这次我们来看迅投QMT一个面向个人和机构投资者的量化实盘软件。它的核心价值在于将专业的量化交易能力通过相对友好的Python接口和本地化部署方式降低到普通开发者也能上手的门槛。对于想从策略回测走向实盘但又不想面对复杂柜台系统或高昂开发成本的交易者来说QMT提供了一个值得关注的选项。本文不会空谈概念而是聚焦于实操。我们将拆解QMT的核心能力、安装部署流程、Python策略的编写与调试以及最终如何连接到实盘环境进行交易。重点会放在软件获取与安装的门槛、Python环境的配置、策略编写的核心API、以及从模拟到实盘的完整验证路径。如果你关心如何用一个相对可控的成本在本地搭建起一套可执行、可回测、可实盘的量化系统那么接下来的内容会直接提供可操作的步骤。1. 核心能力速览在深入细节之前我们先通过一个表格快速了解迅投QMT能做什么以及它的关键特性。能力项说明软件类型量化交易终端支持行情、回测、模拟交易、实盘交易一体化。核心功能1. 高速行情接收与历史数据管理。2. 基于Python的策略编写与回测。3. 本地化模拟交易贴近实盘环境。4. 对接券商实盘柜台执行真实委托。编程支持原生支持Python提供丰富的API库涵盖行情、交易、账户、风控等模块。数据支持通常提供Level-1/Level-2行情、分钟/日线历史数据、财务数据等。支持本地数据存储。硬件门槛对CPU和内存有一定要求主要用于策略运算和数据存储。不依赖高性能GPU与AI模型训练不同。部署方式本地客户端安装需要与券商提供的实盘账户进行绑定和配置。适合场景个人量化爱好者、小型私募、策略开发者进行策略研究、回测验证和实盘交易。使用边界需开通支持QMT的券商账户策略逻辑、盈亏风险由使用者自行承担严格遵守证券市场法律法规。从表格可以看出QMT更像是一个“工作站”它将行情、数据、策略引擎和交易通道整合在一个软件内。其低门槛体现在你无需从零搭建数据源、风控系统和交易网关只需专注于用Python实现你的交易逻辑。2. 适用场景与使用边界2.1 谁适合使用QMT已有Python基础的交易者如果你会Python想将交易想法自动化QMT的API学习曲线相对平缓。从回测迈向实盘的开发者很多量化框架只擅长回测实盘对接复杂。QMT提供了从回测、模拟到实盘的连贯路径。对交易延迟有要求但不极致QMT是本地化软件相比纯云端策略执行延迟更低但并非面向高频交易的极速系统。希望策略和数据本地化的用户所有行情数据、历史数据和策略代码都运行在本地电脑隐私性和自主性更强。2.2 QMT能解决什么问题策略快速验证在本地利用历史数据回测策略快速迭代想法。模拟交易磨合在无限接近实盘的环境相同API、相同行情中进行模拟交易检验策略稳定性和风控逻辑。实盘自动执行将成熟的策略直接部署实现7x24小时无人值守交易避免情绪干扰。多账户管理对于有多个实盘账户的用户可以通过统一接口进行管理。2.3 需要注意的边界与风险券商依赖必须使用已对接QMT系统的券商账户。并非所有券商都支持需提前确认。费用成本除了软件可能产生的费用部分版本收费交易本身会产生佣金、印花税等。技术风险本地软件运行依赖电脑和网络稳定性。断电、断网、程序异常都可能导致交易中断。合规与风控所有策略必须遵守交易所规则禁止程序化操纵市场等违法行为。必须内置严格的风控逻辑如仓位控制、止损止盈并建议设置独立的外部风控监控。策略责任盈亏自负。软件和券商提供通道服务不对策略逻辑的盈利性做保证。3. 环境准备与前置条件在安装QMT客户端之前请确保你的操作环境满足以下条件。这些是顺利运行的基础提前准备好可以避免很多后续问题。3.1 硬件与操作系统操作系统Windows 10 或 Windows 11 是主流支持平台。部分版本可能支持Linux但Windows环境最稳定、资料最多。CPU与内存建议配备现代的多核处理器如Intel i5或AMD Ryzen 5以上和至少16GB RAM。复杂的策略回测或处理大量Tick数据时内存消耗较大。存储空间预留至少50GB的固态硬盘(SSD)空间。用于安装软件、存储历史行情数据日线、分钟线、Tick数据等。网络稳定的宽带网络连接。实盘交易对网络延迟和稳定性有要求建议使用有线网络。3.2 软件与账户准备Python环境QMT通常内置或要求特定版本的Python如Python 3.7或3.8。建议先不自行安装Python等待QMT安装完成后再确认其内置版本以免冲突。如果需要额外安装第三方库再使用该内置Python的pip。