聚宽平台如何对 ETF 策略进行长期回测并有效避免未来函数？

在聚宽（JoinQuant）平台上进行 ETF 策略的长期回测时，确保回测结果的真实性和有效性至关重要。以下是实现长期回测、避免未来函数、合理设置交易成本以及处理调仓信号的完整指南与实战代码。

一、 核心要点与避坑指南

1. 开启真实价格模式（避免未来函数）

在传统的「前复权」回测模式中，历史价格是基于未来某一天的复权因子计算出来的，这会引入隐蔽的未来函数。对于长期回测，必须在 initialize 中开启动态复权（真实价格）模式：

set_option('use_real_price', True)

开启后，历史时刻交易使用当时的真实价格，而通过 history 或 attribute_history 获取的历史数据则是基于当前回测逻辑日期的前复权价格，从而完美避免未来函数。

2. 避免时间参数越界

在使用 get_price 或 get_bars 获取历史数据时，结束时间 end_date 或 end_dt 切勿超过当前逻辑时间 context.current_dt，否则会引入未来数据。建议在策略中开启避免未来数据模式：

set_option("avoid_future_data", True)

3. 正确设置 ETF 交易成本与滑点

• 税费设置：场内基金（ETF）交易不征收印花税，且佣金通常低于股票。可以使用 set_order_cost 进行单独设置。
• 滑点设置：实盘中 ETF 存在买卖价差，需通过 set_slippage 设置合理的滑点（如固定滑点或百分比滑点）以模拟真实市场。

二、 聚宽 ETF 长期回测完整策略源码

以下是一个实用的 ETF 动量轮动策略源码。策略在每月第一个交易日运行，计算候选 ETF 的过去 20 日收益率，买入表现最好的 ETF，并严格扣除交易成本与滑点。

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

def initialize(context):
    # 1. 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    
    # 2. 开启真实价格模式（动态复权），防范未来函数
    set_option('use_real_price', True)
    # 开启避免未来数据检测
    set_option("avoid_future_data", True)
    
    # 3. 设置交易成本：ETF不收印花税，买入/卖出佣金设为万分之三，无最低五元限制
    set_order_cost(OrderCost(open_tax=0, close_tax=0, 
                             open_commission=0.0003, close_commission=0.0003, 
                             close_today_commission=0, min_commission=0), type='fund')
    
    # 4. 设置滑点：使用百分比滑点，单边 0.1%
    set_slippage(PriceRelatedSlippage(0.002), type='fund')
    
    # 5. 定义候选 ETF 资金池（例如：黄金ETF、沪深300ETF、纳指ETF、标普500ETF、中证500ETF）
    g.etf_pool = [
        '518880.XSHG', # 华安黄金易ETF
        '510300.XSHG', # 华泰柏瑞沪深300ETF
        '513100.XSHG', # 广发纳斯达克100ETF
        '513500.XSHG', # 博时标普500ETF
        '510500.XSHG'  # 南方中证500ETF
    ]
    
    # 6. 设置定时运行：每月第一个交易日 09:30 运行调仓
    run_monthly(handle_etf_rotation, monthday=1, time='09:30', reference_security='000300.XSHG')

def handle_etf_rotation(context):
    # 获取当前可用资金
    cash = context.portfolio.available_cash
    
    # 存储各 ETF 的动量得分（过去20个交易日的涨幅）
    momentum_scores = {}
    
    for etf in g.etf_pool:
        # 获取过去21天的数据（不包含今天，避免未来函数）
        hist = attribute_history(etf, count=21, unit='1d', fields=['close'], skip_paused=True)
        if len(hist) < 21:
            continue
        
        # 计算 20 日收益率
        price_now = hist['close'].iloc[-1]
        price_past = hist['close'].iloc[0]
        return_rate = (price_now - price_past) / price_past
        momentum_scores[etf] = return_rate
        
    if not momentum_scores:
        return
        
    # 找出涨幅最大的 ETF
    best_etf = max(momentum_scores, key=momentum_scores.get)
    best_score = momentum_scores[best_etf]
    
    # 获取当前持仓
    current_positions = list(context.portfolio.long_positions.keys())
    
    # 调仓逻辑：如果表现最好的 ETF 涨幅大于 0，且当前未持有，则全仓轮动
    if best_score > 0:
        # 卖出不在最强池中的其他持仓
        for etf in current_positions:
            if etf != best_etf:
                order_target(etf, 0)
                log.info("卖出表现较弱的 ETF: %s" % etf)
                
        # 买入最强的 ETF
        if best_etf not in context.portfolio.long_positions:
            # 重新获取卖出后的可用现金
            available_cash = context.portfolio.available_cash
            order_value(best_etf, available_cash)
            log.info("买入最强动量 ETF: %s，20日收益率: %.2f%%" % (best_etf, best_score * 100))
    else:
        # 如果所有 ETF 动量均为负，则空仓避险
        for etf in current_positions:
            order_target(etf, 0)
        log.info("市场走弱，所有候选 ETF 动量为负，清仓避险。")

三、 长期回测中的市场阶段收益分析

在进行 5 年以上的长期回测时，市场会经历单边牛市、单边熊市、震荡市等不同阶段。建议在回测结束后，利用聚宽的归因分析和风险指标进行多维度评估：

1. 最大回撤（Max Drawdown）：评估策略在熊市阶段（如 2018 年、2022 年）的避险能力。
2. 卡玛比率（Calmar Ratio）：年化收益率与最大回撤的比值，比值越高说明策略性价比越佳。
3. 分月/分年收益分析：通过聚宽回测结果页的「收益分析」-「月度收益热力图」，观察策略在不同年份的适应性，避免策略在单一牛市阶段表现优异但在长期震荡中失效。