JoinQuant量化平台：如何通过收盘价EMA判断市场趋势？

【求助】在回测环境中，怎么通过收盘价EMA判断趋势？

我的思路：
通过收盘价EMA判断市场的趋势。
如果【当前K线的EMA>前1K线的EMA>前2K线的EMA】，
则认为市场处于上涨趋势；
如果【当前K线的EMA< 前1K线的EMA< 前2K线的EMA】，
则认为市场处于下跌趋势。

遇到的困难：
在回测环境中，怎么写代码计算【收盘价】的EMA趋势？
在这里卡住半个月了！
比如，想要写代码判断：
10分钟K线：当前EMA>前1EMA>前2EMA
该写什么代码？
聚宽的EMA函数如下：
EMA(security_list, check_date, timeperiod=30, unit = '1d', include_now = True, fq_ref_date = None)
check_date只能输入特定日期的EMA，要比较前后周期的EMA数值，要如何实现？
注：需要能在回测环境中使用的。
有知道的大佬，麻烦指点一下，不胜感激！！

在 JoinQuant（聚宽）的回测环境中，如果你使用 jqlib.technical_analysis 库中的 EMA 函数，确实会遇到需要频繁传入 check_date 的问题，这在获取连续多个周期的 EMA 时非常不方便且运行效率低下。

最佳解决方案是：使用聚宽内置支持的第三方技术分析库 talib，结合 get_bars 函数获取历史 K 线数据，直接计算出一个 EMA 数组，然后通过数组切片轻松获取当前、前1、前2的 EMA 值。

以下是针对你“10分钟K线，判断当前EMA > 前1EMA > 前2EMA”需求的完整代码实现方案：

核心实现代码

# 导入聚宽函数库
import jqdata
# 导入 talib 库用于高效计算技术指标
import talib

def initialize(context):
    # 设定要操作的股票
    g.security = '000001.XSHE'
    # 设定 EMA 的计算周期，例如 30 周期
    g.ema_timeperiod = 30
    
    # 开启真实价格模式
    set_option('use_real_price', True)
    
    # 每天按分钟运行，这里我们可以在 handle_data 中控制频率，
    # 或者直接使用 run_daily 定时运行。为了演示10分钟K线，我们在 handle_data 中处理。

def handle_data(context, data):
    # 1. 获取历史 K 线数据
    # 获取 10分钟 (10m) 级别的收盘价数据
    # 注意：计算 EMA 需要一定的历史数据作为预热（通常是周期的 2-3 倍），所以 count 设大一点，比如 100
    bars = get_bars(g.security, count=100, unit='10m', fields=['close'], include_now=True)
    
    # 提取收盘价序列 (numpy.ndarray)
    close_prices = bars['close']
    
    # 2. 使用 talib 计算 EMA 序列
    # talib.EMA 会返回一个与 close_prices 长度相同的数组
    ema_array = talib.EMA(close_prices, timeperiod=g.ema_timeperiod)
    
    # 3. 提取最后 3 个周期的 EMA 值
    # 数组最后一位 [-1] 是当前 K 线的 EMA
    # [-2] 是前 1 K 线的 EMA
    # [-3] 是前 2 K 线的 EMA
    current_ema = ema_array[-1]
    prev_ema_1 = ema_array[-2]
    prev_ema_2 = ema_array[-3]
    
    # 过滤掉 NaN 值（在数据量不足时 talib 会返回 NaN）
    if np.isnan(current_ema) or np.isnan(prev_ema_1) or np.isnan(prev_ema_2):
        return
        
    # 4. 判断趋势逻辑
    if current_ema > prev_ema_1 and prev_ema_1 > prev_ema_2:
        # 上涨趋势
        log.info(f"【上涨趋势】当前EMA:{current_ema:.2f} > 前1:{prev_ema_1:.2f} > 前2:{prev_ema_2:.2f}")
        # 在这里编写买入逻辑
        if context.portfolio.positions[g.security].closeable_amount == 0:
            order_value(g.security, context.portfolio.available_cash)
            
    elif current_ema < prev_ema_1 and prev_ema_1 < prev_ema_2:
        # 下跌趋势
        log.info(f"【下跌趋势】当前EMA:{current_ema:.2f} < 前1:{prev_ema_1:.2f} < 前2:{prev_ema_2:.2f}")
        # 在这里编写卖出逻辑
        if context.portfolio.positions[g.security].closeable_amount > 0:
            order_target(g.security, 0)

代码原理解析

1. get_bars 函数：

   • unit='10m'：直接获取 10 分钟级别的 K 线数据，完美契合你的需求。
   • count=100：EMA 是指数移动平均，它的计算依赖于历史所有的价格数据（越久远的数据权重越小）。为了保证当前 EMA 值的准确性，获取的数据长度（count）建议至少是 EMA 周期（timeperiod）的 3 倍以上。
   • include_now=True：包含当前正在生成的这根 10 分钟 K 线。

2. talib.EMA 函数：

   • 相比于聚宽自带的 jqlib.technical_analysis.EMA，talib 是 C 语言底层编写的，计算速度极快，且直接接收一个价格数组，返回一个完整的 EMA 数组。这是量化回测中最主流、最高效的指标计算方式。

3. 数组切片 [-1], [-2], [-3]：

   • Python 的列表/数组支持负数索引，-1 代表最后一个元素（即当前最新 K 线），-2 代表倒数第二个，以此类推。这样就能轻松拿到你需要的“当前”、“前1”、“前2”的数值进行比较。

通过这种方式，你不仅可以判断 10 分钟 K 线的趋势，只需修改 get_bars 中的 unit 参数（如 '1d', '5m', '60m'），就可以无缝切换到任何时间周期的趋势判断中。