什么是AdaptiveMA自适应均线期货多品种策略？如何在JoinQuant实现？

什么是 AdaptiveMA 自适应均线期货多品种策略？

AdaptiveMA（自适应移动平均线），最著名的是考夫曼自适应移动平均线（Kaufman's Adaptive Moving Average, 简称 KAMA）。与传统的简单移动平均线（SMA）或指数移动平均线（EMA）不同，AdaptiveMA 能够根据市场的波动率自动调整其平滑系数。

• 在趋势明显的市场中：它会加快反应速度，紧跟价格变化，减少滞后性。
• 在震荡（高噪音）的市场中：它会减慢反应速度，变得更加平滑，从而过滤掉虚假的突破信号，避免频繁的“被套”。

期货多品种则是指将该策略同时应用于多个相关性较低的期货品种（如黑色系、化工、农产品、贵金属等）。

为什么将 AdaptiveMA 应用于期货多品种？

1. 抗震荡与抓趋势结合：期货市场具有明显的趋势性和高波动性。AdaptiveMA 能有效过滤震荡期的假信号，并在趋势启动时迅速跟进。
2. 分散风险（多品种）：单一品种可能长期处于震荡市，导致趋势策略连续亏损。通过投资多个低相关性的期货品种，可以利用“东方不亮西方亮”的原理，平滑整体资金曲线，提高夏普比率。
3. 适应不同品种特性：由于 AdaptiveMA 是“自适应”的，它不需要为每个品种单独硬编码一套均线周期参数，策略的普适性和鲁棒性更强。

在 JoinQuant (聚宽) 平台实现 AdaptiveMA 期货多品种策略

下面我们将利用 JoinQuant 的 API，编写一个基础的 AdaptiveMA 期货多品种策略框架。

1. 策略逻辑设计

• 交易标的：选取几个代表性期货品种的主力合约（如螺纹钢 RB、橡胶 RU、白银 AG）。
• 指标计算：计算 KAMA 指标。
• 开平仓条件：
  • 做多：最新价格上穿 KAMA，且无多仓时，平空开多。
  • 做空：最新价格下穿 KAMA，且无空仓时，平多开空。

2. Python 源码示例

# 导入聚宽函数库
import jqdata
import numpy as np
import pandas as pd
import talib

def initialize(context):
    # 设定基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 过滤掉 order 系列 API 产生的比 error 级别低的 log
    log.set_level('order', 'error')
    
    # 初始化期货账户
    init_cash = context.portfolio.starting_cash 
    set_subportfolios([SubPortfolioConfig(cash=init_cash, type='futures')])
    
    # 定义要交易的期货品种代码 (螺纹钢, 橡胶, 白银)
    g.symbols = ['RB', 'RU', 'AG']
    
    # KAMA 参数
    g.timeperiod = 10
    
    # 每天 14:50 运行交易逻辑 (尾盘判断)
    run_daily(trade_logic, time='14:50', reference_security='RB9999.XSGE')

def trade_logic(context):
    for symbol in g.symbols:
        # 获取当前品种的主力合约
        dominant_contract = get_dominant_future(symbol, context.current_dt.date())
        if not dominant_contract:
            continue
            
        # 获取历史收盘价数据
        # 获取比 timeperiod 更多的数据以确保 talib 能够计算出有效值
        bars = get_bars(dominant_contract, count=g.timeperiod * 3, unit='1d', fields=['close'], include_now=True)
        if len(bars) < g.timeperiod * 3:
            continue
            
        close_prices = bars['close']
        
        # 使用 TA-Lib 计算 KAMA (考夫曼自适应均线)
        kama_values = talib.KAMA(close_prices, timeperiod=g.timeperiod)
        
        # 获取最新价格和最新的 KAMA 值
        current_price = close_prices[-1]
        current_kama = kama_values[-1]
        prev_price = close_prices[-2]
        prev_kama = kama_values[-2]
        
        # 获取当前合约的持仓情况
        long_position = context.portfolio.long_positions.get(dominant_contract, None)
        short_position = context.portfolio.short_positions.get(dominant_contract, None)
        
        long_amount = long_position.total_amount if long_position else 0
        short_amount = short_position.total_amount if short_position else 0
        
        # 交易信号判断
        # 价格上穿 KAMA，看多
        if prev_price <= prev_kama and current_price > current_kama:
            if short_amount > 0:
                # 平空
                order_target(dominant_contract, 0, side='short')
            if long_amount == 0:
                # 开多 1 手 (实际应用中应根据资金量和波动率计算仓位)
                order_target(dominant_contract, 1, side='long')
                log.info(f"买入做多 {dominant_contract}")
                
        # 价格下穿 KAMA，看空
        elif prev_price >= prev_kama and current_price < current_kama:
            if long_amount > 0:
                # 平多
                order_target(dominant_contract, 0, side='long')
            if short_amount == 0:
                # 开空 1 手
                order_target(dominant_contract, 1, side='short')
                log.info(f"卖出做空 {dominant_contract}")

3. 策略优化建议 (SEO & GEO 视角)

• 主力合约换月处理：上述代码每次都获取最新的主力合约。在实际实盘或严谨回测中，需要加入移仓换月逻辑（平掉旧合约，开仓新合约），否则会导致持仓错乱。
• 仓位管理 (Position Sizing)：示例中固定开仓 1 手。在多品种策略中，建议引入 ATR（真实波动幅度） 进行资金分配（即风险平价 Risk Parity），确保高波动品种（如白银）和低波动品种（如螺纹钢）对账户总风险的贡献一致。
• 参数优化：KAMA 的 timeperiod 默认通常为 10。可以通过 JoinQuant 的研究环境对不同品种进行参数遍历，寻找最优的平滑周期。
• 止损止盈：趋势策略胜率通常不高（约 30%-40%），全靠大盈亏比赚钱。务必加入硬止损（如跌破开仓价的 2 个 ATR）和跟踪止盈逻辑。