ETF 大小盘风格轮动策略

本策略基于 20 日动量效应进行大小盘轮动。20 日动量的数学表达式为：(Price_i(t) - Price_i(t-20)) / Price_i(t-20)

具体规则是：以指数作为信号源，对比沪深 300 和中证 1000 的 20 日动量大小。当沪深 300 趋势更强时，做多其对应的场内 ETF；反之，则做多中证 1000 对应的场内 ETF。因子计算与实盘执行分别独立，确保交易的高效与灵活性。

策略交易两个 ETF：沪深 300 ETF（510300.SH）和中证 1000 ETF（512100.SH）。信号计算使用对应指数行情，即 000300.SH 和 000852.SH。组合采用单标的、满仓持有的简化结构，每次只持有一只 ETF。

这种设计便于核验信号、目标仓位、订单和持仓之间的关系。实际研究可进一步扩展为分层仓位、风险预算、波动率目标或多资产组合。

1. 每月最后一个交易日比较两个指数的 20 日动量。

2. 若目标 ETF 与当前持仓不同，信号日按收盘价确定调仓目标。

3. 信号日（T 日）收盘提交卖出意图，下一交易日（T+1 日）开盘卖出非目标 ETF。

4. 卖出完成后，T+1 日开盘买入目标 ETF。

5. 买入数量按 100 份整数倍向下取整，并预留手续费。

6. 买入需满足非停牌且未涨停，卖出需满足非停牌且未跌停。

简而言之，本规则确立了基于月末动量信号的 T+1 调仓框架。策略通过“次日开盘先卖后买”完成底层资产切换，同时内置了资金头寸管理（费率预留、向下取整）及异常交易状态过滤（剔除涨跌停与停牌限制），保障了策略在真实市场环境下的可落地性。

下载附录中的 feedData.csv 文件，作为回测的案例数据。运行脚本前需将 loadText 中的参数改为实际存放 CSV 文件的路径。

feedData = loadText("/.../feedData.csv") 
feedData.replaceColumn!("volume", long(feedData.volume))
feedData.replaceColumn!("upLimitPrice", double(feedData.upLimitPrice))
feedData.replaceColumn!("downLimitPrice", double(feedData.downLimitPrice))

模拟的日线行情数据覆盖预热期和 2024 年全年回测期。数据映射为两只 ETF 和两条指数，包含证券代码、交易时间、开盘价、收盘价、最高价、最低价、成交量和成交量加权平均价（VWAP）等字段。20 日动量按证券代码分组、按交易时间排序后计算。

所需的行情字段如下：

接入真实数据时，应重点检查以下内容：

• 指数与 ETF 交易日是否正确对齐。

• 价格是否采用一致的复权口径。

• 停牌、涨跌停和异常价格是否按真实市场规则处理。

• 历史行情是否覆盖信号计算所需的预热期。

• 指数信号与 ETF 成交标的之间是否存在代码映射错误。

策略由四个交易辅助函数和两个回调函数组成。

• roundLot 负责买入数量的申报单位处理，针对 ETF 保证按 100 份整数倍向下取整

• normalizeSellQty 负责卖出数量的规范化，在清仓退出时允许卖出不足一个申报单位的剩余可用持仓

• isBuyableAt 与 isSellableAt 处理停牌和涨跌停约束，过滤无效交易信号

• initialize 初始化回测状态参数

• onBar 执行调仓并产生新信号。

初始化函数： initialize

initialize(mutable context) 在创建引擎时调用一次。它用于设置手续费以及控制跨日执行流转的关键状态变量：

def initialize(mutable context) {
    context["commission"] = 0.00015
    context["initialRebalancePending"] = true // 使第一根日线直接产生首次建仓信号
    context["pendingBuyStock"] = "" // 增加变量用于缓存跨日（T+1 日）需要买入的标的
}

