JoinQuant 平台如何实现抛物线转向（SAR）交易策略？（附源码）

这是一个基于抛物线转向指标（SAR, Stop and Reverse）的量化交易策略。

策略原理

SAR指标（Parabolic SAR）是一种趋势跟踪指标。

1. 买入信号：当股价向上突破SAR曲线时，认为趋势转多，执行买入。
2. 卖出信号：当股价向下突破SAR曲线时，认为趋势转空，执行卖出（清仓）。
3. 参数设置：通常加速因子（Acceleration Factor, AF）初始值为0.02，每次递增0.02，最大值为0.2。

策略实现

以下是完整的策略代码，可以直接在聚宽（JoinQuant）的回测环境中运行。

# -*- coding: utf-8 -*-
# 导入聚宽函数库
import jqdata
import talib
import numpy as np

def initialize(context):
    """
    初始化函数，设定基准、股票池、费用等
    """
    # 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)
    
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设定要操作的股票，这里以平安银行为例
    g.security = '000001.XSHE'
    
    # SAR指标参数
    g.sar_acceleration = 0.02  # 加速因子初始值
    g.sar_maximum = 0.2        # 加速因子最大值
    
    # 设定手续费：买入时佣金万分之三，卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 每天开盘时运行
    run_daily(market_open, time='09:30')

def market_open(context):
    """
    每日开盘运行的策略逻辑
    """
    security = g.security
    
    # 获取过去100天的最高价、最低价、收盘价数据
    # SAR计算需要High和Low，Close用于判断信号
    # 获取较长的数据以确保SAR指标计算稳定
    data = attribute_history(security, 100, '1d', ['high', 'low', 'close'], skip_paused=True)
    
    # 如果数据不足（例如新股），则跳过
    if len(data) < 50:
        return
        
    # 将数据转换为numpy数组，talib需要float类型的numpy数组
    high_prices = data['high'].values
    low_prices = data['low'].values
    close_prices = data['close'].values
    
    # 使用talib库计算SAR
    # real = SAR(high, low, acceleration=0, maximum=0)
    try:
        sar_values = talib.SAR(high_prices, low_prices, 
                               acceleration=g.sar_acceleration, 
                               maximum=g.sar_maximum)
    except Exception as e:
        log.error("计算SAR指标出错: %s" % e)
        return

    # 获取最新的SAR值和收盘价（这里的“最新”指的是前一交易日的收盘数据，用于指导今日交易）
    current_sar = sar_values[-1]
    current_close = close_prices[-1]
    
    # 获取之前的SAR值和收盘价，用于判断交叉
    prev_sar = sar_values[-2]
    prev_close = close_prices[-2]
    
    # 获取当前账户资金和持仓
    cash = context.portfolio.available_cash
    position = context.portfolio.positions[security]
    
    # 交易逻辑
    # 1. 买入信号：收盘价站上SAR曲线 (金叉)
    # 为了避免频繁震荡，这里判断前一天在下方，最新一天在上方，或者持续在上方
    if current_close > current_sar:
        # 如果当前没有持仓，则全仓买入
        if position.closeable_amount == 0:
            log.info("买入信号触发：收盘价(%.2f) > SAR(%.2f)" % (current_close, current_sar))
            order_value(security, cash)
            
    # 2. 卖出信号：收盘价跌破SAR曲线 (死叉)
    elif current_close < current_sar:
        # 如果当前有持仓，则清仓卖出
        if position.closeable_amount > 0:
            log.info("卖出信号触发：收盘价(%.2f) < SAR(%.2f)" % (current_close, current_sar))
            order_target(security, 0)
            
    # 记录数据以便在回测图中查看
    record(Price=current_close, SAR=current_sar)

常见问答 (Q&A)

Q1: 为什么代码中使用了 talib 库？
A1: talib (Technical Analysis Library) 是量化领域最常用的技术分析库，计算效率高且标准。聚宽平台内置了该库，可以直接调用 talib.SAR 来计算指标，避免手动编写公式可能出现的错误。

Q2: attribute_history 获取的是什么时间的数据？
A2: 在 run_daily 设置为 09:30 运行时，attribute_history 获取的是截止到前一个交易日收盘的数据。这是为了避免使用当天的未来数据（即在收盘前就预知了收盘价）。策略逻辑是基于昨日收盘价与SAR的关系来决定今日开盘的操作。

Q3: 如何调整SAR指标的灵敏度？
A3: 可以通过修改 initialize 函数中的 g.sar_acceleration (加速因子) 和 g.sar_maximum (最大值) 来调整。

• 增大加速因子（如0.03）：SAR曲线会更紧贴价格，灵敏度提高，但可能导致频繁交易（假信号增加）。
• 减小加速因子（如0.01）：SAR曲线会更平滑，对趋势反应较慢，但能过滤掉部分震荡。

Q4: 这个策略适合什么市场环境？
A4: SAR是典型的趋势跟踪指标，在单边趋势行情（持续上涨或下跌）中表现较好，能吃到大部分波段。但在横盘震荡行情中，价格会频繁穿梭于SAR曲线上下，导致策略频繁止损，产生磨损成本。建议结合其他指标（如ADX）来过滤震荡行情。