票、基金进行投资优化，支持如下优化模型：

对使用优化器的投资组合管理者来说，只需根据收益预期、风险预算，选择恰当的优化模型，并设定相关的约束限制条件。优化器程序可以基于选定的优化模型，输出优化后的投资权重调整建议。我们会对投资组合优化器的进行持续创新与改进。 示例

下面选出上证50成分股的一部分与选定的ETF基金进行组合构成股票池，设定不同的投资组合优化约束条件，并进行回测，测试投资组合优化器对整个投资的影响。

enter image description here

enter image description here

enter image description here

enter image description here

enter image description here

回测代码如下, 优化函数API详情见 portfolio_optimizer - 投资组合优化：

import pandas as pd from jqdata import * from jqfactor import Factor from jqlib.optimizer import *

def initialize(context): # 设定沪深300作为基准 set_benchmark(‘000300.XSHG’) # 开启动态复权模式(真实价格) set_option(‘use_real_price’, True)

def before_market_open(context): print(‘调仓日期：%s’%context.current_dt.date())

def market_open(context): # 将不在股票池中的股票卖出 sell_list = set(context.portfolio.positions.keys()) - set(g.buy_list) for stock in sell_list: order_target_value(stock, 0)

策略程序架构♦

名称 描述 initialize 初始化函数 run_daily/run_weekly/run_monthly 定时运行策略(可选) handle_data 运行策略(可选) before_trading_start 开盘前运行策略(可选) after_trading_end 收盘后运行策略(可选) on_strategy_end 策略运行结束时调用(可选) process_initialize 每次程序启动时运行函数(可选) after_code_changed 模拟交易更换代码后运行函数(可选) unschedule_all 取消所有定时运行(可选)

策略API介绍

注意事项

如需使用策略组合或分仓操作，请看策略组合操作.

策略设置函数 名称 描述 set_benchmark 设置基准 set_order_cost 设置佣金/印花税 set_slippage 设置滑点 use_real_price 设置动态复权(真实价格)模式 order_volume_ratio 设置成交量比例 match_with_order_book 设置是否开启盘口撮合模式 set_universe(history专用) 设定股票池 set_commission(已废弃) 设定费率 disable_cache 关闭缓存 数据获取函数

小提示：在日级策略中可以获取分钟级K线数据，反之亦然。取多支标的的数据时，不要获取交易时段不同的标的（例如：不同交易时间的期货标的），否则会报错。 更多数据，请访问数据页面查看 名称 描述 get_price 获取历史数据，可查询多个标的多个数据字段，返回数据格式为 DataFrame history ♠ 获取历史数据，可查询多个标的单个数据字段，返回数据格式为 DataFrame 或 Dict(字典) attribute_history ♠ 获取历史数据，可查询单个标的多个数据字段，返回数据格式为 DataFrame 或 Dict(字典) get_bars 获取历史数据(包含快照数据)，可查询单个标的多个数据字段，返回数据格式为 numpy.ndarray get_current_data ♠ 获取当前时间数据 get_extras 获取基金单位/累计净值，期货结算价/持仓量等 get_factor_values 质量、基础、情绪、成长、风险、每股等数百个因子数据 get_fundamentals 查询财务数据 get_fundamentals_continuously 查询多日的财务数据 finance.run_query 深沪港通股东信息等数据 jy.run_query 更多财务及宏观数据 macro.run_query 获取聚宽宏观经济数据 get_billboard_list 获取龙虎榜数据 get_locked_shares 获取限售解禁数据 get_index_stocks 获取指数成份股 get_index_weights 获取指数成分股权重 get_industry_stocks 获取行业成份股 get_concept_stocks 获取概念成份股 get_industries 获取行业列表 get_concepts 获取概念列表 get_all_securities 获取所有标的信息 get_security_info 获取单个标的信息 get_industry 查询股票所属行业 get_all_trade_days 获取所有交易日 get_trade_days 获取指定范围交易日 get_money_flow 获取资金流信息 数据处理函数 名称 描述 neutralize 中性化 winsorize 去极值 winsorize_med 中位数去极值 standardlize 标准化 组合优化函数 portfolio_optimizer - 投资组合优化

portfolio_optimizer(date, securities, target, constraints, bounds=[Bound(0.0, 1.0)], default_port_weight_range=[0.0, 1.0], ftol=1e-9, return_none_if_fail=True)

