上升三角形形态策略

本案例的因子是由历史 OHLC 日线预先计算的形态与趋势特征。策略在 T 日开盘时作出交易判断，所用特征均来自 T-1 或更早时点的数据，不使用未来数据。

前三项条件同时满足时，即形成上升三角形的买入信号。这三个条件只是对形态的量化近似：20 日高点不必严格相等，10 日低点抬高也不等同于图形上的每一个回撤低点。因此，这组条件适合用于规则化筛选，但不应被视为经典形态的唯一数学定义。

本例使用 50 个模拟日线数据，标的代码后缀字符串为 .SH，例如 000027.SH。本例还构建了一个模拟的 000300.SH 成分股快照，将这 50 只模拟证券全部视为指数成员；ST 历史表为空，模拟上市日期均早于回测开始日一年。因此，名称中的“沪深 300”只说明了股票池过滤流程，不代表任何真实指数成分或真实证券。

回测采用普通股票现金账户，只做多，不做空、融资或借券。主板和创业板买入数量向下取整为 100 股整数倍；对科创板标的保留“满 200 股后可逐股申报”的数量规则。日线订单按开盘价撮合，设置订单簿撮合比例为 0.2，故委托可能部分成交或未成交。

接入真实数据时，应使用带历史时点的指数成分、ST 状态、上市日期、停复牌状态、复权因子与涨跌停价格。

一次日线回调按下列顺序处理：

1. 先检查已有持仓：若前一日复权收盘价低于前一日 20 日均线，并且当日有成交量、开盘未跌停，则提交卖单。

2. 从预计算的模拟成分股池中取得当日候选标的，剔除无成交量、开盘涨停或已有持仓的股票，并排除历史窗口尚未形成的记录。

3. 对候选股票同时应用“20 日振幅超过 5%”、“10 日低点抬高”、“收盘突破此前 20 日高点”三个条件。

4. 按前一日复权收盘价降序排列，最多选择 5 只；若实际只出现 N 只候选，则按 1/N 等权分配当前账户权益，不会用不合格股票补足 5 只。

5. 使用 T 日开盘价、佣金和可用现金计算买入股数，向下调整到交易单位；卖出先于买入，以释放资金和持仓额度。

6. 订单只在本次回调提交，实际成交量由撮合引擎和订单簿参与比例决定。

下载附录中的 ascendingTriangle.csv 文件，作为回测的案例数据。回测账户权益记录覆盖 242 个交易日，起始日为2024-01-02，结束日为2024-12-31。

策略初始化中，需要通过构建每日的成分股股票池来传参，因此额外生成成分股数据。

为避免使用未来函数，先按交易时间对每只股票的数据排序，再将计算得到的特征序列后移一位或两位，形成相应的滞后特征。例如，T 日开盘使用的 prev_close 是 T-1 收盘价，prev2_high20 是截至 T-2 的 20 日最高价。真实研究还需处理复权、停牌、除权除息、涨跌停制度和数据缺失，而不是简单沿用模拟字段。

注意，这些模拟数值仅用于演示回测系统的执行流程，并非真实 A 股历史数据的测试结果，不能作为实盘参考。

策略由交易单位处理、交易条件判断、初始化和日线回调构成。日线回调先处理卖出，后筛选并买入新标的，以便将卖出所得资金用于后续买入。

初始化时，将佣金设为 0.015%、卖出印花税设为 0.05%，并把调仓日历及按日期预计算的股票池放入 context。本例将所有交易日都作为检查日，但不等同于每天都交易：只有股票出现完整形态且通过各项限制时，策略才会提交该股票的买入委托。

def initialize(mutable context) {
    context["commission"] = 0.00015
    context["tax"] = 0.0005
    context["rebalanceDates"] = objByName("rebalanceDates_")
    context["poolByDate"] = objByName("poolByDate_")
}

买入筛选的核心逻辑可概括为：

• 20 日最高价 > 20 日最低价 × 1.05

• 且 T-1 的 10 日最低价 > T-2 的 10 日最低价

• 且 T-1 收盘价 > 截至 T-2 的 20 日最高价

满足条件后，策略按 T-1 收盘价从高到低取前 5 只。实际入选少于 5 只时，资金仍按实际数量等权分配；若没有候选股票，策略不补仓。持仓卖出条件为 prev_close < prev_ma20，且必须通过当日成交量和跌停价格检查。

这种设计将“信号生成”和“执行可行性”分开：形态来自前一日及更早数据，开盘价、涨跌停和成交量决定当天能否提交或成交订单。实际交易系统还应进一步纳入滑点、冲击成本、单券容量和行业集中度约束。

onBar 回调的完整代码如下：

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

    commission_ = context["commission"]
    tax_ = context["tax"]
    expectedCash = Backtest::getAvailableCash(context.engine)

    // 第一步：开盘处理卖出（先卖后买，释放资金与持仓）
    // 卖出条件：持仓股在前一日复权收盘价跌破前一日20日复权均线
    for (istock in msg.keys()) {
        bar = msg[istock]
        if (bar["volume"] <= 0) { continue } // 停牌跳过

        posInfo = Backtest::getPosition(context.engine, istock)
        if (size(posInfo) == 0) { continue }
        pos = posInfo["longPosition"]
        pos_sellable = max(0, posInfo["lastDayLongPosition"] - posInfo["todaySellVolume"])
        if (pos <= 0 || pos_sellable <= 0) { continue }

