一、关于k线数据
（1）时间
极智的4小时行情和文华财经一样。但是k线上显示的时间不一样。
比如：7.31 21:00-21:01这一根k线，在文华财经上显示为07312100
在极智显示为07312101
1小时k线也是这样。
和快期行情k线是不相同的。
以甲醇为例，交易时间是这样的：
夜盘：21:00—23:00
日盘：09:00—10:15、10:30—11:30、13:30—15:00（10:15—10:30 为午休休市）
全天交易时间为5小时45分钟。
现在是2026.Aug.01，极智量化4小时图最后一根k显示时间为：2026.8.3 11:15，得知k线显示的时间是结束时间。
前1根显示：7.31 15:00 即：11点15分钟+下午1.5小时，所以这个4h不足4小时，只有1小时45分。（通过文华财经核对，的确是这样，极知这根k线的高低点就是文华11:15-15:00时间段的高低点。）
再前1根显示：7.31 11:15 即晚上2小时+9:00-10:00+10点的45分钟+11点的15分钟。
（2）主连合约
极智的rb2610合约和文华的数据一样，
但是螺纹主连的数据不一样。
比如20260309 这天。
二、关于SetBarInterval(context.contract, 'D', 1, 'A', isTrigger=False)
isTrigger 设置非基准合约是否触发，基准合约设置该参数无效，默认值为 False
由于 isTrigger 对基准合约（（即策略主图显示的合约））无效，无论设置为 True 还是 False，日线数据都会正常触发 handle_data()。
所以这个参数主要在多合约策略中有意义。
三、关于多周期
SetBarInterval设定的第一个周期就是handledate的调用周期。
比如下面的代码，显示的结果是：
[2026\7\31 7.34.52] [INFO][15]: 当前触发时间：20260729 150000
[2026\7\31 7.34.52] [INFO][15]: 240分钟线 - 时间: 20260729 0.150000 开盘: 3071.00 收盘: 3062.00
[2026\7\31 7.34.52] [INFO][15]: 日线 - 时间: 20260729 0.000000 开盘: 3060.00 收盘: 3062.00
[2026\7\31 7.34.52] [INFO][15]: 当前触发时间：20260730 111500
[2026\7\31 7.34.52] [INFO][15]: 240分钟线 - 时间: 20260730 0.111500 开盘: 3061.00 收盘: 3021.00
[2026\7\31 7.34.52] [INFO][15]: 日线 - 时间: 20260730 0.000000 开盘: 3061.00 收盘: 3014.00
[2026\7\31 7.34.52] [INFO][15]: 当前触发时间：20260730 150000
[2026\7\31 7.34.52] [INFO][15]: 240分钟线 - 时间: 20260730 0.150000 开盘: 3021.00 收盘: 3014.00
[2026\7\31 7.34.52] [INFO][15]: 日线 - 时间: 20260730 0.000000 开盘: 3061.00 收盘: 3014.00
[2026\7\31 7.34.52] [INFO][15]: 当前触发时间：20260731 111500
[2026\7\31 7.34.52] [INFO][15]: 240分钟线 - 时间: 20260731 0.111500 开盘: 3014.00 收盘: 3010.00
[2026\7\31 7.34.52] [INFO][15]: 日线 - 时间: 20260731 0.000000 开盘: 3014.00 收盘: 3010.00
即每4小时调用一次，但同时会更新日线的k线数据。
测试代码：
import talib
def initialize(context):
context.contract = Symbol()
SetBarInterval(context.contract, 'M', 240, 'A')
SetBarInterval(context.contract, 'D', 1, 'A')
def handle_data(context):
contract = context.contract
# 打印当前触发时间（来自 context）
ts = context.dateTimeStamp()
ts_str = str(ts)
date_str = ts_str[:8]
time_str = ts_str[8:14]
LogInfo("当前触发时间：%s %s" % (date_str, time_str))
# 240分钟线数据
open_240 = Open(contract, 'M', 240)[-1]
close_240 = Close(contract, 'M', 240)[-1]
date_240 = Date(contract, 'M', 240) # 整数，如 20260731
time_240 = Time(contract, 'M', 240) # 浮点数，如 0.093400
LogInfo("240分钟线 - 时间: %d %.6f 开盘: %.2f 收盘: %.2f" % (date_240, time_240, open_240, close_240))
# 日线数据
open_D = Open(contract, 'D', 1)[-1]
close_D = Close(contract, 'D', 1)[-1]
date_D = Date(contract, 'D', 1)
time_D = Time(contract, 'D', 1)
LogInfo("日线 - 时间: %d %.6f 开盘: %.2f 收盘: %.2f" % (date_D, time_D, open_D, close_D))
如果调换SetBarInterval顺序，则结果就是：
[2026\7\31 8.0.10] [INFO][20]: 当前触发时间：20260729 000000
[2026\7\31 8.0.10] [INFO][20]: 240分钟线 - 时间: 20260728 0.150000 开盘: 3059.00 收盘: 3060.00
[2026\7\31 8.0.10] [INFO][20]: 日线 - 时间: 20260729 0.000000 开盘: 3060.00 收盘: 3062.00
[2026\7\31 8.0.10] [INFO][20]: 当前触发时间：20260730 000000
[2026\7\31 8.0.10] [INFO][20]: 240分钟线 - 时间: 20260729 0.150000 开盘: 3071.00 收盘: 3062.00
[2026\7\31 8.0.10] [INFO][20]: 日线 - 时间: 20260730 0.000000 开盘: 3061.00 收盘: 3014.00
[2026\7\31 8.0.10] [INFO][20]: 当前触发时间：20260731 000000