券商账户联系你的券商客户经理确认是否支持迅投QMT系统并开通量化交易权限。这是实盘交易的前提需要签署相关协议。QMT安装包从券商提供的官方链接或迅投官网通过券商渠道下载最新的QMT客户端安装程序。切勿使用来历不明的安装包。开发工具可选但推荐代码编辑器VSCode、PyCharm等用于编写和调试Python策略。Git用于策略代码的版本管理。4. 安装部署与启动方式QMT的安装过程与常规Windows软件类似但有一些关键配置点需要注意。4.1 安装步骤运行安装程序以管理员身份运行下载的QMT_Setup.exe具体名称可能略有不同。选择安装路径建议安装到非系统盘如D:\QMT路径中不要包含中文或特殊字符。等待安装完成安装程序会部署主程序、Python运行环境、必要的数据文件等。安装依赖库如需安装完成后启动QMT在策略编辑器中如果需要使用pandas,numpy等第三方库可能需要通过其内置的Python环境手动安装。打开QMT提供的命令行工具或使用其内置的包管理功能。4.2 首次启动与配置登录账号启动QMT客户端使用券商提供的实盘资金账号或模拟账号进行登录。首次登录可能需要下载交易证书或进行安全验证。界面熟悉登录成功后你会看到主界面通常包含行情窗口、K线图、账户信息、策略编辑/运行窗口等模块。数据下载在“数据”或“工具”菜单中找到历史数据下载功能。首次使用务必下载完整的历史数据至少包含你策略需要测试时间段内的日线和分钟线数据这是回测准确性的基础。设置交易通道在交易相关设置中确认交易柜台地址、端口等信息已自动配置通常由券商预设。如有模拟交易需求确认模拟交易开关已开启。4.3 目录结构解析了解安装后的目录结构有助于管理策略和日志。D:\QMT\ ├── bin\ # 主程序文件 ├── data\ # 行情数据存储目录非常重要 │ ├── sh\ # 上海市场数据 │ └── sz\ # 深圳市场数据 ├── log\ # 系统运行日志 ├── strategies\ # **用户策略存放目录核心** │ └── MyStrategy.py # 你自己编写的策略文件 └── xtquant\ # QMT的Python API库目录 ├── xtdata.py # 行情数据API ├── xttrader.py # 交易API └── ... # 其他模块你的核心工作区将在strategies目录下。5. Python策略编写基础与API详解这是QMT的核心。所有自动化逻辑都通过Python脚本实现。我们从一个最简单的策略框架开始逐步讲解关键API。5.1 策略文件基本结构在strategies目录下创建一个新的Python文件例如MyFirstStrategy.py。# -*- coding: utf-8 -*- 一个简单的QMT策略示例框架 说明此策略仅为演示API用法不构成任何投资建议。 import time from datetime import datetime # 导入QMT核心API from xtquant import xtdata from xtquant.xttrader import XtQuantTrader, XtQuantTraderCallback from xtquant.xttype import StockAccount # 1. 定义策略回调类处理事件 class MyTraderCallback(XtQuantTraderCallback): def on_disconnected(self): 连接断开 print(datetime.now(), 连接断开) def on_stock_order(self, order): 委托回报 print(f委托回报: {order.order_id}, 状态: {order.order_status}) def on_stock_trade(self, trade): 成交回报 print(f成交回报: {trade.order_id}, 成交价: {trade.traded_price}) def on_stock_position(self, position): 持仓变动回报非必需 pass def on_stock_asset(self, asset): 资产变动回报非必需 pass # 2. 