QMT 作为目前国内主流的量化交易终端，凭借低延迟、全行情、极速交易等核心优势，成为量化交易者的首选工具之一。但QMT 的功能集中于基础行情、交易接口，所以第三方库是拓展QMT量化能力的核心，覆盖数据处理、策略回测、指标计算、可视化、风险分析等全流程。

这篇文章我们将从QMT第三方库的详细作用、安装部署、代码实战分析、报错指南等多个维度进行详细讲解，提供专业级 QMT 第三方库使用教程，覆盖新手入门到进阶实战。

一、QMT第三方库有什么作用？

QMT的第三方库是一系列预先封装好的、功能强大的Python工具包，核心作用是扩展和增强了QMT系统自身的策略开发与分析能力。我们下载QMT量化软件后，第一步就是下载Python库，打开QMT系统界面，点击【我的】页面正中间找到【下载python库】按钮，点击就可以下载。下载后大部分第三方库就下载到我们QMT目录下了。具体来说，第三方库的作用体现在三个方面：

1、赋能策略开发

让开发者无需从零编写底层算法，可以直接调用像Pandas进行高效数据处理、NumPy进行复杂数值计算、TA-Lib计算技术指标、Statsmodels进行统计分析等专业功能，这样就可以将大量精力集中于策略逻辑本身。

2、提升开发效率

利用这些成熟、稳定的开源库，可以快速搭建复杂的量化模型，不需要我们计算大量数据，大量减少我们搭建策略所需要的时间；比如说你想写一个策略，找出过去一个月“股价突破20日均线，且成交量是前一日两倍”的所有股票。

如果没有第三方库，那你就需要自己写复杂的循环代码，从成千上万条股票数据里，一天一天地计算20天的平均价格，还要写代码对比每天的收盘价和这个平均值，再写代码计算每天的成交量，并和前一天的对比，这个过程非常繁琐，代码冗长，且容易出错。

3、策略兼容性和可迁移性

QMT系统提供了一个标准的Python环境。它核心的Python语法、数据结构（如DataFrame）以及常用的第三方库（如Pandas、NumPy）在其他量化软件中是通用的，无需重写，比如说聚宽，那就可以直接把在聚宽上面写的策略平移过来。

聚宽代码结构示例：

def initialize(context):# 定义一个全局变量, 保存要操作的股票    g.security = '******.XSHE'# 运行函数    run_daily(market_open, time='every_bar')# 每个单位时间(如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次)调用一次def market_open(context):if g.security not in context.portfolio.positions:        order(g.security, 1000)else:        order(g.security, -800)

QMT代码结构示例：

#示例说明：本策略，在回测的每个周期买入主图标的def init(C):#init handlebar函数的入参是ContextInfo对象 可以缩写为C#设置测试标的为主图品种 C.stock= C.stockcode + '.' +C.market#accountid为测试的ID 回测模式资金账号可以填任意字符串 C.accountid = "testS"def handlebar(C):# handlebar在回测时，会在回测周期的每根bar被执行一次# handlebar在实时行情下，会随着主图tick的更新被调用# passorder是QMT的综合下单函数，具体参数字段参考官方文档    passorder(23, 1101,C.accountid, C.stock, 5, -1, 1, C)

QMT中，所有数据都存储在本地，所有的策略计算都在电脑本地运行，用户可以自由使用下载到的数据与python库。

二、如何在QMT中安装第三方库？

QMT除了自带的第三方库，如果我们交易过程中策略比较复杂，自带的第三方库如果不够用，还可以自行导所需的库，现在我们来给大家详细介绍一下如何在QMT系统中安装和调用第三方Python库，以pytdx为例。

1、下载python3.6

Python官网：https://www.python.org/downloads/release/python-360/

2、安装位置：C:\Python36

新增环境变量：我的电脑--属性--高级系统设置--高级--环境变量---path：C:\Python36;C:\Python36\Scripts

3、Python环境检查

(1) Win+R 打开运行,输入 cmd

（2）检查 Python 版本

在命令提示符窗口中，输入python ，回车

如果 Python 已经正确安装且环境变量配置无误，会显示 Python 的版本信息，以及进入 Python 交互式命令行模式（显示>>>提示符）

4、安装第三方库

安装前得知道 QMT 交易端装在你电脑的哪个位置，比如我的就是 D:\国金QMT交易端模拟\bin.x64\Lib\site-packages ，每个人路径可能不同，找到自己的路径记下来，后面要用。

