1. 先搞清楚 QMT 到底是什么能解决什么实际问题如果你刚接触量化交易听到 QMT 这个词可能会觉得有点神秘。其实它就是一个券商提供的智能交易终端主要解决的是普通投资者想用程序化方式执行交易策略的需求。和那些需要自己搭建完整交易系统的方案不同QMT 最大的价值在于它已经整合了行情数据、交易接口和策略执行环境。这意味着你不需要从零开始处理数据获取、订单推送、资金风控这些底层环节可以直接在它提供的框架里写策略逻辑。我一般会先跟新手说清楚QMT 适合的是已经有基本交易经验想尝试自动化但又不打算投入太多时间在技术架构上的人。如果你完全没接触过编程可能需要先学点 Python 基础如果你已经是专业量化团队可能会觉得它的灵活性不够。但对大多数中间用户来说它确实降低了从手动交易到程序化交易的门槛。2. 准备环境从下载安装到权限开通在开始写策略之前得先把环境准备好。这里最容易卡住的反而不是技术问题而是账户权限问题。2.1 账户和权限准备QMT 是券商提供的系统所以第一步是要有支持 QMT 的证券账户。不是所有券商都支持你需要先确认自己的券商是否提供 QMT 服务。有些券商可能要求资产门槛或单独申请量化交易权限。我建议先联系你的客户经理明确几个问题是否支持 QMT 终端有没有资金或交易量要求模拟交易环境是否可用接口频率和订单限制是多少很多新手会忽略这些直接下载安装包结果发现登录不了。其实券商端的权限开通才是真正的第一步。2.2 软件下载和安装从券商官网下载 QMT 安装包后安装过程相对简单但有几个细节要注意安装路径最好不要用中文路径或带空格的路径虽然现在大部分版本已经支持但为了避免不必要的麻烦直接用英文路径最稳妥。权限问题如果是 Windows 系统建议用管理员权限安装特别是后续需要安装 Python 库的时候。安全软件安装过程中可能会被安全软件拦截需要手动允许相关操作。安装完成后先不要急着写策略用普通交易账户登录一下确认行情和交易功能正常。有时候网络环境或防火墙设置会影响连接先确保基础功能可用。2.3 Python 环境配置QMT 内置了 Python 环境但版本可能比较老。你需要确认的是QMT 自带的 Python 版本是多少一般是 3.6 或 3.7哪些第三方库已经预装哪些需要自己安装如何安装新的 Python 库有些券商版本支持 pip有些需要手动安装我一般会先写一个简单的测试脚本检查环境是否正常# 检查基础环境 import sys print(fPython版本: {sys.version}) try: import numpy as np print(numpy 可用) except ImportError: print(numpy 需要安装)3. 第一个策略从最简单的开始很多人一开始就想写复杂的多因子策略我建议先从最简单的单条件策略开始目的是熟悉整个流程。3.1 策略框架理解QMT 的策略有固定的结构主要包含几个部分# 策略初始化 def initialize(context): # 设置交易参数 g.security 000001.SZ # 交易标的 g.quantity 100 # 每次交易数量 # 定时执行函数 def handle_data(context, data): # 获取当前价格 current_price data[g.security].close # 简单的策略逻辑 if current_price 10: # 买入逻辑 pass elif current_price 9.5: # 卖出逻辑 pass这个框架看起来简单但每个部分都有需要注意的细节。3.2 数据获取和验证在写策略逻辑前先要确认能正确获取数据。常见的问题包括代码格式股票代码的后缀是否正确.SZ 深交所 / .SH 上交所数据字段close 是收盘价但实盘时要用最新价 last数据频率handle_data 的调用频率如何设置我一般会先写一个数据验证策略def handle_data(context, data): # 打印当前数据确认格式正确 print(f时间: {context.current_dt}) print(f标的: {g.security}) print(f最新价: {data[g.security].last})运行这个策略观察输出是否正常然后再加入交易逻辑。3.3 订单执行和确认第一次实盘交易时一定要小仓位测试。订单执行有几个关键点订单类型限价单、市价单的选择订单状态查询如何确认订单是否成交错误处理如果订单失败如何处理# 示例买入函数 def order_buy(security, price, amount): try: # 具体的下单函数根据 QMT 版本可能不同 order_id order(security, amount, price, order_type0) print(f买入订单已提交: {order_id}) return order_id except Exception as e: print(f下单失败: {e}) return None4. 策略开发的关键环节当基本流程跑通后就需要关注策略本身的质量了。4.1 策略逻辑的健壮性新手最容易犯的错误是把策略写得太理想化。比如# 不健壮的写法 if data[g.security].last 10: order_target(security, 1000) # 更健壮的写法 current_price data[g.security].last if current_price is None or current_price 0: return # 数据异常时跳过 if current_price 10 and context.portfolio.available_cash 10000: order_target(security, 1000)健壮的策略需要考虑数据异常处理资金不足的情况涨跌停限制交易时间判断4.2 风险控制机制实盘策略必须要有风控。