QMT 平台如何利用 Heikin-Ashi (平均K线) 捕捉趋势？

这是一个基于 Heikin-Ashi (平均K线) 的交易策略。

策略原理

Heikin-Ashi（平均K线）是一种对标准K线（OHLC）进行平滑处理的技术，旨在过滤市场噪音，更清晰地展示趋势。

计算公式：

1. HA_Close (收盘价) = (开盘价 + 最高价 + 最低价 + 收盘价) / 4
2. HA_Open (开盘价) = (上一根 HA_Open + 上一根 HA_Close) / 2
3. HA_High (最高价) = Max(最高价, HA_Open, HA_Close)
4. HA_Low (最低价) = Min(最低价, HA_Open, HA_Close)

交易逻辑：

• 买入信号：当 Heikin-Ashi K线由红变绿（收盘价 > 开盘价），视为上涨趋势开始，全仓买入。
• 卖出信号：当 Heikin-Ashi K线由绿变红（收盘价 < 开盘价），视为下跌趋势开始，清仓卖出。

策略代码

# -*- coding: gbk -*-
import pandas as pd
import numpy as np

def init(ContextInfo):
    """
    策略初始化函数
    """
    # 设置资金账号 (请替换为您自己的资金账号)
    ContextInfo.account_id = '6000000000' 
    ContextInfo.account_type = 'STOCK'
    ContextInfo.set_account(ContextInfo.account_id)
    
    # 设置股票池 (示例：平安银行)
    ContextInfo.stock_code = '000001.SZ'
    ContextInfo.set_universe([ContextInfo.stock_code])
    
    # 策略参数
    ContextInfo.period = '1d'  # 周期：日线
    ContextInfo.lookback = 100 # 回溯K线数量，用于计算HA值的稳定性

def calculate_heikin_ashi(df):
    """
    计算 Heikin-Ashi 数据
    """
    ha_df = df.copy()
    
    # 1. 计算 HA_Close
    ha_df['HA_Close'] = (df['open'] + df['high'] + df['low'] + df['close']) / 4
    
    # 2. 计算 HA_Open
    # HA_Open 依赖于前一根 K 线的 HA 数据，需要迭代计算
    # 初始化列表，第一根 K 线的 HA_Open 设为普通 Open
    ha_open_list = [df['open'].iloc[0]]
    
    # 获取原始 Open 和 High, Low 数据用于后续计算（虽然 HA_Open 只依赖前值）
    # 注意：这里为了效率使用循环，对于极长序列可能需要优化，但对于 lookback=100 很快
    ha_close_values = ha_df['HA_Close'].values
    
    for i in range(1, len(df)):
        # HA_Open = (Prev_HA_Open + Prev_HA_Close) / 2
        prev_ha_open = ha_open_list[-1]
        prev_ha_close = ha_close_values[i-1]
        current_ha_open = (prev_ha_open + prev_ha_close) / 2
        ha_open_list.append(current_ha_open)
        
    ha_df['HA_Open'] = ha_open_list
    
    # 3. 计算 HA_High 和 HA_Low (本策略逻辑主要依赖 Open 和 Close，High/Low 可选)
    ha_df['HA_High'] = ha_df[['high', 'HA_Open', 'HA_Close']].max(axis=1)
    ha_df['HA_Low'] = ha_df[['low', 'HA_Open', 'HA_Close']].min(axis=1)
    
    return ha_df

def handlebar(ContextInfo):
    """
    K线运行函数
    """
    # 获取当前 bar 的索引
    index = ContextInfo.barpos
    
    # 获取当前时间
    realtime = ContextInfo.get_bar_timetag(index)
    
    # 获取股票代码
    stock = ContextInfo.stock_code
    
    # 获取历史行情数据 (多取一些数据以确保 HA 计算收敛)
    # 注意：get_market_data_ex 返回的是 {code: dataframe}
    data_map = ContextInfo.get_market_data_ex(
        ['open', 'high', 'low', 'close'], 
        [stock], 
        period=ContextInfo.period, 
        count=ContextInfo.lookback,
        dividend_type='front' # 前复权
    )
    
    if stock not in data_map:
        return
        
    df = data_map[stock]
    
    if len(df) < 2:
        return

    # 计算 Heikin-Ashi
    ha_df = calculate_heikin_ashi(df)
    
    # 获取当前 K 线的 HA 数据 (Series对象)
    current_bar = ha_df.iloc[-1]
    # 获取上一根 K 线的 HA 数据 (用于判断反转)
    prev_bar = ha_df.iloc[-2]
    