策略主函数 def run_strategy(): # 2.1 创建交易回调对象 callback MyTraderCallback() # 2.2 创建交易接口对象 # 参数会话ID自定义回调对象日志路径 session_id int(time.time()) trader XtQuantTrader(./, session_id, callbackcallback) # 2.3 连接交易服务器使用模拟交易或实盘账号 # 模拟交易账号 account StockAccount(你的模拟资金账号, STOCK) # 实盘账号谨慎使用 # account StockAccount(你的实盘资金账号, STOCK) print(正在连接服务器...) connect_result trader.connect() if not connect_result: print(连接失败请检查网络和账号) return print(连接成功) # 2.4 订阅账户资金和持仓非必需但建议 trader.subscribe(account) time.sleep(1) # 等待一下数据 # 2.5 主策略循环示例每10秒打印一次时间 try: count 0 while True: current_time datetime.now().strftime(%H:%M:%S) print(f策略运行中... {current_time}) # 此处插入你的策略逻辑 # 例如获取行情、判断条件、下单 time.sleep(10) # 休眠10秒 count 1 if count 6: # 运行约1分钟后退出示例循环 print(示例循环结束) break except KeyboardInterrupt: print(用户中断策略) finally: # 2.6 断开连接 trader.disconnect() print(已断开服务器连接) if __name__ __main__: run_strategy()5.2 核心API模块拆解理解以下几个模块是编写策略的关键xtdata(行情数据模块)get_market_data获取股票、指数的实时行情或历史K线数据。subscribe_quote订阅实时行情推送。download_history_data下载历史数据。# 示例获取贵州茅台(600519.SH)最近10日的日线数据 stock_code 600519.SH field_list [time, open, high, low, close, volume] period 1d # 日线 data xtdata.get_market_data(field_list, [stock_code], periodperiod, count10) print(data)xttrader(交易模块)XtQuantTrader主交易接口类。order_stock下单函数。query_stock_positions查询持仓。query_stock_asset查询资产。# 示例下单买入100股贵州茅台使用限价单价格取自当前行情0.01 from xtquant.xttype import StockOrder order StockOrder() order.stock_code 600519.SH order.order_type xtconstant.LIMIT_ORDER # 限价单 order.order_volume 100 # 股数 # 注意实际价格需要根据行情计算这里仅为示例 order.price current_price 0.01 order.side xtconstant.SIDE_BUY # 买入 # 下单 order_id trader.order_stock(account, order) print(f委托已提交订单ID: {order_id})xtconstant(常量模块)包含订单方向、订单类型、市场状态等常量定义。5.3 策略逻辑骨架一个完整的策略通常包含以下部分你可以在这个骨架中填充自己的交易逻辑def strategy_logic(trader, account): 你的核心策略逻辑 # 1. 获取持仓和资产 positions trader.query_stock_positions(account) asset trader.query_stock_asset(account) # 2. 