聚宽平台如何利用 ARBR 情绪指标编写抄底反转策略？（附 Python 源码）

聚宽平台 ARBR 情绪反转抄底策略实现指南

**AR（人气指标）和BR（意愿指标）**是量化交易中非常经典的交易情绪指标。AR 衡量市场的买卖人气，BR 衡量市场的买卖意愿。当 AR 和 BR 指标同时处于低位（如低于 60）并开始拐头向上时，通常意味着市场情绪极度悲观后的反弹契机（超卖抄底信号）；而当指标高于 150 时，则意味着市场过热，是获利了结的信号。

在聚宽（JoinQuant）平台中，我们可以直接通过聚宽因子库获取 AR 和 BR 因子，或者通过 jqlib.technical_analysis 库进行计算。以下是完整的策略设计与 Python 源码实现。

1. 策略核心逻辑

• 股票池：沪深 300 成分股（可自定义）。
• 指标获取：利用聚宽因子库 get_factor_values 获取过去 3 个交易日的 AR 和 BR 因子值。
• 买入条件：
  1. 昨天的 AR 和 BR 均低于 60。
  2. 今天的 AR 和 BR 均低于 60。
  3. 出现拐头向上信号：今天的 AR > 昨天的 AR，且今天的 BR > 昨天的 BR。
• 卖出条件：持仓股票的 AR 或 BR 指标高于 150 时，全仓卖出止盈。
• 资金分配：等权重买入满足条件的股票。

2. 策略 Python 源码

# 导入聚宽函数库
import jqdata
from jqfactor import get_factor_values
import pandas as pd
import numpy as np

def initialize(context):
    # 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)
    
    # 股票类交易手续费设置
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 每天 09:30 运行策略
    run_daily(market_open, time='09:30')

def market_open(context):
    # 获取沪深300成分股
    stocks = get_index_stocks('000300.XSHG')
    
    # 获取当前逻辑日期的前一天
    yesterday = context.previous_date
    
    # 获取过去 3 个交易日的 AR 和 BR 因子值（用于判断拐头）
    factor_data = get_factor_values(
        securities=stocks, 
        factors=['AR', 'BR'], 
        end_date=yesterday, 
        count=3
    )
    
    df_ar = factor_data['AR']
    df_br = factor_data['BR']
    
    # 排除停牌或无因子数据的股票
    current_data = get_current_data()
    
    # 1. 卖出逻辑：持仓股票中，AR 或 BR 高于 150 的进行卖出
    for stock in list(context.portfolio.positions.keys()):
        if stock in df_ar.columns and stock in df_br.columns:
            # 获取最新的因子值（即昨日值）
            latest_ar = df_ar[stock].iloc[-1]
            latest_br = df_br[stock].iloc[-1]
            
            if latest_ar > 150 or latest_br > 150:
                order_target(stock, 0)
                log.info(f"[卖出] 股票 {stock} 情绪过热，AR={latest_ar:.2f}, BR={latest_br:.2f}，执行卖出。")

    # 2. 买入逻辑筛选
    buy_list = []
    for stock in stocks:
        # 过滤停牌股票
        if current_data[stock].paused:
            continue
            
        if stock in df_ar.columns and stock in df_br.columns:
            ar_series = df_ar[stock].dropna()
            br_series = df_br[stock].dropna()
            
            # 确保有足够的数据计算拐头（至少3天）
            if len(ar_series) < 3 or len(br_series) < 3:
                continue
            
            # 获取最近三天的值：t-2, t-1, t (t为昨日)
            ar_t2, ar_t1, ar_t = ar_series.iloc[-3], ar_series.iloc[-2], ar_series.iloc[-1]
            br_t2, br_t1, br_t = br_series.iloc[-3], br_series.iloc[-2], br_series.iloc[-1]
            
            # 条件1：AR 和 BR 均低于 60
            condition_low = (ar_t < 60) and (br_t < 60) and (ar_t1 < 60) and (br_t1 < 60)
            
            # 条件2：同步拐头向上 (今日值 > 昨日值)
            condition_turn_up = (ar_t > ar_t1) and (br_t > br_t1)
            
            if condition_low and condition_turn_up:
                buy_list.append(stock)
                
    # 3. 执行买入：等权重分配可用资金
    if buy_list:
        cash = context.portfolio.available_cash
        # 限制单日最大买入数量，避免资金过度分散
        max_buy = min(len(buy_list), 5)
        target_buy_list = buy_list[:max_buy]
        
        value_per_stock = cash / max_buy
        for stock in target_buy_list:
            if context.portfolio.positions[stock].total_amount == 0:
                order_value(stock, value_per_stock)
                log.info(f"[买入] 股票 {stock} 触发抄底信号，ARBR 低位拐头向上，买入金额：{value_per_stock:.2f}元。")

3. 策略要点解析

1. 避免未来函数：策略在 09:30 运行，获取因子数据时，end_date 设为 context.previous_date（昨日），确保只使用历史已披露的财务与交易数据，完全规避了未来函数。
2. 拐头算法设计：通过 get_factor_values 获取 count=3 的数据，对比 iloc[-1]（最新值）与 iloc[-2]（前一日值），当最新值大于前一日值时，即判定为“拐头向上”。
3. 动态复权：策略开启了 set_option('use_real_price', True) 真实价格模式，使回测与模拟盘的撮合机制更贴近实盘。