JoinQuant 择时策略：如何计算并使用市场宽度指标 ADL（腾落线）？

这是一个关于量化交易策略设计的问题。

什么是腾落线（ADL）？

腾落线 (Advance-Decline Line, ADL) 是一个衡量市场广度（Market Breadth）的累积指标。它通过计算每天上涨股票家数与下跌股票家数的差值，并将其累加到前一天的数值上，来判断大盘的内部强势或弱势。

计算公式：
$$今日ADL = 昨日ADL + (今日上涨家数 - 今日下跌家数)$$

指标含义：

1. 趋势确认：当大盘指数上涨，且ADL也同步上涨时，说明上涨是由大多数股票推动的，趋势健康。
2. 背离信号（买卖点）：
   • 顶背离（卖点）：大盘指数创新高，但ADL未能创新高（甚至下降），说明上涨仅由少数权重股拉动，市场内部虚弱，可能见顶。
   • 底背离（买点）：大盘指数创新低，但ADL不再创新低（甚至上升），说明虽然指数在跌，但多数股票开始止跌回升，可能见底。

策略实现逻辑

在聚宽（JoinQuant）中实现ADL策略，我们需要以下步骤：

1. 确定股票池：通常选择全市场股票或代表性指数（如沪深300或中证500）的成分股作为样本。
2. 每日计算：在每日收盘前（如14:50），获取股票池中所有股票的当日涨跌情况。
3. 累积ADL：计算净上涨家数，更新全局ADL值。
4. 生成信号：
   • 由于ADL是累积值，绝对值没有意义，通常配合**均线（MA）**使用。
   • 买入：ADL值上穿ADL的N日均线。
   • 卖出：ADL值下穿ADL的N日均线。

策略代码实现

以下是一个完整的策略代码。该策略以沪深300成分股为样本计算ADL，并对**沪深300指数（或ETF）**进行交易。

# -*- coding: utf-8 -*-
import jqdata
import pandas as pd
import numpy as np

def initialize(context):
    """
    初始化函数
    """
    # 设定基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设定手续费
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # --- 策略参数设置 ---
    # 用于计算ADL的股票池范围：这里使用沪深300成分股代表大盘
    # 如果想计算全A股，可以使用 get_all_securities(['stock']).index.tolist()，但回测速度会变慢
    g.scope_index = '000300.XSHG' 
    
    # 要交易的标的（这里直接交易沪深300ETF作为示例，也可以交易股指期货或一篮子股票）
    g.trade_target = '510300.XSHG' 
    
    # ADL指标的全局累积值，初始设为0
    g.adl_value = 0
    
    # 记录ADL历史值用于计算均线
    g.adl_history = []
    
    # ADL均线窗口，用于判断趋势
    g.ma_window = 20 
    
    # 每日收盘前运行策略
    run_daily(market_scan_and_trade, time='14:50')

def market_scan_and_trade(context):
    """
    每日定时运行：计算ADL并交易
    """
    # 1. 获取股票池（沪深300成分股）
    stocks = get_index_stocks(g.scope_index)
    
    # 2. 获取当前数据（最新价和昨收价）
    # 使用 get_price 获取数据，因为 get_current_data 在回测中可能较慢且不易批量处理
    # 获取当前分钟的快照数据是不够的，我们需要判断今日相对于昨日的涨跌
    # 这里获取过去1天的数据是不够的，因为我们需要pre_close。
    # 最简单的方法是获取当前快照
    current_data = get_current_data()
    
    advancers = 0 # 上涨家数
    decliners = 0 # 下跌家数
    unchanged = 0 # 平盘家数
    
    valid_stocks = []
    
    for stock in stocks:
        # 过滤停牌股票
        if current_data[stock].paused:
            continue
        
        # 获取价格
        price = current_data[stock].last_price
        pre_close = current_data[stock].day_open # 注意：get_current_data的day_open在回测中通常指今日开盘价，这里我们需要昨收
        # 更准确的方式是使用 attribute_history 获取昨收，或者直接用 current_data[stock].high_limit / 1.1 (不推荐)
        # 修正：使用 get_current_data 实际上包含 last_price 和 pre_close (但在某些回测模式下pre_close可能不准)
        # 为了准确性，我们批量获取过去两个交易日的收盘价来比较
        valid_stocks.append(stock)

    if not valid_stocks:
        return

    # 批量获取历史收盘价来判断涨跌（获取过去1天的数据，包含今天尚未收盘的价格和昨天的收盘价是不行的，history取不到今天）
    # 正确逻辑：获取当前价格，并获取昨天的收盘价
    
    # 获取昨日收盘价
    h_data = history(1, unit='1d', field='close', security_list=valid_stocks, df=True)
    if h_data.empty:
        return
        