[2026\7\31 8.0.10] [INFO][20]: 240分钟线 - 时间: 20260730 0.150000 开盘: 3021.00 收盘: 3014.00
[2026\7\31 8.0.10] [INFO][20]: 日线 - 时间: 20260731 0.000000 开盘: 3014.00 收盘: 3010.00
四、关于回测与成交。
极智量化在回测时使用主连合约，但成交（下单）时使用的是该主连当前映射到的具体合约。
五、关于ema
def calc_ema(price, period):
"""计算指数移动平均（EMA）"""
if len(price) < period:
return np.array([])
ema = np.zeros(len(price))
alpha = 2.0 / (period + 1)
ema[0] = price[0]
for i in range(1, len(price)):
ema[i] = alpha * price[i] + (1 - alpha) * ema[i-1]
return ema
alpha 的值只和period有关。
简单移动平均（SMA）和指数移动平均（EMA）在算法本质上的核心区别。
简单来说：
MA5（简单移动平均）：是“近视眼”，只看最近5天，第6天的数据直接扔掉，没有任何影响。
EMA5（指数移动平均）：是“记忆体”，理论上会用到从第1天到今天的全部数据，但每一天的权重不同。
因为 EMA 的公式是递归的（今天的值依赖于昨天的值，昨天的值依赖于前天的值……）。
继续往前推，你会发现第1天的价格（P(第1天)）虽然系数已经变得非常非常小（0.667^100），但它永远不等于零，会一直以极微弱的权重存在于今天的EMA值中。
目前市场上主流的趋势跟踪系统（如海龟交易法则的变种、双均线系统）大多采用 EMA 或加权均线，因为它能更好地体现“当前价格热度”。既然你的策略逻辑是基于“趋势证伪”（价格跌破EMA5离场），那么离场触发价格用 EMA 会比 MA 更早一步反映资金出逃的迹象，帮你保住更多利润。除非你在实盘中明显感觉到 EMA 让止损过于频繁（噪音过大），否则不建议换回 MA。
六、ParabolicSAR
根据提供的文档（“极智量化API手册.pdf”第120-121页）：
语法：ParabolicSAR(numpy.array high, numpy.array low, float afstep, float aflimit)
参数：高、低、加速因子步长、加速因子限制。
返回值：四个值，均为数值型numpy.array。
第一个值：oParClose - 当前bar的停损值。
第二个值：oParOpen - 下一Bar的停损值。
第三个值：oPosition - 输出建议的持仓状态，1 - 买仓，-1 - 卖仓。
第四个值：oTransition - 输出当前Bar的状态是否发生反转，1或-1为反转，0为保持不变。
另外，回想一下标准SAR（抛物线转向）指标在技术分析中的工作原理：它跟踪趋势，停损点随价格移动（加速因子增加），当价格穿越SAR值时趋势反转。
七、关于实盘和回测
1.极智量化的实盘和回测严重割裂。
比如AI写的成交价用的是open_h[-1]，我以为要用close_h[-1]。
但是实盘时，T2（下午3点）：你看到信号成立，立刻以 close_h[-1] 的价格挂出限价买单。
但是，交易所已经收盘了（或者这根4小时K线刚刚收线）。你的买单只能挂到下一根K线（K线C）的开盘时段去成交。
2.我建议你采取的行动
考虑到你当前策略的复杂度，我强烈建议你同时做两件事：
把 SetOrderWay(2) 改为 SetOrderWay(1)（实时发单），这是根本解决“信号延迟”问题的最佳手段。
在代码中增加 pending_signal 状态存储，作为“万一因网络或不可抗力没成交”的二次保险。双重保障下，你的策略几乎不可能出现仓差。
3.如何保存订单状态
极智量化中，正确的“跨重启持久化”方案
既然你需要把“今天收盘产生的信号”存下来，等到“明天开盘”再执行，那你就必须把数据存到内存以外的地方。极智量化提供了两种官方途径：
方案A（推荐）：使用 SetGlobalVar / GetGlobalVar（极智量化原生函数）
这是极智量化专门为“跨K线、跨重启、甚至跨策略”保存数据设计的函数。数据会被保存在客户端的本地文件系统中，重启策略也不会丢失。
# ----- 在 initialize 中初始化（但不要重置已有数据） -----
def initialize(context):
# 读取之前存储的信号，检查是否还存在
pending_direction = GetGlobalVar("pending_direction")
pending_price = GetGlobalVar("pending_price")
if pending_direction is not None and pending_price is not None:
LogInfo("检测到上次未执行的信号，方向：{}，价格：{}".format(pending_direction, pending_price))
# 你可以在这里立即执行补单逻辑，或者将其赋值给 context 继续使用
context.pending_signal = {'direction': pending_direction, 'price': pending_price}
else:
context.pending_signal = None
# ----- 在 handle_data 中存储信号 -----
if 信号成立 and context.position == 0:
# 存储到本地持久化存储
SetGlobalVar("pending_direction", 1) # 1为多，-1为空
SetGlobalVar("pending_price", open_h[-1] + slip)
LogInfo("信号已持久化存储，即使重启策略也不会丢失！")
# ----- 执行完信号后，必须清理 -----
if context.pending_signal is not None:
# ... 执行下单逻辑 ...
# 下单成功后，清空持久化存储，防止重复执行
SetGlobalVar("pending_direction", None)
SetGlobalVar("pending_price", None)
context.pending_signal = None
方案B（备选）：读写本地文件（JSON格式）
如果你想更灵活地控制数据格式，也可以直接用 Python 的 json 库写文件。
import json
import os
def save_pending_signal(direction, price):
data = {'direction': direction, 'price': price}
with open('pending_signal.json', 'w') as f:
json.dump(data, f)
def load_pending_signal():
if os.path.exists('pending_signal.json'):
with open('pending_signal.json', 'r') as f:
return json.load(f)
return None