量化笔记07-本地量化环境的正确打开方式

2 阅读11分钟

一、QMT vs miniQMT:搞清楚这两个名字背后的区别

很多人第一次接触 QMT 的时候都会被名字搞晕:QMT、miniQMT、xtquant,它们到底是什么关系?简单来说,QMT 是国信证券推出的全功能量化交易客户端,而 miniQMT 是 QMT 的一个轻量化版本。但这还不是全部——xtquant 是 QMT/miniQMT 的 Python SDK,让你可以在本地 Python 环境中调用 QMT 的数据和交易功能。

这三者的关系可以这样理解:QMT 是一个完整的量化交易软件,类似于 Ptrade 的本地版,它有自己的界面、自己的回测引擎、自己的策略编辑器。miniQMT 是 QMT 精简了界面和回测功能之后留下的“交易执行引擎”,它的设计理念是不再提供一个完整的 IDE,而是让你通过 xtquant 这个 Python 库,在你自己的开发环境(PyCharm、VS Code、Jupyter)中完成策略开发和回测,然后通过 miniQMT 连接实盘进行交易。

对比维度QMT(完整版)miniQMT(轻量版)
界面与IDE自带完整IDE,含策略编辑器、回测界面、交易面板几乎无界面,只有托盘图标和状态展示
策略开发在QMT内置IDE中编写,语法为类Python在本地任意Python环境中编写,使用标准Python
回测功能内置回测引擎,支持多品种多周期不支持内置回测,需自行用xtquant数据在本地回测
数据获取内置数据接口,自动同步通过xtquant的xtdata模块获取数据
交易执行内置交易通道通过xtquant的xttrader模块下单
Python版本受限于QMT内置Python版本使用本地Python版本,灵活度高
适用场景新手入门、快速验证专业开发者、需要灵活定制的策略

对于有编程经验的开发者来说,miniQMT + 本地 Python 环境的组合是更理想的选择。它让你可以使用任何你熟悉的 Python 库(pandas、numpy、scikit-learn、pytorch 等),享受现代 IDE 的智能提示和调试功能,还可以用 Git 管理策略代码。唯一的代价是你需要自己搭建回测系统——但这对于开发者来说反而是个练习的机会。

如果你已经习惯了 PyCharm 或 VS Code 的开发体验,miniQMT 会让你感觉像是在做“正常的 Python 开发”,而不是在一个受限的专有平台里写代码。

二、安装 xtquant:连接 QMT 世界的桥梁

xtquant 是 QMT 官方提供的 Python SDK,它是连接本地 Python 环境和 QMT/miniQMT 的桥梁。安装 xtquant 非常简单,但需要注意版本兼容性。

xtquant 的安装有三种方式,根据你的使用场景选择:

方式一:通过 pip 安装(推荐)。如果你只需要在本地获取行情数据和下单,不需要连接 QMT 客户端,可以直接 pip 安装 xtquant 的纯数据版。这是最轻量的方式,适合做数据分析和回测研究。

# 安装 xtquant 纯数据版
pip install xtquant

方式二:从 QMT 安装目录复制。如果你需要连接 QMT 客户端进行实盘交易,需要从 QMT 的安装目录中找到 xtquant 文件夹,复制到你的 Python 环境中。QMT 自带的 xtquant 版本包含了交易功能,而 pip 版本只有数据功能。

方式三:直接引用 QMT 安装目录。在 Python 代码中通过 sys.path 添加 QMT 的 xtquant 路径,这样可以在不复制文件的情况下直接使用 QMT 自带的 xtquant。

import sys
# 添加 QMT 安装目录下的 xtquant 路径
sys.path.append(r'D:\QMT\bin.x64\Lib\site-packages')
from xtquant import xtdata, xttrader

安装完成后,建议先运行一个简单的测试来确认 xtquant 是否正常工作:

from xtquant import xtdata
# 测试数据获取功能
data = xtdata.get_market_data(
    field_list=['close'],
    stock_list=['000001.SZ'],
    period='1d',
    start_time='20250101',
    end_time='20250630'
)
print(data['close']['000001.SZ'].head())
print('xtquant 数据模块运行正常!')