    # 遍历计算涨跌家数
    for stock in valid_stocks:
        if stock not in h_data.columns:
            continue
            
        current_price = current_data[stock].last_price
        last_close = h_data[stock].iloc[-1] # 昨收
        
        if current_price > last_close:
            advancers += 1
        elif current_price < last_close:
            decliners += 1
        else:
            unchanged += 1
            
    # 3. 计算今日净腾落数
    net_advance = advancers - decliners
    
    # 4. 更新累积ADL值
    g.adl_value += net_advance
    
    # 将今日ADL存入历史列表
    g.adl_history.append(g.adl_value)
    
    # 保持历史列表长度，避免无限增长占用内存，但要足够计算MA
    if len(g.adl_history) > g.ma_window + 100:
        g.adl_history = g.adl_history[-g.ma_window:]
        
    # 5. 交易逻辑
    # 如果历史数据不足以计算均线，则跳过
    if len(g.adl_history) < g.ma_window:
        return
        
    # 计算ADL的均线
    adl_series = pd.Series(g.adl_history)
    adl_ma = adl_series.rolling(window=g.ma_window).mean().iloc[-1]
    
    current_adl = g.adl_value
    
    # 获取当前持仓
    position = context.portfolio.positions[g.trade_target].total_amount
    cash = context.portfolio.available_cash
    
    # 打印日志方便调试
    # log.info(f"Date: {context.current_dt.date()}, Adv: {advancers}, Dec: {decliners}, ADL: {current_adl}, MA_ADL: {adl_ma}")
    
    # 信号判断：ADL 上穿 均线 -> 买入
    if current_adl > adl_ma and position == 0:
        log.info(f"ADL金叉均线 (ADL:{current_adl} > MA:{adl_ma})，市场广度转强，买入。")
        order_value(g.trade_target, cash)
        
    # 信号判断：ADL 下穿 均线 -> 卖出
    elif current_adl < adl_ma and position > 0:
        log.info(f"ADL死叉均线 (ADL:{current_adl} < MA:{adl_ma})，市场广度转弱，卖出。")
        order_target(g.trade_target, 0)
        
    # 6. 绘图记录
    record(ADL=current_adl, ADL_MA=adl_ma)

代码关键点解析

1. 数据获取 (market_scan_and_trade):

   • 我们使用 get_current_data() 获取当前的实时价格。
   • 我们使用 history(1, ...) 获取昨天的收盘价。
   • 注意：不能直接用 current_data[stock].day_open 当作昨收，因为那是今天的开盘价。比较 last_price 和 history 获取的昨日收盘价才是判断今日涨跌的正确方法。

2. ADL 计算:

   • net_advance = 上涨家数 - 下跌家数。
   • g.adl_value 是一个全局变量，它会随着回测时间的推移不断累加。初始值设为0并不影响策略逻辑，因为我们看的是相对趋势（和均线的关系），而不是绝对值。

3. 交易信号:

   • 单纯看ADL涨跌容易产生过多杂波。
   • 代码中使用了 ADL与其20日均线（MA20）的交叉 作为买卖信号。
   • 当ADL站在均线之上，代表市场广度处于扩张期，做多；反之做空。

4. 标的选择:

   • 计算ADL用的是 000300.XSHG (沪深300) 的成分股。
   • 实际交易的是 510300.XSHG (沪深300ETF)。

如何优化？

1. 扩大样本：将 g.scope_index 改为中证800或全A股，更能反映整体市场情绪，但回测速度会变慢。
2. 加入背离判断：代码目前是趋势跟随（均线交叉）。你可以进一步开发逻辑：当指数创新高（current_index_price > 20_day_high）但ADL未创新高时，强制平仓。
3. 结合指数均线：要求 ADL 金叉 且 指数本身也站上均线，形成双重确认，减少假信号。

Q&A

Q: 为什么初始ADL设为0，这会影响结果吗？
A: 不会。ADL是一个相对指标，它的绝对数值没有意义（取决于你从哪一天开始算）。我们关注的是它的斜率以及它与自身均线的相对位置。无论初始值是0还是10000，均线交叉的信号时间点是一样的。

Q: 可以在分钟级别回测中使用吗？
A: 可以，但ADL通常是日线级别的指标。如果在分钟级回测中，建议依然在每日收盘前（如14:50）计算一次并交易，或者使用 run_daily 配合分钟回测。如果在盘中实时计算ADL（例如每分钟计算），波动会非常剧烈，需要更平滑的处理逻辑。

Q: 如何查看ADL曲线？
A: 代码最后一行使用了 record(ADL=current_adl, ADL_MA=adl_ma)。回测结束后，在回测详情页面的收益图下方，会有一个“自定义数据”图表，勾选即可看到ADL和其均线的走势图。