安装三方库命令： pip install openpyxl -t D:\国金QMT交易端模拟\bin.x64\Lib\site-packages

5、检查安装结果

检查路径：安装位置\bin.x64\Lib\site-packages检查安装库。

首先找到我们下载在电脑桌面的QMT软件，右击鼠标找到【打开文件所在的位置】，打开 QMT 安装目录，进入对应的 Python 环境文件夹，找到Lib\site-packages子目录，该目录下的所有文件夹和文件就是已安装的第三方库，这里就可以直接查看库的名称、版本及相关文件，并且确认第三方库是否安装成功。

OK，整个第三方库就安装完成了！

6、在QMT中调用第三方库

在编写策略代码时，可以直接通过import语句导入安装的第三方库。例如：

import openpyxl

三、QMT中的第三方库如何使用？

现在我们以QMT 客户端自带的策略模板作为案例，让大家直观掌握第三方库在 QMT策略 中的实际运用，轻松拿捏如何在 QMT 中正确导入、调用第三方库，以及如何搭建一个完整的QMT策略框架。

1、如何使用第三方库？

登录QMT，在QMT主页面直接点击【新建策略】→选择python策略，然后就可以开始新建一个完整策略，以我们下面的代码为参考，第一行代码就是导入第三方库，其中：

pandas  ：用于高效处理和分析表格型数据（如股票行情）。

numpy  ：用于进行快速的数组运算和数学计算。

talib  ：专门用于计算技术分析指标，如CCI、MACD、RSI等

import pandas as pdimport numpy as npimport talibdef init(ContextInfo):    passdef handlebar(ContextInfo):    pass

这段代码是QMT的一个完整的策略框架，除了第三方库以外，还有QMT核心函数，其中策略初始化函数  init   在策略启动时只执行一次， 它的参数   ContextInfo   是一个上下文对象，用于存储和传递策略的全局状态、参数和数据。

def init(ContextInfo):    pass

另外一个是行情处理函数   handlebar  是策略的核心逻辑执行函数。它在历史回测时，会对每一根K线依次执行一次；在实盘运行时，会在每个新的tick数据到来时触发执行。

def handlebar(ContextInfo):    pass

2、第三方库的实际运用

上面代码提供了一个完整的策略框架，但它相当于只是一个空壳，我们需要根据补充交易思想，在   init   函数中完成策略参数和股票池的设定，并在   handlebar   函数中补全数据获取、指标计算和买卖下单的具体代码，下面我们来看一个完整的QMT双均线策略。

