一、代码整体定位
这是量化交易中 “回测初始化” 阶段的核心代码，主要完成参数配置、资金分配、交易规则设定等基础工作，为后续的策略逻辑（选股、买卖、调仓等）提供运行环境，本身不包含具体的选股和交易信号逻辑，但搭建了完整的策略运行骨架。
二、核心模块逐行讲解
-
导入依赖库
python
运行
import statsmodels.api as sm # 统计建模库（暂未使用，预留）
from statsmodels import regression # 回归分析库（暂未使用，预留）
import numpy as np # 数值计算库（处理数字、数组）
import pandas as pd # 数据处理库（处理表格数据）
from jqdata import * # 聚宽数据接口（获取股票/期货数据、回测功能）
import datetime # 日期处理库
from dateutil.relativedelta import relativedelta # 日期偏移计算（暂未使用）
核心依赖是 jqdata：这是聚宽平台的专属库，提供回测、数据获取、交易执行等核心功能；
numpy/pandas 是量化分析的基础工具，用于数据计算和处理；
部分库（如 statsmodels）暂未实际使用，属于预留导入，可能是为后续策略逻辑（如回归分析选股）做准备。 -
初始化函数 initialize(context)
这是聚宽回测的入口函数，回测开始时会首先执行，核心作用是完成全局配置：
python
运行
def initialize(context):
set_params() # 调用参数配置函数
set_variables() # 调用全局变量初始化函数
set_backtest() # 调用回测规则配置函数资金分配：将初始资金拆分为股票和期货两个子账户
stock_cash = np.round(context.portfolio.starting_cash*(1/1.3),0) # 股票账户资金（初始资金/1.3，四舍五入）
future_cash = context.portfolio.starting_cash - stock_cash # 期货账户资金（剩余部分）设置子账户：分别管理股票和股指期货的资金
set_subportfolios(
[
SubPortfolioConfig(cash=stock_cash, type=‘stock’), # 股票子账户
SubPortfolioConfig(cash=future_cash,type=‘index_futures’) # 股指期货子账户
]
)
context：聚宽的核心上下文对象，存储回测的所有关键信息（如账户资金、持仓、当前时间等）；
资金拆分逻辑：按 1:0.3 的比例将初始资金分给股票（约 77%）和期货（约 23%），目的是隔离两类资产的资金，避免相互占用；
set_subportfolios：聚宽的子账户功能，实现股票和期货资金的独立管理，比如期货的保证金不会占用股票账户的资金。 -
参数配置函数 set_params()
定义策略的核心参数（用 g. 表示聚宽的全局变量，全策略可调用）：
python
运行
def set_params():
g.tc=5 # 暂未使用的参数（可能是调仓间隔天数）
g.yb=63 # 暂未使用的参数（63约等于3个月交易日，可能是数据周期）g.pick_stock_count = 100 # 初选股票数量（筛选100只候选股）
g.buy_stock_count = 20 # 最终买入股票数量（从100只里选20只持仓）g.pre_future=’’ # 存储上期持仓的期货合约代码（初始化空值）
g.futures_margin_rate = 0.10 # 期货保证金比例（10%，即1倍杠杆）
g.futures_symbol = ‘IC’ # 股指期货标的（IC：中证500股指期货）期货合约乘数：IC是200点/元，其他（如IF沪深300）是300点/元
g.futures_multiplier = (200 if g.futures_symbol==‘IC’ else 300)
股票相关参数：划定了选股的 “范围”（初选 100 只、最终买 20 只），是后续选股策略的基础；
期货相关参数：明确交易标的（IC）、保证金比例（计算开仓所需资金）、合约乘数（计算期货盈亏的核心系数，比如 IC 涨 1 点赚 200 元）。 -
全局变量初始化函数 set_variables()
定义策略运行中需要动态更新的全局变量：
python
运行
def set_variables():
g.t = 0 # 计数器（暂未使用，可能用于调仓计时）
g.in_position_stocks = [] # 持仓股票列表（初始化空列表，后续存储当前持有的股票代码）
这些变量会在策略运行中被修改（比如买入股票后，把代码加入 g.in_position_stocks），用于跟踪策略状态。 -
回测规则配置函数 set_backtest()
设置回测的基础规则：
python
运行
def set_backtest():
set_option(‘use_real_price’, True) # 使用真实价格回测（而非前复权/后复权价格）
log.set_level(‘order’, ‘warning’) # 屏蔽订单相关的普通日志，只显示警告/错误set_slippage(FixedSlippage(0)) # 滑点设置（注释掉，默认使用聚宽默认滑点）