至少包括单笔交易风险控制最大仓位比例每日亏损限额当日亏损达到一定比例停止交易连续亏损控制连续亏损次数限制# 简单的风控示例 def risk_control(context, data): # 检查当日亏损 daily_pnl context.portfolio.daily_pnl if daily_pnl -5000: # 当日亏损超过5000元 print(触发当日亏损限额停止交易) return False # 检查持仓比例 position_value context.portfolio.positions_value total_value context.portfolio.total_value if position_value / total_value 0.8: # 仓位超过80% print(仓位过重停止开新仓) return False return True4.3 日志和监控策略运行时的监控很重要包括交易日志记录每笔交易的详细信息性能统计实时计算策略表现异常报警出现异常时及时通知# 交易日志示例 def log_trade(action, security, price, amount, reason): log_msg f{context.current_dt} | {action} | {security} | {price} | {amount} | {reason} print(log_msg) # 也可以写入文件或数据库5. 回测和实盘的差异很多人回测效果很好实盘却亏损主要是因为没理解两者的差异。5.1 数据质量的差异回测用的历史数据是清洗过的实盘数据会有很多噪声瞬时异常价格数据延迟缺失数据实盘策略要能处理这些情况# 实盘数据验证 def validate_data(data, security): price data[security].last # 检查价格是否合理 if price is None: return False if price 0: return False if abs(price - data[security].pre_close) / data[security].pre_close 0.2: # 涨跌幅超过20% return False return True5.2 交易成本的考虑回测时容易低估交易成本实盘必须精确计算佣金费率印花税滑点成本# 交易成本计算 def calculate_cost(price, amount, is_buy): commission price * amount * 0.0003 # 万三佣金 if not is_buy: tax price * amount * 0.001 # 千一印花税卖出 else: tax 0 slippage price * amount * 0.0002 # 滑点成本 return commission tax slippage5.3 市场影响的考虑小资金回测没问题但实盘大资金会影响市场大单冲击成本流动性不足交易速度限制6. 常见问题排查在实际使用 QMT 过程中会遇到各种问题这里总结几个典型的排查思路。6.1 策略不执行当策略没有按预期执行时按这个顺序排查检查策略状态确认策略是否处于运行状态查看日志输出策略是否有打印日志如果没有可能是根本没执行检查数据获取获取的价格数据是否正常验证条件判断策略条件是否满足检查资金持仓是否有足够的资金或持仓6.2 订单不成交订单提交了但没成交可能的原因价格问题限价单价格偏离当前价格太远数量问题委托数量不符合最小交易单位风控限制触发了券商或系统的风控规则市场状态非交易时间或停牌状态6.3 性能问题策略运行缓慢或卡顿数据量太大是否获取了过多不必要的数据循环优化Python 代码是否有性能瓶颈内存泄漏是否有未释放的资源网络延迟行情数据接收是否正常7. 从模拟到实盘的过渡不要一上来就实盘大资金交易建议的过渡流程7.1 模拟交易验证先用模拟账户运行一段时间关注策略是否稳定运行交易逻辑是否按预期执行风险控制是否有效模拟交易时要用实盘环境而不是历史回测这样才能发现真正的问题。7.2 小资金实盘模拟验证通过后用小资金实盘测试初始资金要小比如1万元运行时间要足够至少1个月记录所有异常情况这个阶段重点是验证实盘环境的稳定性而不是追求收益。7.3 逐步扩大规模小资金实盘稳定后再考虑扩大规模每次增加资金不超过当前规模的50%密切监控策略表现准备好应急方案8. 持续优化和维护量化交易不是一劳永逸的需要持续维护。8.1 策略监控实盘运行后要建立监控体系每日检查交易记录、资金曲线、日志文件每周回顾策略表现、市场适应性每月评估是否需要调整或优化8.2 策略更新市场环境变化时策略可能需要调整参数优化根据近期表现调整参数逻辑改进修复发现的漏洞或问题功能增强增加新的风控或监控功能更新策略时要谨慎避免过度优化每次只修改一个方面修改后要先回测验证实盘更新要用小资金测试8.3 知识积累建立自己的知识库记录每次遇到的问题和解决方案总结有效的策略模式和避坑经验跟踪市场变化和新技术发展量化交易是一个需要不断学习的领域保持好奇心和谨慎态度同样重要。最关键的不是找到圣杯策略而是建立稳健的交易体系和持续改进的能力。