期货分钟频 CTA 策略

本案例的核心因子为 ATR 与 RSI 两个经典技术指标，二者共同决定开仓时机：

• ATR（平均真实范围）： 计算 1 分钟内标的的最高价、最低价与前收盘价的绝对差值（TR 指标），即 TR = max(high − low, |high − prevClose|, |low − prevClose|)；对 TR 取 14 期指数移动平均（EMA）得到 ATR，再对 ATR 取 10 期简单移动平均，得到 ATR 的 10 分钟均值（记为 mATR）。

• RSI（相对强弱指数）： 用收盘价的逐期变化计算 14 期 RSI：把每期收盘价的变化拆分为上涨部分与下跌部分并分别做指数移动平均（Exponential Moving Average，EMA），RSI = 100 × upAvg ÷ (upAvg + downAvg)，取值越大表示近期上涨动能越强。

ATR 与 RSI 都是经典技术指标，本案例采用了它们的基本思想，并以 EMA 对真实波幅和涨跌幅度做平滑。两个因子的定义与实现见 2.2 小节。

本案例适用于国内商品期货主力合约的分钟频行情，交易标的为大商所（XDCE）黄大豆一号主力合约 A2305，数据频率为 1 分钟，回测区间为 2023.02.06 至 2023.02.08，共 3 个交易日、1044 条 K 线。附件 futureTestData.csv 提供了该合约的分钟频行情，覆盖 2023.02.02 至 2023.02.24，加载方式见 2.1 小节。

策略成立的前提是期货资产支持双向交易和 T+0，因此同一标的在任一时刻只持有一个方向的 2 手仓位，并且可以当日开仓、当日平仓。交易规则分为开仓与止损两部分：

• 开仓：

  • 当 RSI 值大于 70 且 ATR 大于其 10 分钟均值时，买入开仓。

  • 当 RSI 值小于 30 且 ATR 大于其 10 分钟均值时，卖出开仓。

• 止损：

  • 持有多仓时，若价格自持仓期间的最高收盘价回落 0.004（即 0.4%），卖平。

  • 持有空仓时，若价格自持仓期间的最低收盘价反弹 0.004（即 0.4%），买平。

价格判断与止损基准均取自分钟 K 线的收盘价。需要说明的是，本案例为便于读者上手，简化实现：

• 委托数量固定为 2 手

• 委托价格取最新收盘价加减 0.02

• 所有合约统一使用同一套演示参数

均未按实盘的资金规模、盘口深度与逐合约参数做精细化处理。

本案例使用的数据来自案例附件 futureTestData.csv。表中数据为大商所（XDCE）黄大豆一号主力合约 A2305 的行情，共 5916 条记录，覆盖交易日 2023.02.02 至 2023.02.24。回测区间为 2023.02.06 至 2023.02.08，共 3 个交易日、1044 条 1 分钟 K 线。

直接加载 futureTestData.csv 即可得到行情表 tb：

tb = loadText("./futureTestData.csv")
replaceColumn!(tb, `volume, long(tb.volume))
tb[`signal] = fixedLengthArrayVector(tb.backwardFactorHighPrice, tb.backwardFactorLowPrice, tb.backwardFactorClosePrice)

行情表 tb 的字段如下：

前 15 个字段是回测引擎回放分钟频行情所必需的字段，后 3 个复权价列与服务端构造出的 signal 列供计算指标使用。加载之后只需以下两处微调，其余字段名与数据类型都已与引擎要求一致：

• volume 类型修正：文本文件中的整数列会被 loadText 识别为 INT，而回测引擎要求 volume 为 LONG，因此用 replaceColumn! 把该列修改为 LONG 类型。

• signal 构造：用于计算指标的信号价格取主连复权（平滑）之后的最高价、最低价与收盘价，而数组向量（DOUBLE[]）无法用文本文件表达，因此把三列复权价保留在附件中，由脚本用 fixedLengthArrayVector 合成 signal 列；撮合使用的开高低收价格、涨跌停价则取自未复权的原始字段。

这样得到的 tb 已经是回测引擎可以直接回放的分钟频行情表，将在 2.5 小节中通过 appendQuotationMsg 回放到引擎。需要注意，脚本使用相对路径读取数据文件，运行前请把 futureTestData.csv 放在脚本的同一目录下。

中高频回测通常采用事件驱动方式，策略需要响应行情更新、订单成交等事件。DolphinDB 回测引擎采用事件驱动机制，提供了策略初始化函数、盘前回调函数、行情回调函数、每日盘后回调函数等一系列事件函数，用户可以在相应的回调函数中编写策略逻辑。