        // 指标直接从行情 bar 中提取
        pClose = bar["prev_close"]
        pMa20 = bar["prev_ma20"]

        if (isValid(pClose) && isValid(pMa20) && pClose < pMa20) {
            if (!isSellableAt(bar["open"], bar)) { continue } // 开盘跌停跳过

            sellQty = normalizeSellQty(istock, pos, pos_sellable)
            if (sellQty > 0) {
                sellPrice = iif(isNull(bar["upLimitPrice"]), bar["open"], min(bar["open"], bar["upLimitPrice"]))
                Backtest::submitOrder(context.engine, (istock, context.tradeTime, 5, sellPrice, sellQty, 3), "sell")
                expectedCash += sellQty * sellPrice * (1.0 - commission_ - tax_)
            }
        }
    }

    // 第二步：买入条件筛选（直接通过预计算好的股票池做 O(1) 检索）
    if (!(curDate in context["rebalanceDates"])) { return }
    pool_today = context["poolByDate"][curDate]
    if (size(pool_today) == 0) { return }

    candidateSymbols = []$STRING
    candidatePrevClose = []$DOUBLE

    for (istock in msg.keys()) {
        if (!(istock in pool_today)) { continue }

        bar = msg[istock]
        if (bar["volume"] <= 0) { continue } // 停牌跳过
        if (!isBuyableAt(bar["open"], bar)) { continue } // 开盘涨停跳过

        // 仅对当前空仓股票进行买入筛选
        posInfo = Backtest::getPosition(context.engine, istock)
        pos = iif(size(posInfo) > 0, posInfo["longPosition"], 0)
        if (pos > 0) { continue }

        pClose = bar["prev_close"]
        pHigh20 = bar["prev_high20"]
        pLow20 = bar["prev_low20"]
        pLow10 = bar["prev_low10"]
        p2Low10 = bar["prev2_low10"]
        p2High20 = bar["prev2_high20"]

        if (!(isValid(pClose) && isValid(pHigh20) && isValid(pLow20) && isValid(pLow10) && isValid(p2Low10) && isValid(p2High20))) {
            continue
        }

        // 上升三角形买入三要素：
        // 1) 过去20日振幅充分：过去20日最高价 > 过去20日最低价 * 1.05
        // 2) 底部抬高：最新10日最低价 > 前一日的10日最低价
        // 3) 向上突破：前一日收盘价 > 截至前一日的20日最高价
        if ((pHigh20 > pLow20 * 1.05) && (pLow10 > p2Low10) && (pClose > p2High20)) {
            candidateSymbols.append!(istock)
            candidatePrevClose.append!(pClose)
        }
    }

    // 第三步：排序截断与开盘买入（按实际选中数量 nSelected 等权满仓均分）
    nCandidates = size(candidateSymbols)
    if (nCandidates == 0) { return }

    candTable = table(candidateSymbols as symbol, candidatePrevClose as prev_close)
    selectedTable = select top 5 * from candTable order by prev_close desc
    selectedStocks = exec symbol from selectedTable
    nSelected = size(selectedStocks)
    if (nSelected == 0) { return }

    // 真正等权满仓：按实际选中只数均分 (1 / nSelected)
    totalEquity = Backtest::getTotalPortfolios(context.engine).totalEquity[0]
    targetBudgetPerStock = totalEquity * (1.0 / nSelected)
    availCash = min(expectedCash, Backtest::getAvailableCash(context.engine))

    for (s in selectedStocks) {
        bar = msg[s]
        openPrice = bar["open"]
        if (openPrice <= 0) { continue }

        budget = min(targetBudgetPerStock, availCash)
        if (budget <= 0) { continue }

        buyQty = roundLotBuy(s, budget / (openPrice * (1.0 + commission_)))
        if (buyQty > 0) {
            Backtest::submitOrder(context.engine, (s, context.tradeTime, 5, openPrice, buyQty, 1), "buy")
            cost = buyQty * openPrice * (1.0 + commission_)
            availCash -= cost
            expectedCash -= cost
        }
    }
}

佣金、印花税和部分成交共同影响最终账户权益。使用真实市场数据时，应按实际市场规则配置最低佣金、过户费、停牌、价格笼子和交易单位，并用合理的成交容量约束替代示例参数。

策略将 initialize 与 onBar 注册为回调，再以日频股票配置创建 Backtest 引擎。在创建前尝试清理同名引擎，避免上一次运行遗留的状态影响本次回测。

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

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

创建引擎后，行情按 tradeTime、symbol 排序送入。排序是日线事件回放的基础：同一交易日的股票构成一次回调，而策略只读取事先滞后的窗口特征，因此不会把同一天收盘信息用于同一天开盘交易。

脚本调用 Backtest::appendQuotationMsg 回放全部模拟行情，再以 appendEndMarker 告知引擎数据结束。

allMarketData = select * from allMarketData order by tradeTime, symbol
Backtest::appendQuotationMsg(engine, allMarketData)
Backtest::appendEndMarker(engine)

结果对象的使用方式如下：

// 获取核心回测结果
tradeDetails = Backtest::getTradeDetails(engine)
returnSummary = Backtest::getReturnSummary(engine)
dailyPosition = Backtest::getDailyPosition(engine)
totalPortfolios = Backtest::getDailyTotalPortfolios(engine)

• returnSummary：汇总区间收益、年化收益、波动率、夏普比率、最大回撤、换手率和胜率等引擎指标。

• tradeDetails：保留委托状态、价格和数量，必须区分提交、部分成交、撤单与实际成交。

• dailyPosition：逐日记录持仓数量、当日买卖量、均价和收盘价，可用于核对持仓变化。

• totalPortfolios：逐日记录现金、市值、总权益、净值、损益和累计费用。