    # 定义颜色：True 为阳线(绿/涨)，False 为阴线(红/跌)
    # 注意：国内习惯 红涨绿跌，但 HA 逻辑通常指 Close > Open 为强势
    is_bullish = current_bar['HA_Close'] > current_bar['HA_Open']
    is_bearish = current_bar['HA_Close'] < current_bar['HA_Open']
    
    # 获取当前持仓
    positions = ContextInfo.get_trade_detail_data(ContextInfo.account_id, ContextInfo.account_type, 'POSITION')
    current_holding = 0
    for pos in positions:
        if pos.m_strInstrumentID + '.' + pos.m_strExchangeID == stock:
            current_holding = pos.m_nVolume
            break
            
    # --- 交易逻辑 ---
    
    # 信号：HA 阳线 (看涨)
    if is_bullish:
        # 如果当前空仓或持仓不足，则买入
        # 这里简单演示全仓买入，实际需计算资金
        if current_holding == 0:
            # 获取账户可用资金
            account_info = ContextInfo.get_trade_detail_data(ContextInfo.account_id, ContextInfo.account_type, 'ACCOUNT')
            if account_info:
                available_cash = account_info[0].m_dAvailable
                # 预留一点资金防止手续费不足，取 95%
                target_value = available_cash * 0.95
                
                print(f"[{stock}] HA转强 (Close: {current_bar['HA_Close']:.2f} > Open: {current_bar['HA_Open']:.2f}) -> 买入")
                # 使用 order_target_value 调整持仓市值
                order_target_value(stock, target_value, ContextInfo, ContextInfo.account_id)

    # 信号：HA 阴线 (看跌)
    elif is_bearish:
        # 如果有持仓，则清仓
        if current_holding > 0:
            print(f"[{stock}] HA转弱 (Close: {current_bar['HA_Close']:.2f} < Open: {current_bar['HA_Open']:.2f}) -> 卖出")
            order_target_value(stock, 0, ContextInfo, ContextInfo.account_id)

    # 绘图 (可选，用于回测界面观察)
    # 绘制 HA 的收盘价趋势
    ContextInfo.paint('HA_Close', current_bar['HA_Close'], -1, 0)

代码说明

1. 数据获取 (get_market_data_ex):

   • 我们使用 get_market_data_ex 获取历史数据。
   • count=100：Heikin-Ashi 的 HA_Open 依赖于前一根 K 线的值。为了让计算结果准确（收敛），我们需要获取一定长度的历史数据进行迭代计算，而不是仅获取当前一根 K 线。

2. HA 计算逻辑 (calculate_heikin_ashi):

   • 这是一个纯数学计算函数。
   • HA_Close 可以直接向量化计算。
   • HA_Open 必须通过循环计算，因为 t 时刻的值依赖于 t-1 时刻的值。

3. 交易信号:

   • 看涨 (Bullish): HA_Close > HA_Open。这表示平均价格在上升，动能向上。
   • 看跌 (Bearish): HA_Close < HA_Open。这表示平均价格在下降。

4. 下单函数 (order_target_value):

   • 使用 order_target_value 是最方便的仓位管理方式。
   • 买入时，目标市值设为可用资金的 95%（预留手续费）。
   • 卖出时，目标市值设为 0（清仓）。

注意事项

• 回测与实盘: 该代码既可用于回测，也可用于实盘（需将 ContextInfo.account_id 替换为真实账号）。
• 滞后性: Heikin-Ashi 本质上是一种平均算法，因此信号会比标准 K 线略有滞后，但能有效过滤震荡市中的假信号。
• 第一根K线: 计算逻辑中，序列的第一根 K 线 HA_Open 被强制设为普通 Open，这会导致前几根 K 线的 HA 值不完全准确。这就是为什么我们在 get_market_data_ex 中读取 100 根 K 线的原因——经过几十根 K 线的迭代，数值会趋于精确。

Q&A

Q: 为什么不直接用 QMT 自带的指标计算？
A: QMT 的 Python API 主要提供原始行情数据。虽然部分技术指标库（如 TA-Lib）可以集成，但 Heikin-Ashi 这种特殊的 K 线形态构造通常需要手动计算，这样可以更灵活地控制逻辑（例如添加 HA_High/HA_Low 的过滤条件）。

Q: 如何增加过滤条件，例如只有“无下影线的阳线”才买入？
A: 您可以在 handlebar 函数的 is_bullish 判断中增加条件：

# 无下影线意味着 HA_Low 等于 HA_Open
is_strong_bullish = (current_bar['HA_Close'] > current_bar['HA_Open']) and \
                    (abs(current_bar['HA_Low'] - current_bar['HA_Open']) < 0.01)

Q: 这个策略适合什么周期？
A: Heikin-Ashi 在趋势明显的周期表现更好，通常建议用于 日线 或 小时线。在分钟级震荡市中可能会产生较多磨损。