（1）定义指标

为使用中高频行情数据计算量价等因子，DolphinDB 回测引擎采用状态响应式引擎，实现流批统一的指标计算，并处理带状态的高频因子。具体可参考状态响应式引擎用户手册。指标函数以 @state 修饰，表示函数内部会保留跨批次的中间状态。本案例基于分钟频行情数据定义 ATR 与 RSI 两个技术分析指标：

@state
def atr(high, low, close, m=14, n=10) {
    prevClosePrice = prev(close)
    tr = rowMax([high-low, abs(high-prevClosePrice), abs(low-prevClosePrice)])
    atr = ema(tr, m)
    mAtr = mavg(atr, n)
    return atr, mAtr
}

@state
def rsi(close, timePeriod=14) {
    deltaClose = deltas(close)
    up = iif(nullCompare( > , deltaClose, 0), deltaClose, 0)
    down = iif(nullCompare( > , deltaClose, 0), 0, - deltaClose)
    upAvg = ema(up, timePeriod)
    downAvg = ema(down, timePeriod)
    return 100.0 * upAvg / (upAvg + downAvg)
}

atr 函数一次返回两个值——ATR 与其 10 分钟均值 mATR，因此后续用下标 [0]、[1] 分别取值。rsi 函数先用 deltas 求收盘价的逐期变化，再用 iif 把它拆分为上涨部分 up 与下跌部分 down，分别做 EMA 平滑后按 100 × upAvg ÷ (upAvg + downAvg) 计算 RSI。

（2）订阅指标

在策略初始化函数 initialize 中，订阅基于主连复权（平滑）处理之后的最高价、最低价和收盘价行情数据计算 ATR、mATR 和 RSI 指标。这里的 signal 字段为数组向量，存储的数据分别为主连行情复权之后的最高价、最低价和最新收盘价。调用 subscribeIndicator 时，需传入回测引擎名、需要计算的数据类型和指标字典。字典的 key 为指标名，用于后续访问；value 为指标计算的元代码。指标计算结果将随行情一起传入 onBar 等策略回调函数：

def initialize(mutable contextDict){
    d=dict(STRING,ANY)
    d["ATR"]=<atr(signal[0], signal[1], signal[2], 14,10)[0]>
    d["mATR"]=<atr(signal[0], signal[1], signal[2], 14,10)[1]>
    d["RSI"]=<rsi(signal[2], 14)>
    Backtest::subscribeIndicator(contextDict["engine"], "kline", d)
}

（3）生成信号并下单

行情回调函数 onBar 在每根分钟 K 线到来时触发。onBar 的 msg 参数为回测引擎传来的最新分钟频行情，indicator 为 initialize 中定义的指标计算结果；二者都是字典，key 为期货合约名，value 为该合约对应的行情信息与指标计算结果。函数按合约逐个判断，先读取持仓、价格与三个指标，再依次处理多头开仓、空头开仓、多仓止损、空仓止损四种情形：

def onBar(mutable contextDict, msg, indicator){
    lowDict = contextDict["lowPrice"]
    highDict = contextDict["highPrice"]
    symbols = msg.keys()
    for (i in symbols){
        istock = msg[i].symbol
        symbolSource = msg[i].symbolSource
        pos = Backtest::getPosition(contextDict["engine"], istock)
        longPos = pos.longPosition
        shortPos = pos.shortPosition
        price = msg[i].close
        atr = indicator[i].ATR
        matr = indicator[i].mATR
        rsi = indicator[i].RSI

        // 没有多头持仓，并且多头趋势时，买入
        if (longPos < 1 and shortPos < 1 and atr > matr and rsi > contextDict["buySignalRSI"] and matr > 0){
            Backtest::submitOrder(contextDict["engine"],
                (istock, symbolSource, contextDict["tradeTime"], 5, price+0.02, 0., 2, 1, 0), "buyOpen")
            highDict[istock] = price
            continue
        }

        // 没有空头持仓，并且空头趋势时，卖出
        if (longPos < 1 and shortPos < 1 and atr > matr and rsi < contextDict["sellSignalRSI"] and matr > 0){
            Backtest::submitOrder(contextDict["engine"],
                (istock, symbolSource, contextDict["tradeTime"], 5, price-0.02, 0., 2, 2, 0), "sellOpen")
            lowDict[istock] = price
            continue
        }

        if (longPos > 0 and price > highDict[istock]){
            // 更新最高价
            highDict[istock] = max(price, highDict[istock])
        } else if (longPos > 0 and price <= highDict[istock]*(1-contextDict["closeLine"])){
            // 平仓
            Backtest::submitOrder(contextDict["engine"],
                (istock, symbolSource, contextDict["tradeTime"], 5, price-0.02, 0., 2, 3, 0), "sellClose")
        }

        if (shortPos > 0 and price < lowDict[istock]){
            // 更新最低价
            lowDict[istock] = min(price, lowDict[istock])
        } else if (shortPos > 0 and price >= lowDict[istock]*(1+contextDict["closeLine"])){
            // 平仓
            Backtest::submitOrder(contextDict["engine"],
                (istock, symbolSource, contextDict["tradeTime"], 5, price+0.02, 0., 2, 4, 0), "buyClose")
        }
    }
    contextDict["lowPrice"] = lowDict
    contextDict["highPrice"] = highDict
}