优化函数, 用于计算在某些约束条件下的最优组合权重

相关参数 参数名称 描述 目标函数(target) 优化目标函数，只能选择一个 限制函数(constraints) 用以对组合总权重进行限制，可设置一个或多个相同/不同类别的函数 边界函数(bounds) 用以对组合中单标的权重进行限制，可设置一个或多个相同/不同类别的函数 示例代码 给了五个应用示例，修改参数即可生效 jqlib

名称 描述 alpha101 Alpha 101 因子 alpha191 Alpha 191 因子 technical_analysis 技术分析指标

交易函数

提示：所有下单函数可以在 handle_data中 与 定时运行函数 的 time 参数为 "every_bar"或具体的时间点（例如:time=‘10:00’）时使用。 名称 描述 order 按股数下单 order_target 目标股数下单 order_value 按价值下单 order_target_value 目标价值下单 cancel_order 撤单 get_open_orders 获取未完成订单 get_orders 获取订单信息 get_trades 获取成交信息 inout_cash 账户出入金

对象 名称 描述 g 全局变量对象 Context 策略信息总览，包含账户、时间等信息 SubPortfolio 子账户信息 Portfolio 总账户信息 Position 持仓标的信息 SecurityUnitData data对象 tick 对象 tick 对象 Trade对象 订单的一次交易记录,一个订单可能分多次交易. Order对象 买卖订单信息 OrderStatus 订单状态 OrderStyle 下单方式 其他函数 名称 描述 record ♠ 画图函数 send_message ♠ 发送自定义消息 log 日志log信息 write_file 将策略中的信息写入内容到研究模块文件中 read_file 读取你在研模块中存放的私有文件 自定义python库 自定义私人的Python库文件 create_backtest 通过一个策略ID从研究中创建回测 get_backtest 研究中获取回测与模拟交易信息 normalize_code 股票代码格式转换 enable_profile ♠ 性能分析 策略组合操作

名称 描述 set_subportfolios 初始化策略子账户 subportfolios SubPortfolio 子账户信息 transfer_cash 账户间转移资金 Tick 级策略专用函数

Tick级回测模拟需要申请才能使用，申请链接

注意Tick级回测必须使用真实价格模式，设置方式详见设置真实价格模式

股票部分， 支持 2017-01-01 至今的tick数据，提供买五卖五数据。

期货部分， 支持 2010-01-01 至今的tick数据，提供买一卖一数据。 Tick级专用API 名称 描述 handle_tick 策略运行 subscribe 订阅标的的 tick 事件 unsubcribe 取消订阅标的的 tick 事件 unsubscribe_all 取消订阅所有 tick 事件 get_current_tick 获取最新的 tick 数据 get_ticks 获取股票、期货及期权的 tick 数据 Tick级示例策略 示例1：

def initialize(context): init_cash = context.portfolio.starting_cash set_subportfolios([SubPortfolioConfig(cash=init_cash, type=‘futures’)])

def handle_tick(context, tick): #pass log.info(tick) get_current_tick(g.code1) #order(g.code1, 1 , side=‘short’, pindex=0)

示例2：

import jqdata def initialize(context): set_benchmark(‘000300.XSHG’) set_option(‘use_real_price’, True) set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type=‘stock’)

def before_trading_start(context): subscribe(‘000001.XSHE’,‘tick’)

def handle_tick(context, tick): log.info(tick)

def after_trading_end(context): unsubscribe_all()

融资融券专用函数

初始化融资融券账户

初始化的仓位是不允许直接进行融资融券操作的，因为初始默认 subportfolios[0] 中 SubPortfolioConfig 的 type = ‘stock’，只允许买卖股票与场内基金等。

因此要进行融资融券，您需要设定 SubPortfolioConfig 的 type = ‘stock_margin’，具体方法如下：

def initialize(context):

