编写策略¶

策略是接收 Context 的普通函数，每根 bar 完成后调用一次。通过历史窗口读取数据，通过账户快照观察持仓，通过下单方法表达意图。

均线择时¶

def moving_average(ctx: Context) -> None:
    closes = ctx.history("ALPHA", bars=20)
    if len(closes) < 20:
        return
    weight = 0.95 if closes[-5:].mean() > closes.mean() else 0
    ctx.target_weights({"ALPHA": weight})

历史窗口包含当前已完成 bar；样本不足时返回已有数据，所以先判断长度。目标在下一根 bar 才尝试执行，最后一根 bar 产生的信号不会在样本外成交。

完整脚本和人工数据在strategies.py。运行 python examples/strategies.py，依次比较买入持有、均线择时和双证券轮动。

选择下单方式¶

方法	含义	适用任务
`ctx.order("DEMO", 1000, valid_for="day")`	买入固定 1000 份；负数卖出	控制单笔订单和有效期
`ctx.target_positions({"DEMO": 1000})`	持续尝试达到 1000 份	明确持仓数量
`ctx.target_weights({"DEMO": 0.8})`	按当前收盘权益计算目标股数	择时或资产配置
`ctx.target_weights({"DEMO": 0.8}, sizing="execution")`	在下一 bar 开盘统一估值、定量一次	希望按执行时价格配置仓位
`ctx.order("DEMO", 1000, max_spend=10000)`	买入最多 1000 份，整笔含费用支出不超过 10000 元	明确控制单笔金额上限

固定订单返回订单 ID，用 cancel_order 撤单；持仓目标返回意图 ID，用 cancel 取消。两种 ID 不混用。

target_positions 中省略的证券保持原目标；target_weights 描述整个组合，省略的证券目标为零。权重总和不得超过 1。

股数目标不会因为前收价估算的冻结额不足而自动少买：执行时还能使用账户未占用现金。权重默认 sizing="close" 保持收盘定量；sizing="execution" 只在下一 bar 开盘定量一次，之后的部分成交或受阻不会反复追踪权重。两种模式都受整手和实际成交条件限制。

target_sizing.py 用 10 元跳空到 10.2 元的人工行情演示区别，运行 python examples/target_sizing.py：

零费用、初始 10000 元	最终持仓	剩余现金
目标 500 份	500	4900 元
收盘定量 50%	500	4900 元
开盘定量 50%	400	5920 元
买入 500 份、`max_spend=5000`	490	5002 元

开盘定量的理论数量为 10000 × 50% / 10.2 ≈ 490.19，新申报按 100 份取整为 400。明确金额上限的 500 份订单则可以部分成交 490 份；申报取整和部分成交数量是不同约束。max_spend 不会反过来把委托股数改写成定额买入。详见执行契约。

组合轮动¶

def rotation(ctx: Context) -> None:
    # 每隔五个已完成交易日决策一次，不代表自然周的周末。
    count = ctx.bar_index + 1
    if count < 20 or count % 5:
        return
    momentum = {}
    for symbol in ctx.symbols:
        history = ctx.history(symbol, bars=20)
        momentum[symbol] = float(history[-1] / history[0] - 1)
    winner = max(momentum, key=lambda symbol: momentum[symbol])
    ctx.target_weights({winner: 0.95}, rebalance=True)

这个日线示例每五个输入交易日重新选择动量更高的证券。rebalance=True 按最新权益重新计算股数。实际成交受可卖量、资金、费用与成交量约束，不能保证精确达到目标权重。

多个证券共享一个账户。先卖后买，买入顺序按 MarketData.symbols 的声明顺序，现金不足时排序会影响结果。多组参数应各自调用 run，不会共用资金。

预计算信号¶

已有目标数组时，使用 WeightTargets(sessions=data.timeline, weights=...) 或 PositionTargets(..., quantities=...)。数组必须与完整时间轴精确对齐，不能省略、排序或前填。

def sma_hold(close: ArrayLike, fast: int = 5, slow: int = 20) -> NDArray[np.bool_]:
    """每次收盘后的目标持仓，由 Backtest 处理下一交易日执行。"""
    if not 0 < fast < slow:
        raise ValueError("moving-average windows require 0 < fast < slow")
    prices = np.asarray(close, dtype=np.float64)
    hold = np.zeros(len(prices), dtype=bool)
    for end in range(slow, len(prices) + 1):
        hold[end - 1] = prices[end - fast : end].mean() > prices[end - slow : end].mean()
    return hold

完整预计算示例只使用截至当时的窗口。引擎会延后执行，但不会自动证明外部指标没有未来数据。其执行路径与性能边界见预计算目标。