代码中的关键判断与状态更新如下：

• 开仓条件：longPos < 1 and shortPos < 1 保证同一标的在任一时刻只持有一个方向的仓位；atr > matr 要求当前波动幅度高于其 10 分钟均值；rsi > contextDict["buySignalRSI"]（默认 70）为买入开仓条件，rsi < contextDict["sellSignalRSI"]（默认 30）为卖出开仓条件；matr > 0 用于过滤指标预热阶段（ATR 均值尚未有效计算的 K 线）。

• 信号时点与执行时点：信号在每分钟 K 线收盘时产生，取该分钟的最新增权收盘价判断条件，并以同一分钟的时间戳 contextDict["tradeTime"] 提交订单；由于本案例的撮合模式为“以委托价格成交”，委托会立即按委托价格成交。

• 状态更新：开仓时把 highDict（多仓）或 lowDict（空仓）置为当前价格，作为回撤基准的起点；持仓过程中，多仓持续记录收盘价的最高值，空仓持续记录收盘价的最低值。当收盘价自最高值回落 0.4%（price <= highDict[istock] * (1 - closeLine)）时卖平，当收盘价自最低值反弹 0.4%（price >= lowDict[istock] * (1 + closeLine)）时买平。两个字典通过 contextDict 在多次回调之间持久化，并在 onBar 结束时写回。

其中 Backtest::submitOrder 是回测引擎提供的下单接口。与股票不同，期货的订单信息元组包含 9 个元素：本案例的下单数量固定为 2 手，未根据可用资金或持仓规模动态计算

Backtest::submitOrder(engine, msg, label="")
//engine 引擎实例
//msg: 订单信息元组，(标的代码, 交易所代码, 时间, 订单类型, 委托订单价格, 止损价/止盈价, 委托订单数量, 买卖方向, 委托订单有效性)
//label: 可选参数，方便用于对订单进行分类

以本案例的买入开仓为例：订单类型 5 表示限价单；委托价格取最新收盘价加 0.02（卖出方向为减 0.02），相当于在盘口方向上让出 0.02 个价格单位；止损价/止盈价暂不支持，填写 0；委托数量固定为 2 手；买卖方向 1/2/3/4 分别表示买开、卖开、卖平、买平；委托订单有效性 0 表示当日有效。下单时传入的 label 分别为 buyOpen、sellOpen、sellClose、buyClose，便于在成交明细中按开平类型筛选统计。

（4）约束说明

• 本案例的下单数量固定为 2 手，未根据可用资金或持仓规模动态计算

• 期货合约的合约乘数、保证金率、合约单位、报价单位、最小变动单位与费率在合约基本信息表中配置（见 2.3 小节），引擎据此计算保证金占用与可用资金

• 行情表按引擎要求提供了涨停价与跌停价字段，用于撮合与风控。

• 由于委托为限价单且撮合模式设置为“以委托价格成交”，本案例的委托始终按委托价格成交，脚本中因此没有针对未成交订单的撤单或重试逻辑。

回测的开始与结束日期、初始资金、手续费、行情类型、订单延时、动态分红除权等均可以通过参数进行配置。通过调整这些参数，可以模拟不同的市场环境，并评估交易策略的表现。本案例为期货策略的回测，因此策略类型参数应设置为 "futures"，以确保回测引擎能够正确识别和处理期货交易的特定规则和逻辑；此外，策略逻辑上下文 context 也可以通过参数设置策略中的全局变量。具体的初始参数配置代码示例如下：

userConfig = dict(STRING, ANY)
userConfig["startDate"] = 2023.02.06
userConfig["endDate"] = 2023.02.08
userConfig["strategyGroup"] = "futures"
userConfig["cash"] = 10000000
userConfig["commission"] = 1.5
userConfig["tax"] = 0.0 // useless in future goods backtest engine
userConfig["dataType"] = 3
userConfig["msgAsTable"] = false
userConfig["frequency"] = 0
userConfig["outputOrderInfo"] = true
userConfig["depth"] = 5
userConfig["matchingMode"] = 3
Context = dict(STRING, ANY)
Context["buySignalRSI"] = 70.
Context["sellSignalRSI"] = 30.
Context["closeLine"] = 0.004
Context["lowPrice"] = dict(STRING, ANY)
Context["highPrice"] = dict(STRING, ANY)
userConfig["context"] = Context