融资融券专用API

注意：get_marginsec_stocks和get_margincash_stocks无法获取当前未完结交易日的数据，因为交易所的数据尚未生成。 名称 描述 margincash_interest_rate 设置融资利率 margincash_margin_rate 设置融资保证金比率 marginsec_interest_rate 设置融券利率 marginsec_margin_rate 设置融券保证金比率 margincash_open 融资买入 margincash_close 卖券还款 margincash_direct_refund 直接还款 marginsec_open 融券卖出 marginsec_close 买券还券 marginsec_direct_refund 直接还券 get_margincash_stocks 获取融资标的列表 get_marginsec_stocks 获取融券标的列表 get_mtss 获取融资融券信息 期货策略专用函数

初始化期货账户

初始化的仓位是不允许直接买卖期货的，因为初始默认 subportfolios[0] 中 SubPortfolioConfig 的 type = ‘stock’，只允许买卖股票与场内基金等。 因此要买卖期货，您需要设定 SubPortfolioConfig 的 type = ‘futures’，具体方法如下：

def initialize(context):

期货信息 名称 描述 主力连续合约 主力连续合约信息 品种指数 品种指数信息 期货注意事项 期货策略注意事项 期货专用API 名称 描述 get_dominant_future 获取主力合约对应的标的 get_future_contracts 期货可交易合约列表 futures_margin_rate 设置期货保证金比例 is_dangerous 期货保证金预警 get_price等 获取期货的行情数据 order 期货按股数下单 order_target 期货目标股数下单 order_value 期货按价值下单 order_target_value 期货目标价值下单 场外基金策略专用函数

初始场外基金账户

初始化的仓位是不允许直接买卖场外基金的，因为初始默认 subportfolios[0] 中 SubPortfolioConfig 的 type = ‘stock’，只允许买卖股票与场内基金。

因此要买卖场外基金，您需要设定 SubPortfolioConfig 的 type = ‘open_fund’，具体方法如下：

def initialize(context):

场外基金成交价格说明

场外基金专用API 名称 描述 purchase 申购基金 redeem 赎回基金 set_redeem_latency 设置赎回到账日 get_fund_info 基金基础信息数据接口 场外基金示例策略

import jqdata

def initialize(context): g.day = 0 # 初始化场外基金仓位 set_subportfolios([SubPortfolioConfig(context.portfolio.available_cash, ‘open_fund’)]) # 用基金的单位净值进行撮合成交 set_option(‘use_real_price’, True) # 设置 QDII 的赎回到账日为 T+3 set_redeem_latency(3, ‘QDII_fund’)

def handle_data(context, data): s = ‘000311.OF’ if g.day == 1: o = purchase(s, 100000) print o if g.day == 10: o2 = redeem(s, 500) print o2 print context.current_dt print context.portfolio.available_cash print context.portfolio.total_value g.day += 1

Python库

标准库

我们支持所有Python标准库(https://docs.python.org/2/library/index.html)，您可以通过import的方式进行引入, 下面列出了一些常用的库： 库名 帮助文档 array https://docs.python.org/2.7/library/array.html cmath https://docs.python.org/2.7/library/cmath.html collections https://docs.python.org/2.7/library/collections.html copy https://docs.python.org/2.7/library/copy.html datetime https://docs.python.org/2.7/library/datetime.html dateutil https://pypi.python.org/pypi/dateutils/0.6.6 functools https://docs.python.org/2.7/library/functools.html heapq https://docs.python.org/2.7/library/heapq.html itertools https://docs.python.org/2.7/library/itertools.html json https://docs.python.org/2.7/library/json.html math https://docs.python.org/2.7/library/math.html operator https://docs.python.org/2.7/library/operator.html pytz https://pypi.python.org/pypi/pytz/2015.2 random https://docs.python.org/2.7/library/random.html re https://docs.python.org/2.7/library/re.html string https://docs.python.org/2.7/library/string.html time https://docs.python.org/2.7/library/time.html xml https://docs.python.org/2.7/library/xml.html 第三方库

我们支持以下Python第三方库，您可以通过import的方式进行引入: 在研究模拟中, 您可以运行 !pip list 来查看所有安装的第三库和版本.