#coding:gbk"""回测模型示例（非实盘交易策略）#HS300日线下运行，20个交易日进行 一次调仓，每次买入在买入备选中因子评分前10的股票，每支股票各分配当前可用资金的10%（权重可调整）#扩展数据需要在补完HS300成分股数据之后生成，本模型中扩展数据暂时使用VBA指标ATR和ADTM生成，命名为atr和adtm"""import pandas as pdimport numpy as npimport timeimport datetimedef init(ContextInfo): ContextInfo.s = ContextInfo.get_sector('******.SH') ContextInfo.set_universe(ContextInfo.s) ContextInfo.day = 0 ContextInfo.holdings = {i:0 for i in ContextInfo.s} ContextInfo.weight = [0.1]*10         #设置资金分配权重 ContextInfo.buypoint = {} ContextInfo.money = ContextInfo.capital ContextInfo.profit = 0 ContextInfo.accountID='testS'def handlebar(ContextInfo): rank1 = {} rank2 = {} rank_total = {} tmp_stock = {} d = ContextInfo.barpos price = ContextInfo.get_history_data(1,'1d','open',3)if d > 60 and d % 20 == 0:               #每月一调仓  nowDate = timetag_to_datetime(ContextInfo.get_bar_timetag(d),'%Y%m%d')print(nowDate)  buys, sells = signal(ContextInfo)  order = {}for k in list(buys.keys()):if buys[k] == 1:    rank1[k] = ext_data_rank('atr',k[-2:]+k[0:6],0,ContextInfo)    rank2[k] = ext_data_rank('adtm',k[-2:]+k[0:6],0,ContextInfo)#print rank1[k], rank2[k]    rank_total[k] = 1.0 * rank1[k]                          #因子的权重需要人为设置，此处取了0.5和-0.5print (1111111, rank1[k])  tmp = sorted(list(rank_total.items()), key = lambda item:item[1])#print tmpif len(tmp) >= 10:   tmp_stock = {i[0] for i in tmp[:10]}else:   tmp_stock = {i[0] for i in tmp}                              #买入备选中若超过10只股票则选10支，不足10支则全选for k in list(buys.keys()):if k not in tmp_stock:    buys[k] = 0if tmp_stock:print('stock pool:',tmp_stock)for k in ContextInfo.s:if ContextInfo.holdings[k] > 0 and sells[k] == 1:print('ready to sell')     order_shares(k,-ContextInfo.holdings[k]*100,'fix',price[k][-1],ContextInfo,ContextInfo.accountID)     ContextInfo.money += price[k][-1] * ContextInfo.holdings[k] * 100 - 0.0003*ContextInfo.holdings[k]*100*price[k][-1]                  #手续费按万三设定     ContextInfo.profit += (price[k][-1]-ContextInfo.buypoint[k]) * ContextInfo.holdings[k] * 100 - 0.0003*ContextInfo.holdings[k]*100*price[k][-1]#print price[k][-1]print(k)#print ContextInfo.money     ContextInfo.holdings[k] = 0   ContextInfo.money_distribution = {k:i*ContextInfo.money for (k,i) in zip(tmp_stock,ContextInfo.weight)}for k in tmp_stock:if ContextInfo.holdings[k] == 0 and buys[k] == 1:print('ready to buy')     order[k] = int(ContextInfo.money_distribution[k]/(price[k][-1]))/100     order_shares(k,order[k]*100,'fix',price[k][-1],ContextInfo,ContextInfo.accountID)     ContextInfo.buypoint[k] = price[k][-1]     ContextInfo.money -= price[k][-1] * order[k] * 100 - 0.0003*order[k]*100*price[k][-1]     ContextInfo.profit -= 0.0003*order[k]*100*price[k][-1]print(k)     ContextInfo.holdings[k] = order[k]print(ContextInfo.money,ContextInfo.profit,ContextInfo.capital) profit = ContextInfo.profit/ContextInfo.capitalif not ContextInfo.do_back_test:  ContextInfo.paint('profit_ratio', profit, -1, 0)def signal(ContextInfo): buy = {i:0 for i in ContextInfo.s} sell = {i:0 for i in ContextInfo.s} data_high = ContextInfo.get_history_data(22,'1d','high',3) data_high_pre = ContextInfo.get_history_data(2,'1d','high',3) data_close60 = ContextInfo.get_history_data(62,'1d','close',3)#print data_high#print data_close#print data_close60for k in ContextInfo.s:if k in data_close60:if len(data_high_pre[k]) == 2 and len(data_high[k]) == 22 and len(data_close60[k]) == 62:if data_high_pre[k][-2] > max(data_high[k][:-2]):     buy[k] = 1           #超过20日最高价，加入买入备选elif data_high_pre[k][-2] < np.mean(data_close60[k][:-2]):     sell[k] = 1           #低于60日均线，加入卖出备选#print buy#print sellreturn buy,sell           #买入卖出备选

上面的QMT策略代码中，第三方库（特别是NumPy）极大地简化并实现了策略中的核心计算逻辑。

策略需要判断卖出信号时，使用了   np.mean(data_close60[k][:-2])   这一行代码来计算过去60个交易日的收盘价均值（即60日均线）。如果没有NumPy库，开发者就需要自行编写复杂的循环来遍历数组并求和、求平均值，这不仅需要写很长的代码，效率低下，还容易出错。而借助NumPy这个成熟、高效的数值计算库，仅用一行简洁的代码就完成了复杂的统计运算。

四、第三方库常见报错及解决方式

1、安装第三方 Python 库报错

报错信息：

"ImportError:Forbidden:Moduleopenpyxl not in whitelist!"

问题解答：

该报错是由于券商后台开启了 Python 库白名单，联系您的所在券商开通对应 Python 库白名单权限即可。

2、启动策略时pandas库报错

报错信息1：

NameError: name 'pandas' is not defined

解决方法1：

这个报错是指当前环境下没有找到pandas库，请QMT在设置-模型设置中检查正确设置了路径,正确路径应指向{安装目录}\bin.x64

另外，请检查是否已经下载了python环境

报错信息2 ：

AttributeError: module 'pandas' has no attribute 'core'

解决方法2：

重启QMT客户端即可。

五、如何开通QMT实盘量化软件？

1、QMT开通流程

（1）开户成功后入金10万后提交QMT申请流程

（2）申请过程全程线上，预计2个工作日申请完成。

（3）等待开通过程中，可以提供测试账号、安装配置流程、量化会员资料。

（4）开通成功后，会通过邮件发送你软件下载地址，登录账号后就可以使用。

2、VIP服务

3、VIP福利

福利1：惊喜佣金

福利2：领取完整教程

福利3：添加量化讨论群

福利4：提供专业量化问题解答

福利5：量化工具安装使用教程、视频

福利6：极速柜台，量化投资者专用，速度微秒级

福利7：提供服务器托管模式：ptrade+ldp极速柜台+vip定向服务器(限50人)