自动化交易入门:用QMT Python API开启你的量化之旅

# coding:gbkdef init(ContextInfo):passdef handlebar(ContextInfo):pass

# coding:gbkdef init(ContextInfo):print('hello init')# 可以在这里设置股票池，例如取“上证50”成分股    stock_list = ContextInfo.get_stock_list_in_sector("上证50", "")    ContextInfo.set_universe(stock_list)def handlebar(ContextInfo):print('hello handlebar')# 获取当前K线的索引和时间    index = ContextInfo.barpos    timetag = ContextInfo.get_bar_timetag(index)print('当前K线索引：', index, '时间戳：', timetag)

注意：QMT的策略编辑器代码编码必须指定为#coding:gbk，否则可能出现乱码。

运行机制详解：逐K线运行与信号有效性

理解QMT的运行机制对于编写正确的策略至关重要。文档中提到，QMT的模型是根据行情驱动，逐K线运行的。这意味着：

• • 当你运行策略时，它会从主图的第一根K线开始，逐根调用handlebar，直到最新的一根K线。
• • 在盘中，最新的一根K线会随着每一个新tick的到来而不断变化，因此handlebar会被频繁调用（每个tick一次）。
• • 只有在最后一根K线的最后一个tick（即K线确定时）触发的交易信号，才会被认为是有效信号，并在下一根K线的第一个tick发送下单指令。这是为了避免在K线形成过程中因价格波动产生虚假信号。

有效信号 vs 无效信号

• • 有效信号：在最后一根K线（即ContextInfo.is_last_bar()为True）的handlebar中调用了交易函数，且该K线已经确定（即这是该K线的最后一次调用）。此时信号会被记录，并在下一根K线开始时发送委托。
• • 无效信号：在历史K线上调用交易函数，或者在最后一根K线但尚未结束时调用的交易函数，都不会产生实际委托（除非启用快速交易模式）。

快速交易模式

如果希望信号立即触发下单，可以设置quickTrade参数为1或2。例如，passorder函数支持quickTrade参数：

• • quickTrade=1：当在非历史K线（即最后一根K线）上调用时，立即触发下单。
• • quickTrade=2：无论在任何K线上调用，立即触发下单（历史K线也会触发，需谨慎）。

对于一些特殊的函数（如make_option_combination），默认就是立即触发。

理解这些概念后，你就能更好地控制策略的交易时机，避免盘中频繁虚假信号。

如何运行你的策略

在QMT中运行一个Python策略很简单：

1. 1. 打开“模型研究”界面，点击“新建模型”，选择“Python模型”。
2. 2. 在策略编辑器中编写代码，如上例。
3. 3. 在右侧的“基本信息”中设置策略的默认周期（例如日线）、默认品种（如沪深300指数）。
4. 4. 点击工具栏的“运行”按钮，策略就会在主图上执行，输出显示在“日志输出”面板。

如果你在“行情”界面打开了一个K线图，点击运行后策略会叠加在该主图上运行。如果是在“模型研究”界面直接运行，则会使用基本信息中设置的默认品种和周期。

回测：验证策略的历史表现

在真正实盘之前，我们通常需要对策略进行历史回测，以评估其绩效。QMT提供了完整的回测功能。

设置回测参数

在策略编辑器的“回测参数”面板中，可以设置：

• • 开始时间、结束时间
• • 初始资金
• • 滑点
• • 手续费（印花税、佣金等）
• • 基准（用于比较策略收益的指数）

也可以在init函数中通过ContextInfo.start、ContextInfo.end、ContextInfo.capital等属性设置，代码中的设置优先级更高。

执行回测

点击“回测”按钮，系统会按照设定的参数，在历史数据上逐K线运行策略，并记录买卖点，最终生成绩效报告。回测完成后，你可以看到年化收益率、夏普比率、最大回撤、交易明细等丰富的数据。同时，在主图上会用箭头标记出买卖点。

回测是检验策略有效性的关键步骤，但要注意：历史表现不代表未来，且回测中可能忽略滑点、流动性等现实因素。因此，回测结果需要谨慎解读。

获取行情数据：get_market_data

在策略中，我们经常需要获取K线数据来计算指标。QMT提供了ContextInfo.get_market_data函数，功能非常强大。

最简单的用法是获取当前主图的最新收盘价：

def handlebar(ContextInfo):# 获取当前主图最近一根K线的收盘价    close = ContextInfo.get_market_data(['close'], count=1)print(close)

更常用的用法是指定股票代码、周期、时间范围等。例如，获取平安银行最近5天的收盘价和开盘价：

def handlebar(ContextInfo):    df = ContextInfo.get_market_data(        fields=['close', 'open'],        stock_code=['000001.SZ'],        period='1d',        dividend_type='front',   # 前复权        count=5    )print(df)

返回的结果根据传入参数的不同，可能是数值、pandas.Series、pandas.DataFrame或pandas.Panel。文档中有详细的示例说明，你可以根据需要进行操作。

获取历史数据是编写任何策略的基础。例如，你可以结合talib库计算MACD、RSI等技术指标，然后根据指标值生成买卖信号。

初识交易函数：passorder

虽然第一篇我们可能还不需要真实下单，但了解一下交易函数有助于理解策略的完整流程。最通用的下单函数是passorder，它可以完成股票、期货、期权等多种品种的交易。

例如，以最新价买入100股平安银行：

passorder(23, 1101, '你的资金账号', '000001.SZ', 5, -1, 100, ContextInfo)

参数解释：

• • 23：操作类型，股票买入。
• • 1101：下单方式，单股单账号，按股/手。
• • 资金账号：需要先在init中通过ContextInfo.set_account()设置，或者直接传入字符串。
• • '000001.SZ'：合约代码。
• • 5：价格类型，5表示最新价。
• • -1：价格，当价格类型为指定价时才有效，这里填-1忽略。
• • 100：数量（股）。
• • ContextInfo：上下文对象。

在实际策略中，我们通常不会直接使用passorder，而是使用更简洁的封装函数如order_lots、order_value等。例如，order_lots('000001.SZ', 1, ContextInfo, '资金账号')表示买入1手（100股）。

结语：迈向自动化交易的第一步

通过本文，你已经了解了QMT Python策略的基本框架、运行机制以及如何编写和运行一个简单的策略。你学会了如何获取行情数据，也对交易函数有了初步认识。这为后续编写更复杂的策略打下了坚实的基础。

在下一篇文章中，我们将深入探讨如何构建一个完整的交易策略，包括设置股票池、计算技术指标、生成交易信号，并进行回测评估。我们还将讲解如何处理信号过滤、资金管理以及风险控制等实战问题。

量化交易的世界广阔而有趣，QMT为我们提供了便捷的入口。希望你能动手实践，将书中的代码敲入编辑器，感受自动化交易的魅力。记住：纸上得来终觉浅，绝知此事要躬行。

本文内容基于QMT官方文档整理，旨在分享学习心得。如需更详细的API说明，请参考文档《QMT极速策略交易系统_模型资料_Python_API_说明文档_Python3.pdf》。

对量化实盘感兴趣的朋友可扫码添加，全程指导搞定QMT账号！

关于Python金融量化

专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取qstock源代码、30多g的量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、与博主直接交流、答疑解惑等。添加个人微信sky2blue2可获取更多优惠。