如何在聚宽中实现经典海龟突破策略？（附 300ETF 多品种组合与周期优化 Python 源码）

经典海龟交易策略核心原理

海龟交易策略（Turtle Trading System）是量化交易领域的经典之作，其核心思想基于**唐奇安通道（Donchian Channel）的突破系统，并结合真实波幅均值（ATR）**进行动态仓位管理和加仓减仓。其主要规则如下：

1. 系统一突破（短期）：以 20 日突破（新高）买入，10 日突破（新低）卖出。
2. 仓位管理（N 值）：使用 20 日 ATR（即 N 值）来衡量波动率。单次建仓单位（Unit） = 账户总资产的 1% / (N * 合约乘数 * 价格)。
3. 动态加仓：价格每上涨 0.5N，加仓一个 Unit，最多加仓至 4 个 Unit。
4. 止损与止盈：价格下跌 2N 强制止损；跌破 10 日唐奇安通道下轨止盈。

聚宽（JoinQuant）多品种海龟策略源码实现

以下代码展示了如何在聚宽平台实现一个支持**多品种组合（如 300ETF、500ETF、创业板ETF）并支持动态复权（真实价格）**的海龟突破策略：

import numpy as np
import pandas as pd
from jqdata import *

def initialize(context):
    # 1. 策略基本设置
    set_benchmark('000300.XSHG')
    set_option('use_real_price', True) # 开启真实价格模式，避免未来函数
    
    # 2. 设定交易费率
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 3. 策略参数定义
    g.donchian_high_window = 20  # 唐奇安通道上轨周期
    g.donchian_low_window = 10   # 唐奇安通道下轨周期
    g.atr_window = 20            # ATR周期
    g.max_units = 4              # 最大加仓次数
    
    # 4. 扩展为多品种组合（例如：沪深300ETF、中证500ETF、创业板ETF）
    g.security_list = ['510300.XSHG', '510500.XSHG', '159915.XSHE']
    
    # 5. 记录每个品种的交易状态
    g.turtle_status = {}
    for security in g.security_list:
        g.turtle_status[security] = {
            'units': 0,          # 当前持仓Unit数
            'last_buy_price': 0  # 上一次买入价格
        }
    
    # 每日开盘运行
    run_daily(market_open, time='every_bar')

def get_atr_and_donchian(security, context):
    # 获取历史数据（包含当前Bar的前N个Bar）
    hist = attribute_history(security, g.donchian_high_window + 1, '1d', ['high', 'low', 'close'])
    if len(hist) < g.donchian_high_window:
        return None, None, None
    
    # 计算唐奇安通道上下轨（不含当前Bar）
    high_limit = hist['high'][:-1].max()
    low_limit = hist['low'][:-1].max() # 止盈参考下轨
    if g.donchian_low_window < g.donchian_high_window:
        low_limit = hist['low'][-g.donchian_low_window-1:-1].min()
        
    # 计算ATR (N值)
    close_prev = hist['close'][:-1].values
    high = hist['high'][-g.atr_window-1:-1].values
    low = hist['low'][-g.atr_window-1:-1].values
    
    tr_list = []
    for i in range(len(high)):
        if i == 0:
            tr = high[i] - low[i]
        else:
            tr = max(high[i] - low[i], abs(high[i] - close_prev[i-1]), abs(low[i] - close_prev[i-1]))
        tr_list.append(tr)
    atr = np.mean(tr_list)
    
    return atr, high_limit, low_limit

def market_open(context):
    total_value = context.portfolio.total_value
    
    for security in g.security_list:
        status = g.turtle_status[security]
        current_data = get_current_data()
        
        if current_data[security].paused:
            continue
            
        current_price = current_data[security].last_price
        atr, high_limit, low_limit = get_atr_and_donchian(security, context)
        
        if atr is None or atr == 0:
            continue
            
        # 计算单个Unit的股数（假设资金分配到每个品种的权重相等）
        target_value_per_unit = (total_value / len(g.security_list)) * 0.01
        unit_size = int(target_value_per_unit / atr)
        unit_size = (unit_size // 100) * 100 # A股100股整数倍限制
        
        if unit_size == 0:
            continue
            
        # 1. 止损与止盈判断
        if status['units'] > 0:
            # 止损：价格低于上一次买入价 - 2 * ATR
            # 止盈：价格跌破唐奇安通道下轨
            if current_price < (status['last_buy_price'] - 2 * atr) or current_price < low_limit:
                order_target(security, 0)
                log.info(f"[止损/止盈] 卖出 {security}，清空仓位")
                status['units'] = 0
                status['last_buy_price'] = 0
                continue
        
        # 2. 突破买入/加仓逻辑
        if status['units'] == 0:
            # 突破上轨首笔建仓
            if current_price > high_limit:
                order(security, unit_size)
                log.info(f"[建仓] 突破上轨，买入 {security} {unit_size}股")
                status['units'] = 1
                status['last_buy_price'] = current_price
        elif status['units'] < g.max_units:
            # 价格每上涨 0.5 * ATR，加仓一个 Unit
            if current_price >= (status['last_buy_price'] + 0.5 * atr):
                order(security, unit_size)
                log.info(f"[加仓] 价格上涨0.5N，买入 {security} {unit_size}股")
                status['units'] += 1
                status['last_buy_price'] = current_price

策略对比与优化分析

在聚宽平台进行回测时，通过调整品种配置和K线周期，可以观察到显著的业绩差异：

1. 单品种（300ETF） vs 多品种组合

• 单品种（300ETF）：海龟策略在单边牛市中表现极佳，但在震荡市中容易频繁假突破导致磨损。300ETF 在 2016-2018 年震荡期间回撤较大。
• 多品种组合（300ETF + 500ETF + 创业板ETF）：通过引入多品种，策略的夏普比率（Sharpe Ratio）显著提升。由于不同宽基指数的牛熊转换节奏不同，多品种组合能有效分散单一品种假突破的风险，平滑资金曲线，降低最大回撤（Max Drawdown）。

2. K线周期优化（日线 vs 分钟线）

• 日线周期（Daily）：信号稳定，交易频次低，受滑点和佣金的影响较小。适合资金量较大、追求稳健的投资者。缺点是突破信号可能存在滞后，无法在日内极端行情中及时止损。
• 分钟周期（如 30m, 60m）：利用聚宽的 get_bars 或 run_daily(..., time='every_bar') 在分钟级别运行。分钟线能更灵敏地捕捉日内突破，止损更及时。然而，**交易摩擦成本（佣金+印花税+滑点）**会大幅上升。在实际回测中，若未设置合理的滑点（如未调用 set_slippage），分钟线可能表现虚高；一旦加入真实滑点，日内假突破的磨损可能导致净值跑输日线周期。

优化建议

1. 开启真实价格：在 initialize 中务必使用 set_option('use_real_price', True)，确保回测与模拟盘价格一致，避免前复权带来的未来函数。
2. 滑点设置：使用 set_slippage(PriceRelatedSlippage(0.00246)) 模拟真实交易摩擦，尤其在分钟级回测中，这能过滤掉无法实盘的虚假高收益。