回测模块：

研究模块：

主要模块介绍： 模块名称 版本 简介 网址 arch 3.1 Arch模型的lib库 https://pypi.python.org/pypi/arch cvxopt 1.1.8 cvxopt是一个最优化计算包，进行线性规划、二次规划、半正定规划等的计算 https://pypi.python.org/pypi/cvxopt/1.1.8 gensim 0.12.2 gensim用于计算文本相似度，依赖NumPy和SciPy这两大Python科学计算工具包 http://radimrehurek.com/gensim/tutorial.html jieba 0.37 jieba是一个中文分词组件 https://pypi.python.org/pypi/jieba matplotlib 1.4.3 matplotlib可能是Python 2D绘图领域使用最广泛的库。它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式 http://matplotlib.org/contents.html mpl_toolkits 1.4.3 mpl_toolkits是一个Python 3D绘图领域函数库 http://matplotlib.org/mpl_toolkits/index.html NumPy 1.9.3 NumPy系统是Python的一种开源的数值计算扩展。NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生 http://www.numpy.org/ pandas 0.16.2 Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法 http://pandas.pydata.org/pandas-docs/version/0.16.2/ pybrain 0.3 pybrain一个开源的Python神经网络库 http://pybrain.org/docs/ pymc 2.3.6 pymc是机器学习中一个图模型的Python库 https://pypi.python.org/pypi/pymc/ SciPy 0.15.1 SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包。它包括统计，优化，整合，线性代数模块，傅里叶变换，信号和图像处理,常微分方程求解器等等 http://www.scipy.org/ seaborn 0.6.0 该模块是一个统计数据可视化库 http://web.stanford.edu/~mwaskom/software/seaborn/ sklearn 0.18 Scikit-Learn是基于python的机器学习模块，基于BSD开源许可证。scikit-learn的基本功能主要被分为六个部分，分类，回归，聚类，数据降维，模型选择，数据预处理。Scikit-Learn中的机器学习模型非常丰富，包括SVM，决策树，GBDT，KNN等等，可以根据问题的类型选择合适的模型 http://scikit-learn.org/stable/ Statsmodels 0.6.1 Statismodels是一个Python包，提供一些互补scipy统计计算的功能，包括描述性统计和统计模型估计和推断 http://statsmodels.sourceforge.net/ PyTables 3.2.2 PyTables提供了一些用于结构化数组的高级查询功能，而且还能添加列索引以提升查询速度，这跟关系型数据库所提供的表索引功能非常类似 http://www.pytables.org/usersguide/tutorials.html TALib 0.4.9 TALib是一个处理金融数据和技术分析的开放代码库 http://mrjbq7.github.io/ta-lib/funcs.html hmmlearn 0.2.0 是在python上实现隐马可夫模型的一个组件包 https://github.com/hmmlearn/hmmlearn Theano 0.8.1 Pyhton深度学习库 http://deeplearning.net/software/theano/ Lasagne 0.1 Pyhton深度学习库 http://lasagne.readthedocs.org/en/latest/ requests 2.7.0 网络访问模块 http://docs.python-requests.org/en/v2.7.0/ pywt 0.4.0 小波工具箱 http://pywavelets.readthedocs.io/en/v0.4.0/ Zipline 0.9.0 开源的交易算法库，目前作为Quantopian的回溯检验引擎 https://github.com/quantopian/zipline xlrd 1.0.0 Python语言中，读取Excel的扩展工具 https://pypi.python.org/pypi/xlrd/ xlwt 1.1.2 Python语言中，写入Excel文件的扩展工具 https://pypi.python.org/pypi/xlwt/ openpyxl 2.4.0 Openpyxl是一个python读写Excel 2010文件的库 http://openpyxl.readthedocs.io/en/default/ snownlp 0.12.3 处理中文文本的Python库 https://pypi.python.org/pypi/snownlp/ pycrypto 2.6.2 Python加密工具包 https://pypi.python.org/pypi/pycrypto beautifulsoup4 4.5.1 python下很帅气的爬虫包 https://www.crummy.com/software/BeautifulSoup/ prettytable 0.7.2 Python通过prettytable模块可以将输出内容如表格方式整齐的输出。 https://pypi.python.org/pypi/PrettyTable PyBrain 0.3 Python的一个机器学习模块，它的目标是为机器学习任务提供灵活、易应、强大的机器学习算法。 http://www.pybrain.org/ seaborn 0.6.0 基于matplotlib的Python可视化库 http://seaborn.pydata.org/ bokeh 0.9.3 Python可视化库, 长于创建交互式图表 http://bokeh.pydata.org/ 共享函数库

