QMT新手必看Python策略从HelloWorld到实战的5个关键步骤第一次打开QMT的Python策略编辑器时满屏陌生的术语和代码模板可能会让人望而生畏。但别担心每个专业量化交易者都曾经历过这个阶段。本文将带你从最基础的HelloWorld示例开始逐步拆解QMT策略开发的核心模块最终完成一个具备完整交易逻辑的实战策略。不同于简单的代码搬运我们会重点探讨那些官方文档中很少提及但实际开发中必知必会的技巧。1. 从HelloWorld理解QMT策略的基本结构在QMT中创建一个Python策略就像学习任何编程语言一样从打印Hello World开始是个不错的起点。但这里的HelloWorld不仅仅是语法练习更是理解QMT运行机制的关键入口。新建策略时系统会生成一个基础模板建议先清空这些预设内容手动输入以下基础结构# -*- coding: gbk -*- def init(ContextInfo): print(hello init) def handlebar(ContextInfo): print(hello handlebar)这个简单的示例揭示了QMT策略的两个核心生命周期方法init()策略初始化时调用一次适合进行账户设置、全局变量初始化等操作handlebar()每根K线都会触发调用是策略逻辑的主战场注意即使不需要初始化操作也必须保留空的init()方法定义否则会导致策略运行失败。运行这个策略你会在输出窗口看到交替出现的hello init和hello handlebar。这直观展示了QMT的驱动机制——先初始化然后逐K线处理数据。2. 掌握ContextInfo策略的神经中枢ContextInfo对象是QMT策略中最关键的组件它像策略的大脑一样贯穿整个运行周期。理解它的工作原理才能写出灵活高效的策略代码。2.1 ContextInfo的核心功能这个全局对象主要提供三类关键能力环境信息访问current_pos ContextInfo.barpos # 当前K线位置 is_last ContextInfo.is_last_bar() # 是否最后一根K线数据获取接口# 获取历史数据 hist_data ContextInfo.get_history_data( 600000.SH, 1d, 20230101, 20231231, [open,high,low,close] )策略状态维护# 设置全局变量 ContextInfo.order_volume 100 # 在后续handlebar中可继续使用2.2 实战技巧自定义上下文属性你可以在ContextInfo上动态添加自定义属性实现跨方法的数据传递def init(ContextInfo): ContextInfo.my_stocks [600000.SH, 000001.SZ] def handlebar(ContextInfo): for code in ContextInfo.my_stocks: # 处理每只股票的逻辑重要提示自定义属性命名应避免与系统内置属性冲突建议添加个性化前缀如my_。3. 股票池设置的三种高效方法股票池是量化策略的弹药库QMT提供了多种灵活的配置方式根据不同的选股逻辑选择最适合的方案。3.1 静态列表法适合固定品种的策略直接在init中硬编码def init(ContextInfo): ContextInfo.trade_code_list [ 600000.SH, 000001.SZ, 300750.SZ ] ContextInfo.set_universe(ContextInfo.trade_code_list)3.2 板块成分股法动态获取板块成分股适合需要跟踪指数的策略def init(ContextInfo): # 获取沪深300成分股 ContextInfo.trade_code_list ContextInfo.get_stock_list_in_sector(沪深300) ContextInfo.set_universe(ContextInfo.trade_code_list)3.3 动态筛选法结合基本面或技术面指标实时筛选def init(ContextInfo): # 初始化空列表 ContextInfo.trade_code_list [] def handlebar(ContextInfo): if ContextInfo.is_last_bar(): # 获取全市场股票 all_stocks ContextInfo.get_stock_list_in_sector(全部A股) selected [] for code in all_stocks: # 添加筛选逻辑如市值100亿 if get_market_cap(code) 10000000000: selected.append(code) ContextInfo.trade_code_list selected ContextInfo.set_universe(ContextInfo.trade_code_list)4. 策略性能优化技巧随着策略复杂度提升运行效率可能成为瓶颈。以下是几个经过实战验证的优化方案4.1 控制计算范围在策略编辑器的基本信息中设置快速计算参数设为0从第一根K线开始计算完整回测设为N仅计算最近N根K线快速验证4.2 数据预加载在init中预先获取需要重复使用的历史数据def init(ContextInfo): # 预加载1年历史数据 ContextInfo.hist_data ContextInfo.get_history_data( 600000.SH, 1d, ContextInfo.get_last_timetag(240), # 240个交易日 ContextInfo.get_last_timetag(1), [close] )4.3 避免冗余计算利用ContextInfo缓存中间结果def handlebar(ContextInfo): if not hasattr(ContextInfo, sma_cache): ContextInfo.sma_cache {} for code in ContextInfo.trade_code_list: if code not in ContextInfo.sma_cache: # 计算并缓存SMA closes [bar.close for bar in get_bars(code)] ContextInfo.sma_cache[code] sum(closes[-20:])/205. 从模拟到实盘的完整策略示例结合前面所有知识点我们构建一个完整的双均线策略# -*- coding: gbk -*- def init(ContextInfo): # 初始化账户 ContextInfo.accID 您的账户ID # 设置股票池沪深300成分股 ContextInfo.trade_code_list ContextInfo.get_stock_list_in_sector(沪深300) ContextInfo.set_universe(ContextInfo.trade_code_list) # 初始化持仓记录 ContextInfo.positions {} def handlebar(ContextInfo): if not ContextInfo.is_last_bar(): return for code in ContextInfo.trade_code_list: # 获取历史数据 hist ContextInfo.get_history_data( code, 1d, ContextInfo.get_last_timetag(60), ContextInfo.get_last_timetag(1), [close] ) closes [bar.close for bar in hist] # 计算均线 fast_ma sum(closes[-5:])/5 slow_ma sum(closes[-20:])/20 # 交易信号 current_pos ContextInfo.positions.get(code, 0) if fast_ma slow_ma and current_pos 0: # 金叉且无持仓买入 ContextInfo.order(code, buy, 100) ContextInfo.positions[code] 100 elif fast_ma slow_ma and current_pos 0: # 死叉且有持仓卖出 ContextInfo.order(code, sell, 100) ContextInfo.positions[code] 0这个策略虽然简单但包含了实盘交易所需的所有关键要素账户初始化、股票池管理、数据获取、指标计算、买卖逻辑和持仓跟踪。在实际开发中还需要添加止损止盈、仓位控制等模块但基本框架已经成型。