JoinQuant 聚宽平台中“源码”与“研究”代码有什么不同？

你好！这是一个非常好的问题，也是很多初学 JoinQuant（聚宽）量化平台的新手经常会遇到的疑惑。

简单来说，**“源码”（策略代码）和“研究”（研究代码）**代表了量化交易开发流程中的两个不同阶段，它们运行的底层环境、代码结构以及支持的 API 都有很大的区别。

以下是两者的详细对比解析：

1. 源码（策略代码 / 回测与模拟交易环境）

“源码”区域的代码，是用来进行“历史回测”和“模拟实盘交易”的。

• 核心目的：验证你的交易逻辑在历史行情中是否能赚钱，或者在模拟盘中自动执行买卖。
• 运行机制（事件驱动）：策略代码是事件驱动的。你不需要自己写循环去遍历每一天，聚宽的底层引擎会像时间机器一样，一天一天（或一分钟一分钟）地推进时间，并在特定的时间点自动调用你写好的函数。
• 代码结构特征：
  • 必须包含 initialize(context) 初始化函数（设定基准、手续费、初始股票池等）。
  • 通常包含定时运行函数 run_daily() 或 handle_data(context, data) 来处理每天/每分钟的交易逻辑。
  • 依赖 context 对象来获取当前的账户资金、持仓信息和当前时间。
• 专属 API：只能在这里使用交易下单函数，如 order()、order_target()，以及获取当前持仓的 context.portfolio 等。

示例结构：

def initialize(context):
    g.security = '000001.XSHE'
    set_benchmark('000300.XSHG')

def handle_data(context, data):
    # 引擎每天自动调用，执行买卖
    order(g.security, 100)

2. 研究（研究代码 / Jupyter Notebook 环境）

“研究”区域的代码，是用来进行“数据分析、策略探索和因子挖掘”的。

• 核心目的：在写具体的交易策略之前，你需要先分析数据。比如：画出某只股票的均线图、统计某个财务指标的分布、测试某个因子的有效性等。
• 运行机制（线性执行）：研究环境本质上是一个 Jupyter Notebook。代码是线性执行的，也就是你写一行代码，运行一行，马上就能看到结果（表格或图表）。它没有时间机器引擎帮你推进时间。
• 代码结构特征：
  • 不需要 initialize 或 handle_data。
  • 没有 context 对象（因为你没有在跑回测，也就没有虚拟账户和持仓）。
  • 大量使用 pandas、numpy、matplotlib 等数据分析和绘图库。
• 专属 API：主要使用数据获取 API，如 get_price()、get_fundamentals()、get_factor_values() 等。注意：在研究环境中调用 order() 下单函数会直接报错。

示例结构：

import pandas as pd
import matplotlib.pyplot as plt
from jqdata import *

# 直接获取数据并分析，没有 context
df = get_price('000001.XSHE', start_date='2020-01-01', end_date='2020-12-31')
df['close'].plot()
plt.show()

总结：为什么它们不同？

• 研究（Research） 是你的实验室。你在这里查阅数据、画图、寻找规律、验证你的数学模型。这里的代码偏向于数据科学（Data Science）。
• 源码（Strategy） 是你的自动交易机器人。当你在“研究”中找到了赚钱的规律，你把这个规律翻译成机器人的执行指令（买入、卖出条件），放到回测引擎中去跑。这里的代码偏向于工程实现。

在社区的帖子里，作者通常会先在“研究”中展示他们是如何发现这个策略逻辑的（比如贴出数据图表），然后再在“源码”中给出可以实际运行回测的完整策略代码。这就是为什么你会看到两份截然不同的代码！