获取关注标的的行情数据 watch_list [600519.SH, 000858.SZ] for code in watch_list: # 获取实时Tick或历史K线 quote xtdata.get_full_tick([code]) # 或获取K线 # kline_data xtdata.get_market_data(...) # 3. 基于你的指标/条件进行判断 # 例如计算均线、MACD、RSI等 # 这里需要你自行实现指标计算函数 # 4. 生成交易信号 signal generate_signal(code, quote) # 假设的信号生成函数 # 5. 执行交易需考虑仓位、风控 if signal BUY and has_cash(asset): # 计算下单量、价格 # order_stock(...) pass elif signal SELL and has_position(code, positions): # order_stock(...) pass # 6. 记录日志 log_to_file(asset, positions)6. 功能测试与效果验证从回测到模拟盘策略写好后绝不能直接上实盘。必须经过严格的回测和模拟盘验证。6.1 历史数据回测QMT通常提供本地回测功能但更灵活的方式是使用其历史数据API自行编写回测框架。回测验证步骤准备数据确保所需时间段的历史数据日线、分钟线已下载完整。编写回测引擎初始化虚拟账户初始资金、零持仓。按时间顺序遍历历史K线数据。在每个时间点运行你的策略逻辑函数但将trader.order_stock替换为模拟下单函数更新虚拟账户的资产和持仓。记录每一笔模拟交易。分析回测结果收益率曲线计算并绘制资金曲线。最大回撤资金从高点回落的最大幅度。夏普比率衡量风险调整后的收益。胜率与盈亏比交易统计。交易明细检查每一笔交易的逻辑是否合理。关键点回测中必须考虑交易成本佣金、印花税、滑点否则结果会过于乐观。6.2 模拟交易验证回测通过后进入模拟交易。这是连接实盘前最重要的一环。操作流程切换至模拟账号在策略初始化时使用券商提供的模拟资金账号。实盘环境运行策略代码、行情API、交易API与实盘完全一致只是资金是虚拟的。观察与监控日志输出确保所有委托、成交、资产变动都被清晰记录。策略状态监控策略循环是否正常运行有无异常退出。订单执行观察下单、撤单、成交的响应速度和准确性是否与预期一致。风控触发测试止损、止盈、仓位限制等风控逻辑是否有效。长期运行让策略在模拟盘运行至少1-2个完整的市场周期如牛熊阶段或至少1-3个月以检验其在不同市场环境下的稳定性。判断成功的标准策略能稳定运行不出现崩溃、内存泄漏等问题。交易逻辑被准确执行信号与订单匹配。模拟结果与回测结果在方向上一致考虑实盘摩擦成本后收益可能低于回测但不应出现本质背离。风控系统能有效限制亏损。7. 实盘对接与上线 checklist模拟盘验证充分后可考虑小资金实盘试运行。7.1 实盘上线前检查清单[ ]策略代码经过多次回测和模拟盘验证代码稳定无已知Bug。[ ]风控模块已独立编写并集成包括单笔最大亏损、日最大亏损、总仓位限制、单标的持仓限制、止损止盈线。[ ]日志系统完善的日志记录能记录每笔委托、成交、资产快照、策略信号便于复盘和排查问题。[ ]异常处理代码中已对网络断开、行情数据缺失、下单失败等异常情况进行捕获和处理有重试或安全退出机制。[ ]资金与账号已使用实盘资金账号替换模拟账号并确认账号状态、权限正常。[ ]运行环境用于运行策略的电脑保持稳定电源、网络可靠避免人为关机。可考虑使用云服务器。[ ]监控告警设置简单的监控如进程监控、资金变动邮件/短信提醒确保策略异常停止时能及时知晓。[ ]合规确认再次确认策略逻辑符合交易所规定无违规操作如频繁报撤单、操纵市场等。7.2 小资金实盘启动步骤备份与隔离将实盘策略代码单独拷贝到一个新目录与开发、测试环境隔离。参数调至最保守首次实盘将仓位参数调至极低例如单次交易动用不超过总资金的1%。启动策略在实盘环境下运行策略主程序。密切监控实盘第一天人工全程监控策略运行、委托成交、资金变动情况。复盘分析每日收盘后对比策略执行记录与市场实际情况分析有无偏差。8. 资源占用、性能观察与优化QMT作为本地软件其性能主要取决于你的策略复杂度和数据量。8.1 资源占用观察内存占用启动QMT客户端和运行策略后通过任务管理器观察python.exe进程和QMT主进程的内存使用。处理大量Tick数据或同时回测多个品种时内存可能增长到数GB。CPU占用策略循环中的高频计算如复杂指标计算会导致CPU使用率升高。