JoinQuant 聚宽平台 get_bars 和 attribute_history 有什么区别？

get_bars，attribute_history区别？

close_data = attribute_history(security, 5, '1d', ['close'])
MA5 = close_data['close'].mean()

close_data = get_bars(security, count=5, unit='1d', fields=['close'])
MA5 = close_data['close'].mean()

在 JoinQuant (聚宽) 平台中，get_bars 和 attribute_history 都可以用来获取历史行情数据，但它们在默认参数、返回值类型、复权处理以及停牌处理上存在显著差异。

核心区别对比

特性	attribute_history	get_bars
支持标的数量	仅支持单个标的	支持单个或多个标的
返回值类型	默认返回 pandas.DataFrame (df=True)	默认返回 numpy.ndarray (df=False)
复权方式	默认前复权 (fq='pre')	默认不复权 (fq_ref_date=None)
停牌处理	默认跳过停牌 (skip_paused=True)，用前一交易日数据填充	无跳过停牌选项，直接返回实际交易的 Bar，不足 count 个不填充
包含当前 Bar	默认不包含当前 Bar（无未来函数）	可通过 include_now 参数控制是否包含当前 Bar

---

对您提供的代码分析

代码 1：使用 attribute_history

close_data = attribute_history(security, 5, '1d', ['close'])
MA5 = close_data['close'].mean()

分析：

• 这段代码运行完全正常。
• close_data 是一个 DataFrame，包含了过去 5 天的前复权收盘价，并且自动处理了停牌（如果这 5 天内有停牌，会用停牌前的价格填充）。
• 计算出的 MA5 是准确的复权均线。

代码 2：使用 get_bars

close_data = get_bars(security, count=5, unit='1d', fields=['close'])
MA5 = close_data['close'].mean()

分析：

• 这段代码存在两个潜在问题：
  1. 数据类型问题：get_bars 默认返回 numpy.ndarray。虽然 numpy 结构化数组支持 close_data['close'].mean() 的写法，但如果您后续想使用 pandas 的高级特性，会不太方便。
  2. 复权问题（致命）：get_bars 默认获取的是不复权数据。如果这 5 天内股票发生了分红派息或拆股，计算出的 MA5 将会出现严重跳空，导致策略发出错误信号。

---

如何正确替换为 get_bars？

如果您想使用 get_bars 来替代 attribute_history 计算均线，需要显式指定返回 DataFrame 并设置复权基准日（通常设为当前时间以获取前复权数据）：

# 正确的 get_bars 用法（在回测/模拟的 handle_data 中）
close_data = get_bars(security, count=5, unit='1d', fields=['close'], 
                      df=True, # 指定返回 DataFrame
                      fq_ref_date=context.current_dt.date() # 指定复权基准日，获取前复权数据
                     )
MA5 = close_data['close'].mean()

总结建议

• 如果您只是在 handle_data 中获取单只股票的历史数据计算技术指标（如均线），使用 attribute_history 更简单直接，因为它的默认参数就是为此设计的。
• 如果您需要同时获取多只股票的数据，或者需要获取包含当前时刻 (include_now=True) 的快照数据，则必须使用 get_bars，但请务必注意手动设置 df=True 和 fq_ref_date 参数。