回调函数： onBar

onBar 是日线行情回调，也是策略的主执行函数，其内部流程分为三部分：

1. 延迟买入执行（T+1 日开盘）：如果存在上一交易日（T 日）生成的待买入目标，优先在开盘执行。策略会动态获取当前引擎所有可用资金，检查目标标的的可买状态（非停牌且未涨停），并统一使用当日开盘价提单买入。执行完毕后清空该标记。

2. 信号生成与目标选择：判断当日是否为月末最后一个交易日或首日建仓。若是，读取沪深 300 与中证 1000 指数的 20 日动量（ret20）。根据动量孰强原则选定目标 ETF。

3. 卖出非目标持仓（T 日收盘）：确认目标后，检查账户是否持有非目标 ETF。若持有，在满足可卖条件（非跌停）下，根据 T 日收盘价提交全仓卖出意图。同时，将选定的目标 ETF 写入待买入标的（pendingBuyStock），推迟到下一个交易日（T+1 日）开盘买入。若当前已持有目标 ETF，则不触发卖出，继续持有不动。

逻辑分层与状态管理。这种信号和交易分离的核心状态完全由 context 字典接管。实际执行中需注意：

• 买单提交前不进行理论数量锁定，而是根据 T+1 日开盘的真实可用现金和开盘价动态计算可买数量（扣除手续费并向下取整），适配 T 日卖出资金在 T+1 日可用的结算规则。

• 实盘中，若 T 日卖出因跌停未成交，T+1 日获取的可用现金将不足，从而自然避免“没钱硬买”的无效订单；若 T+1 日目标 ETF 涨停或停牌，isBuyableAt 会拦截指令，策略不会自动在后续交易日盲目追单。

完整的策略逻辑如下：

def onBar(mutable context, msg, indicator) {
    curBarTs = msg.values()[0]["tradeTime"]
    curDate = date(curBarTs)

    // 检查上一交易日（T日）是否留有待买入的标的，若有则优先在开盘执行
    if (context["pendingBuyStock"] != "") {
        targetStock = context["pendingBuyStock"]
        if (targetStock in msg) {
            targetBar = msg[targetStock]
            buyPrice = targetBar["open"] // T+1日使用开盘价买入
            expectedCash = Backtest::getAvailableCash(context.engine)
            if (isBuyableAt(buyPrice, targetBar)) {
                affordableQty = roundLot(targetStock, expectedCash / (buyPrice * (1 + context["commission"])))
                if (affordableQty > 0) {
                    Backtest::submitOrder(context.engine, (targetStock, context.tradeTime, 5, buyPrice, affordableQty, 1), "rebalance_buy")
                }
            }
        }
        context["pendingBuyStock"] = ""
    }

    // 判断是否为调仓日（月末最后一个交易日，或者首日建仓）
    isRebalanceDay = (transFreq(monthEnd(curDate), "XSHG") == curDate) || context["initialRebalancePending"]
    context["initialRebalancePending"] = false
    if (!isRebalanceDay) { return }
    
    // 读取参考指数的 20 日动量
    if (!("000300.SH" in msg && "000852.SH" in msg)) { return }
    hs300_ret = double(msg["000300.SH"]["ret20"])
    zz1000_ret = double(msg["000852.SH"]["ret20"])
    if (isNull(hs300_ret) || isNull(zz1000_ret)) { return }
    
    // 确定目标标的：动量大者胜出
    targetStock = iif(hs300_ret > zz1000_ret, "510300.SH", "512100.SH")
    otherStock  = iif(targetStock == "510300.SH", "512100.SH", "510300.SH")
    