如果策略逻辑简单CPU占用通常很低。磁盘I/O首次下载历史数据或策略频繁读取本地数据文件时磁盘活动会增加。建议使用SSD。8.2 性能优化建议数据缓存避免在策略循环中重复调用get_market_data获取相同数据。可将常用数据加载到内存字典中。计算优化使用pandas、numpy进行向量化计算避免在Python层使用for循环处理大量数据。循环频率根据策略类型合理设置主循环的sleep时间。高频策略可能需要秒级甚至更短但会消耗更多资源低频策略如日线级别可以几分钟或每小时运行一次。日志级别实盘运行时将日志级别调整为WARNING或ERROR减少不必要的磁盘写入提升性能。代码剖析使用Python的cProfile模块找出代码中的性能瓶颈针对性优化。9. 常见问题与排查方法在部署和运行QMT策略时你可能会遇到以下问题。问题现象可能原因排查方式解决方案登录失败1. 账号密码错误。2. 未开通量化权限。3. 网络问题或券商服务器维护。1. 检查账号密码。2. 联系券商确认权限。3. 尝试使用券商普通交易软件是否能登录。1. 重新输入。2. 联系券商开通。3. 等待或检查本地网络。行情数据缺失或延迟1. 未下载历史数据。2. 未订阅该品种行情。3. 网络连接不稳定。1. 检查data目录下是否有对应市场数据文件。2. 检查代码中subscribe_quote调用。3. 查看QMT日志或网络状态。1. 通过软件功能下载完整数据。2. 确保代码正确订阅。3. 重启软件或切换网络。策略Python代码报错1. 语法错误。2. 导入的模块不存在。3. API使用方式错误。1. 仔细阅读错误信息Traceback。2. 检查xtquant路径是否在Python的sys.path中。3. 查阅QMT官方API文档。1. 修正语法。2. 确认使用QMT内置Python环境运行。3. 参照示例代码修改。下单失败或订单状态异常1. 资金不足。2. 价格超出涨跌停限制。3. 非交易时间。4. 标的代码格式错误。1. 检查账户资产。2. 检查委托价格。3. 检查当前时间是否在交易时段。4. 检查代码后缀如.SH,.SZ。1. 调整委托数量。2. 使用合理限价。3. 仅在交易时段下单。4. 使用正确的标的代码格式。策略进程无故退出1. 代码未处理异常导致崩溃。2. 操作系统内存不足。3. 被安全软件误杀。1. 查看策略日志文件最后的错误记录。2. 查看系统事件查看器。3. 检查任务管理器进程是否消失。1. 用try...except包裹主循环。2. 增加物理内存或优化代码。3. 将QMT目录加入安全软件白名单。模拟盘与实盘行为不一致1. 模拟盘未考虑全部交易成本。2. 行情数据源细微差异。3. 下单滑点不同。1. 对比模拟与实盘的成交明细和资金流水。2. 检查同一时刻的行情快照。1. 在模拟盘设置中调整佣金费率至与实盘一致。2. 理解并接受这种差异在策略设计中留有余量。10. 最佳实践与使用建议为了更安全、高效地使用QMT进行量化交易遵循以下实践建议版本管理与备份使用Git管理你的策略代码每次重大修改前提交。定期备份strategies目录和重要的配置文件。对实盘运行的策略代码打上标签Tag确保可追溯。开发与生产环境分离开发环境用于编写、回测、模拟盘测试。可以随意修改代码。模拟环境无限接近实盘用于最终验证。生产环境运行实盘策略的专用电脑或服务器。保持环境纯净除必要更新外不进行任何改动。风控至上将风控逻辑模块化与策略逻辑分离便于管理和测试。设置多层风控策略内风控单笔止损、账户级风控日最大亏损、系统外风控独立监控程序。实盘运行初期设置极低的仓位上限和极严格的止损条件。日志与监控日志不仅要记录交易还要记录策略的核心决策逻辑和中间变量。建立简单的监控例如策略进程是否存活、资金曲线是否出现异常陡峭下跌、每日盈亏是否超过阈值。持续学习与迭代量化交易是系统工程市场也在变化。定期复盘策略表现分析失效原因。关注QMT官方的API更新和公告。不要将所有资金投入单一策略考虑多策略、多品种分散风险。对于初次接触QMT的开发者建议按照“安装软件 - 学习API - 编写简单策略如定时打印行情- 回测 - 模拟盘运行 - 小资金实盘”的路径逐步推进。第一个策略不必复杂一个简单的均线金叉死叉策略完整走通这个流程其价值远大于一个停留在纸面的复杂策略。在这个过程中你会熟悉整个工具链并建立起对程序化交易风险与收益的真实认知。