ptrade 均线策略进阶：多均线发散多头排列量化选股

多均线发散多头排列（MA Ribbon）是一种经典的技术分析形态，当短期、中期和长期移动平均线按顺序从上至下排列且呈发散状态时，通常意味着标的处于极强的单边上涨趋势中。本文将介绍如何在 ptrade 量化交易平台上实现多均线多头排列的选股与自动交易策略。

一、策略逻辑设计

1. 均线选择：选用 5日（MA5）、10日（MA10）、20日（MA20）、60日（MA60）四条移动平均线。
2. 多头排列条件：满足 MA5 > MA10 > MA20 > MA60。
3. 发散放大条件：要求当前周期的均线间距大于上周期，或短期均线收益率保持向上。
4. 调仓机制：在 before_trading_start 中进行全市场或指定股票池选股，在 handle_data 盘中根据选股结果进行买入，对不再满足多头排列的持仓标的进行卖出平仓。

二、ptrade 关键 API 接口

• set_universe(security_list)：设置订阅股票池。
• get_history(count, frequency, field, security_list, fq)：获取历史 K 线数据，用于计算 MA5、MA10、MA20、MA60。
• filter_stock_by_status(stocks, filter_type)：过滤 ST、停牌及退市股票。
• order_target_value(security, value)：按目标价值进行下单调仓。

三、ptrade 策略完整源码

def initialize(context):
    # 设置参考基准
    set_benchmark('000300.SS')
    # 设置初始股票池（以沪深300成分股为例）
    g.security_pool = get_index_stocks('000300.XBHS')
    set_universe(g.security_pool)
    # 选定的目标股票列表及最大持仓数量
    g.target_stocks = []
    g.max_hold_count = 5

def before_trading_start(context, data):
    # 1. 过滤 ST、停牌、退市股票
    valid_stocks = filter_stock_by_status(g.security_pool, filter_type=["ST", "HALT", "DELISTING"])
    
    # 2. 获取过去 70 天的日线收盘价数据（确保计算 MA60 所需数据充足）
    df_close = get_history(70, frequency='1d', field='close', security_list=valid_stocks, fq='pre')
    
    selected = []
    for stock in valid_stocks:
        try:
            # 获取单只股票的收盘价序列
            if isinstance(df_close, dict):
                prices = df_close[stock]['close']
            else:
                prices = df_close.query('code in [@stock]')['close']
                
            if len(prices) < 60:
                continue
            
            # 计算各周期均线
            ma5 = prices[-5:].mean()
            ma10 = prices[-10:].mean()
            ma20 = prices[-20:].mean()
            ma60 = prices[-60:].mean()
            
            # 条件判断：多均线发散多头排列
            if ma5 > ma10 and ma10 > ma20 and ma20 > ma60:
                selected.append(stock)
        except Exception as e:
            continue
            
    # 记录选出的目标股票
    g.target_stocks = selected[:g.max_hold_count]
    log.info("今日筛选出的多头排列股票: %s" % g.target_stocks)

def handle_data(context, data):
    # 获取当前持仓
    current_positions = list(context.portfolio.positions.keys())
    
    # 1. 卖出不在目标选股池中的股票
    for stock in current_positions:
        if stock not in g.target_stocks:
            order_target_value(stock, 0)
            log.info("卖出平仓标的: %s" % stock)
            
    # 2. 买入目标选股池中的股票
    if len(g.target_stocks) > 0:
        # 平分可用资金
        target_value_per_stock = context.portfolio.portfolio_value / g.max_hold_count
        for stock in g.target_stocks:
            if data[stock]['close'] > 0:
                order_target_value(stock, target_value_per_stock)
                log.info("买入/调仓标的: %s, 目标市值: %s" % (stock, target_value_per_stock))

四、注意事项与优化建议

1. 限价保护与滑点控制：在实盘交易中，建议为 order_target_value 传入 limit_price 限制下单价格，避免涨停开盘时高追。
2. 风控过滤：可结合 get_fundamentals 接口过滤 PE/PB 异常或业绩亏损的股票，增强策略稳定性。
3. 多线程/异步数据处理：如股票池较大（如全 A 股），可在 get_history 时开启 is_dict=True 提升数据提取效率。