    // T日 卖出非目标持仓（若当前持有另一只 ETF，则清仓卖出）
    if (otherStock in msg) {
        otherBar = msg[otherStock]
        posInfo = Backtest::getPosition(context.engine, otherStock)
        pos = 0
        pos_sellable = 0
        if (size(posInfo) > 0) {
            pos = posInfo["longPosition"]
            pos_sellable = max(0, posInfo["lastDayLongPosition"] - posInfo["todaySellVolume"])
        }
        if (pos > 0 && pos_sellable > 0 && isSellableAt(otherBar["close"], otherBar)) {
            sellQty = normalizeSellQty(otherStock, pos, pos_sellable)
            if (sellQty > 0) {
                Backtest::submitOrder(context.engine, (otherStock, context.tradeTime, 5, otherBar["close"], sellQty, 3), "rebalance_sell")
            }
        }
    }
    
    // 记录目标标的，推迟到 T+1 日买入（若已持有目标 ETF 则继续持有，不做重复买入）
    if (targetStock in msg) {
        targetPosInfo = Backtest::getPosition(context.engine, targetStock)
        targetPos = 0
        if (size(targetPosInfo) > 0) { targetPos = targetPosInfo["longPosition"] }
  
        // 若当前未持有目标标的，将其记录在 context 中，留待 T+1 日开盘处理
        if (targetPos == 0) {
            context["pendingBuyStock"] = targetStock
        }
    }
}

本策略的主要回测参数如下：

示例配置如下：

config = {
    startDate: 2024.01.01,
    endDate: 2024.12.31,
    strategyGroup: "stock",
    cash: 1000000.0,
    commission: 0.00015,
    tax: 0.0005,
    dataType: 4,
    outputOrderInfo: true,
    matchingMode: 2,
    orderBookMatchingRatio: 0.2,
    enableMinimumPerTransactionFee: false
}

修改动量窗口、调仓频率、成本假设、或撮合比例后，应重新运行回测。不同参数之间存在联动关系，例如缩短动量窗口可能增加信号变化，降低撮合比例可能减少实际成交。

将初始化函数和日线回调注册到 callbacks 字典，再创建 Backtest 引擎。重复运行前应清理同名遗留引擎，避免旧持仓、现金或状态影响新结果。

callbacks = dict(STRING, ANY)
callbacks["initialize"] = initialize
callbacks["onBar"] = onBar

engineName = "largeSmallRotationEngine"
try { Backtest::dropBacktestEngine(engineName) } catch(ex) { }
engine = Backtest::createBacktester(engineName, config, callbacks, false)

本案例未开启 JIT 优化。若需要开启，应将创建引擎的最后一个参数改为 true，并先确认回调函数、上下文类型和表操作均符合 JIT 要求。具体检查方法参阅DolphinDB 回测引擎使用和性能优化攻略。

行情按交易时间和证券代码排序后输入引擎。每月批次可额外读取此前 35 个交易日的数据用于预热，但只有回测区间内的数据进入正式回放，避免预热行情重复计入收益。最后通过 appendEndMarker 发送结束标记，并保留当前引擎实例，以便在下一环节提取回测指标与交易明细。

// 提前 35 个交易日预热动量滑动窗口
warmupStartDate = temporalAdd(startDate, -35, "XSHG")

Backtest::appendQuotationMsg(engine, feedData)
Backtest::appendEndMarker(engine)

回放结束后，策略不会强制平仓，最后一个交易日的持仓按收盘价计入组合权益。

回测结束后读取收益汇总、交易明细、每日持仓和每日组合净值。结果读取完成后再删除引擎，避免在结果尚未保存时丢失数据。

returnSummary = Backtest::getReturnSummary(engine)
tradeDetails = Backtest::getTradeDetails(engine)
dailyPosition = Backtest::getDailyPosition(engine)
dailyPortfolios = Backtest::getDailyTotalPortfolios(engine)

Backtest::dropBacktestEngine(engineName)

建议重点核验：

• 信号是否只在每月最后一个交易日生成。

• 卖出是否发生在 T 日收盘，买入是否发生在 T+1 日开盘。

• 成交数量是否满足 100 份整数倍规则。

• 订单状态是否区分已成交、未成交和部分成交。

• 每日组合净值是否包含现金、持仓估值和交易成本。