use_real_price=True：让回测更贴近实盘，使用股票 / 期货的真实成交价格；
日志级别设置：避免订单日志刷屏，只关注关键的警告信息；
滑点：注释掉的代码表示 “设置固定滑点为 0”，当前未启用，会使用聚宽默认的市场滑点（更贴近真实交易）。
6. 每日交易前初始化函数 before_trading_start(context)
每个交易日开盘前执行的函数：
python
运行
def before_trading_start(context):
log.info(’---------------------------------------------------------------------’)
set_slip_fee(context) # 调用手续费设置函数
核心作用是每日更新手续费规则，确保不同时间段的手续费符合真实市场情况。
7. 手续费设置函数 set_slip_fee(context)
根据回测时间动态调整交易手续费（贴合 A 股不同时期的手续费标准）：
python
运行
def set_slip_fee(context):
dt=context.current_dt # 获取当前回测时间
log.info(type(context.current_dt)) # 打印当前时间的类型（调试用）
# 按时间分段设置手续费（买入/卖出成本，最低5元）
if dt>datetime.datetime(2013,1, 1):
set_commission(PerTrade(buy_cost=0.0003, sell_cost=0.0013, min_cost=5)) # 2013年后：买0.03%，卖0.13%
elif dt>datetime.datetime(2011,1, 1):
set_commission(PerTrade(buy_cost=0.001, sell_cost=0.002, min_cost=5)) # 2011-2013：买0.1%，卖0.2%
elif dt>datetime.datetime(2009,1, 1):
set_commission(PerTrade(buy_cost=0.002, sell_cost=0.003, min_cost=5)) # 2009-2011：买0.2%，卖0.3%
else:
set_commission(PerTrade(buy_cost=0.003, sell_cost=0.004, min_cost=5)) # 2009年前：买0.3%，卖0.4%
核心逻辑：A 股手续费曾多次调整，这段代码让回测的手续费随时间变化，更贴近真实交易成本；
手续费计算规则：PerTrade 表示按笔收费，buy_cost/sell_cost 是费率（如 0.0003 = 万 3），min_cost=5 是最低收费（不足 5 元按 5 元算）；
注意：代码存在缩进错误（如 dt=context.current_dt 缩进异常），实际运行时需要修正，否则会报错。
三、代码的核心特点
模块化设计：将参数、变量、回测规则拆分为独立函数，便于后续修改和维护；
双资产配置：通过子账户实现股票和股指期货的资金隔离，是 “股票 + 期货对冲” 策略的典型框架；
贴近实盘：动态调整手续费、使用真实价格、设置期货保证金等，让回测结果更可靠；
预留扩展空间：导入了回归分析库、定义了选股数量参数等，为后续添加 “多因子选股”“期货对冲” 等核心逻辑做准备。
总结
这段代码是聚宽平台上的量化回测基础框架，核心完成参数配置、资金拆分（股票 / 期货）、交易规则（手续费 / 滑点）设置；
代码本身无具体交易逻辑（如选股、买卖信号），但搭建了完整的运行环境，可在此基础上添加核心策略；
关键设计是 “子账户” 隔离股票和期货资金，贴合 “股票多头 + 股指期货对冲” 的常见量化策略架构。
整体来看，这个期货动量策略的回测表现偏弱，明显跑输基准「上证指数」，风险调整后收益不足以支撑实盘使用。
整体评估与评级
策略年化收益约 8.45%，而基准年化约 18.09%，主动收益为负，α 仅约 0.045，信息比率为 -0.35，说明在超越基准方面表现欠佳。
夏普比率约 0.25，Sortino 为负（约 -0.59），在最大回撤约 11.2%、年化波动约 17.7% 的前提下，风险调整收益较差。按照常规标准（夏普<0.5 或显著跑输基准）可评为 D（表现较差）。
详细表现解读
收益与基准对比：策略累计收益约 10%，基准约 21.6%，无论绝对收益还是年化收益都明显落后，且负信息比率和较高的跟踪误差（约 22.5%）表明相对收益波动大且方向错误居多。
风险特征：最大回撤 11% 左右本身不算夸张，但在如此回撤水平下只有 8% 年化收益，收益/回撤比不理想，且 downside risk（约 16.4%）配合负的 Sortino，说明下行波动多、盈利阶段不足以覆盖亏损阶段。
风险暴露：β 接近 0（约 -0.0007），说明与股票基准相关性很低，本质上是“独立风险来源”，但在提供多样化的同时，没有给出足够高的风险溢价。
优点与缺点
优点：
最大回撤控制尚可，在 10%–12% 区间，对期货策略来说属于温和水平。
与股票基准相关性极低，可作为多资产组合中的分散化工具（只从相关性角度看）。
正在实盘，结果有待考证