userConfig 中与本案例直接相关的配置项及取值含义如下：

策略逻辑中的全局变量通过 context 传入，本案例的取值如下：

创建期货回测时，还需要用户配置期货合约的基本信息表，包括期货合约的合约乘数、保证金率、交易单位、报价单位、最小变动价位、手续费和手续费的计费方式（按手数计费或者按成交金额计费）等：

symbol = distinct(tb.symbol)
basicInfo = table(symbol as symbol, take(100., size(symbol)) as multiplier, take(0.2, size(symbol)) as marginRatio,
                  take(0.01, size(symbol)) as tradeUnit, take(0.02, size(symbol)) as priceUnit,
                  take(0.03, size(symbol)) as priceTick, take(1.5, size(symbol)) as commission, take(1, size(symbol)) as deliveryCommissionMode)

本案例为演示脚本，上述合约参数按固定值统一填写；若用于实际回测，请按交易所公布的合约参数逐合约填写，基本信息表的完整字段说明可见期货回测接口文档。

• 策略阈值（buySignalRSI、sellSignalRSI、closeLine）在 Context 中修改；

• 回测区间、初始资金、手续费与撮合方式等在 userConfig 中修改；

• 合约参数在 basicInfo 中修改。

其中 closeLine 与 Context 中的 lowPrice、highPrice 联动：closeLine 即止损比例，修改后触发止损的价格随之变化。调整 startDate、endDate 时，需要保证所选日期落在行情数据的覆盖范围内（附件中 A2305 的行情覆盖 2023.02.02 至 2023.02.24）。

设置引擎名称、引擎配置项、策略回调函数字典以及期货合约基本信息表之后，通过接口 createBacktester 创建回测引擎实例。本案例创建一个回测引擎 engine，用于回放 2.1 小节中准备好的分钟频行情并演示策略的完整执行过程。

strategyName = "Backtest_test1"
callbacks = dict(STRING, ANY)
callbacks["initialize"] = initialize
callbacks["beforeTrading"] = beforeTrading
callbacks["onBar"] = onBar
callbacks["onOrder"] = onOrder
callbacks["onTrade"] = onTrade
callbacks["afterTrading"] = afterTrading
callbacks["finalize"] = finalized
try{Backtest::dropBacktestEngine(strategyName)}catch(ex){print ex}
engine = Backtest::createBacktester(strategyName, userConfig, callbacks, , basicInfo)

其中 callbacks 为回调函数字典，key 为事件名，value 为用户自定义的策略回调函数；本案例使用分钟频行情，因此行情回调注册到 onBar。各回调函数与引擎的连接方式为：initialize 中订阅指标并可通过 contextDict["engine"] 访问引擎实例，onBar 中读取持仓与指标并下单，afterTrading、finalize 等可在每日盘后与策略结束前处理业务逻辑。

创建回测引擎后，通过 appendQuotationMsg 将 2.1 小节准备好的分钟频行情表 tb 传入引擎，执行回测。tb 已按 tradeTime 升序排列（附件本身即按该顺序排列），引擎内部会把行情按时间先后分发给模拟撮合引擎和相应的行情回调函数，每根 K 线触发一次 onBar。运行完整脚本即可依次完成数据准备和回测执行，关键代码如下：

Backtest::appendQuotationMsg(engine, tb)

运行前需要确认两点：

• 行情数据文件 futureTestData.csv 与脚本位于同一目录（脚本使用相对路径 ./futureTestData.csv 读取）；

• 脚本开头的 loadPlugin("MatchingEngineSimulator") 与 loadPlugin("Backtest") 已成功加载所需插件。

回测运行结束之后，可以通过相应的接口获取每日持仓、每日权益、收益概述、成交明细和策略中用户自定义的逻辑上下文。本案例读取成交明细、可用资金、每日持仓与每日权益：

resnew = select * from Backtest::getTradeDetails(engine) where orderStatus in [0, 1]

cash = Backtest::getAvailableCash(engine)

pos = Backtest::getDailyPosition(engine)

dailyTotalPortfolios = Backtest::getDailyTotalPortfolios(engine)

• getTradeDetails 返回订单交易明细，其中 orderStatus 用于表示订单状态，脚本筛选出 orderStatus 为 0 或 1 的订单记录；明细中的 label 字段即下单时传入的分类标签（buyOpen、sellOpen、sellClose、buyClose），可用于按开平类型分别统计。

• getAvailableCash 返回账户可用资金。

• getDailyPosition 返回每日持仓数据，包括每个交易日盘后的持仓数量和持仓均价，以及当日买卖数量和金额。第 3 章展示了该接口的返回结果。

• getDailyTotalPortfolios 返回每日权益，即每个交易日盘后的账户资产情况。

回测插件提供的完整回测结果接口可以参阅回测插件的接口说明文档。