用户产生的函数，并分享出来。 使用共享函数库，可以避免用户再做重复的工作，也可以学习其他宽客的代码思路。 详情查看：帮助 -> 共享函数库 归因分析说明 净值分析 收益分析

风险指标

持仓分析

Brinson 归因

因子分析 风格分析

Fama-French五因子模型，是将超额收分为5个因子来解释，具体如下表 因子 因子解释 构造方式 回归系数解释 市场因子(RM) 受市场走势变化造成的不确定性收益率 市场组合收益率减去无风险收益率 当βi>0βi>0，说明在样本期间内，该组合的运行趋势与市场整体运行趋势是一致的，如果大于1，说明该组合可能偏激进型。 规模因子(SMB) 由于上市公司规模不同导致的收益率差异 小市值组合的收益率减去大市值组合的收益率 当si>0si>0，说明该组合可能偏好于配置小盘股 估值因子(HML) 由于上市公司账面市值比不同导致的收益率差异 较高账面市值比的公司组合收益率减去减低账面市值比的公司组合收益率 当hi>0hi>0，说明该组合可能偏好于配置账面市值比高的公司，也就是价值型的公司 盈利因子（RMW） 由于盈利水平不同造成的收益率差异 高盈利公司组合收益率减去低盈利公司组合收益率 当ri>0ri>0，说明该组合可能偏好于配置盈利高的公司 投资因子（CMA） 由于投资水平的不同造成的收益率差异 投资率低的公司组合收益率减去投资率高的公司组合收益率 当ci>0ci>0，说明该组合可能偏好于配置投资率较低的公司 风险分析

对收益分析的最后一部分就是查看该策略在各个方面和基准相比的偏差，通过BARRA风险模型中的10个风格因子来判别，具体解释如下表。 因子 解释 市值 捕捉大盘股和小盘股之间的收益差异 非线性市值 描述了无法由规模因子解释的但与规模有限的收益差异，通常代表中盘股 杠杆 描述了高杠杆股票与低杠杆股票之间的收益差异 账面市值比 描述了股票估值高低縣产生的收益差异，即价值因子 成长 描述了对销售或盈利增长预期不同而产生的收益差异 动量 描述了过去半年到一年里相对强势的股票与弱势股票之间的差异 盈利能力 描述了由盈利收益导致的收益差异 贝塔 捕捉了那些无法用国家因子解释的市场风险 残差波动率 解释了剥离了市场风险后的波动率高低产生的收益率差异 流动性 解释了由股票相对的交易活跃度不同而产生的收益率差异。 策略示例 均线策略

当价格高于5日均线平均价格1.05时买入，当价格低于5日平均价格0.95时卖出。

import jqdata

def initialize(context): # 定义一个全局变量, 保存要操作的股票 # 000001(股票:平安银行) g.security = ‘000001.XSHE’ # 设定沪深300作为基准 set_benchmark(‘000300.XSHG’) # 开启动态复权模式(真实价格) set_option(‘use_real_price’, True)

def handle_data(context, data): security = g.security # 获取股票的收盘价 close_data = attribute_history(security, 5, ‘1d’, [‘close’]) # 取得过去五天的平均价格 MA5 = close_data[‘close’].mean() # 取得上一时间点价格 current_price = close_data[‘close’][-1] # 取得当前的现金 cash = context.portfolio.available_cash