三、配置本地开发环境:PyCharm/VS Code 与 miniQMT 的协作

miniQMT 的设计理念是让你在本地开发环境中完成所有策略代码,它只负责最后的交易执行。这意味着你的开发环境配置会成为整个工作流的核心。下面以 PyCharm 和 VS Code 为例,介绍推荐的配置方式。

3.1 PyCharm 配置

PyCharm 是 Python 开发者的首选 IDE,它的智能代码补全、调试功能和 Git 集成对于量化策略开发非常有帮助。配置步骤如下:

  • 安装 PyCharm Professional 或 Community 版(Community 版完全够用)

  • 创建新的 Python 项目,建议使用虚拟环境(venv 或 conda)

  • 在项目中安装核心依赖:pandas、numpy、matplotlib、xtquant

  • 将 xtquant 的路径添加到项目的 Python 解释器路径中

  • 配置 Git 仓库,建议每次策略修改都提交一次,方便回滚

3.2 VS Code 配置

VS Code 更加轻量,启动速度快,适合快速的数据探索和策略调试。配置步骤类似:

  • 安装 VS Code 和 Python 扩展

  • 创建项目文件夹,初始化 virtualenv

  • 安装核心依赖,配置 .vscode/settings.json 中的 Python 路径

  • 使用 VS Code 的 Jupyter 扩展,可以在 Notebook 中直接调用 xtquant 进行数据探索

  • 配置 launch.json 用于调试策略脚本

无论选择哪个 IDE,建议的目录结构如下:

quant_project/
├── strategies/          # 策略代码
│   ├── ma_crossover.py
│   └── mean_reversion.py
├── data/                # 本地数据缓存
├── research/            # Jupyter Notebook 研究文件
├── backtest/            # 回测脚本和结果
├── utils/               # 工具函数
├── config/              # 配置文件
└── requirements.txt     # 依赖列表

四、xtdata API:数据获取的瑞士军刀

xtdata 是 xtquant 的数据模块,负责行情数据、财务数据、板块数据的获取。它提供了丰富的数据接口,覆盖了量化交易中绝大部分的数据需求。下面介绍几个最核心的 API。

4.1 subscribe_quote:订阅实时行情

subscribe_quote 用于订阅股票的实时行情数据。调用后,xtdata 会持续推送最新的行情数据,你可以通过回调函数获取实时价格、成交量、盘口等信息。

from xtquant import xtdata

# 订阅单只股票的实时行情
xtdata.subscribe_quote(
    stock_code='000001.SZ',
    period='tick',  # tick 级别数据
    callback=lambda data: print(f'最新价: {data["lastPrice"]}')
)

# 批量订阅多只股票
stock_list = ['000001.SZ', '600000.SH', '000858.SZ']
xtdata.subscribe_quote(
    stock_code=stock_list,
    period='1m',  # 1分钟级别
    start_time='20250101',
    callback=on_data_update
)

4.2 get_market_data:获取历史行情数据

get_market_data 是 xtdata 最常用的接口之一,用于获取历史 K 线数据。它支持多种周期(tick、1m、5m、15m、30m、60m、1d、1w、1M),可以同时获取多只股票的多个字段。

from xtquant import xtdata

# 获取多只股票的日线数据
data = xtdata.get_market_data(
    field_list=['open', 'high', 'low', 'close', 'volume', 'amount'],
    stock_list=['000001.SZ', '600000.SH', '000858.SZ'],
    period='1d',
    start_time='20240101',
    end_time='20250630',
    fill_type='forward'  # 缺失数据处理方式
)

# 返回的是 dict 结构,key 是字段名,value 是 DataFrame
close_df = data['close']  # 每列一只股票,每行一个交易日
print(close_df.head())

4.3 download_history_data:下载历史数据到本地

download_history_data 用于将历史数据下载到本地缓存,这样后续调用 get_market_data 时就不需要从服务器重新获取了,速度和稳定性都会大幅提升。

from xtquant import xtdata

# 下载单只股票的历史数据
xtdata.download_history_data(
    stock_code='000001.SZ',
    period='1d',
    start_time='20200101',
    end_time='20250630'
)

# 批量下载板块数据
stock_list = xtdata.get_stock_list_in_sector('沪深300')
for stock in stock_list:
    xtdata.download_history_data(stock, '1d', '20200101', '20250630')

使用 xtdata 时有几个实用的技巧。第一,建议在策略初始化阶段批量下载所需数据,避免在盘中实时请求造成延迟。第二,download_history_data 支持断点续传,数据量大时可以分批下载。第三,get_market_data 返回的 DataFrame 可以直接用 pandas 的各种方法处理,无缝衔接你的数据分析流程。

五、xttrader API:连接交易通道

xttrader 是 xtquant 的交易模块,负责连接 QMT/miniQMT 客户端并执行下单、撤单、查询持仓等操作。使用 xttrader 的前提是 QMT 或 miniQMT 客户端已经在本地运行。

5.1 连接 QMT 客户端

from xtquant import xttrader
from xtquant.xttype import StockAccount

# 创建交易对象
session_id = 123456  # 会话 ID,可以自定义
xt_trader = xttrader.XtQuantTrader(
    path=r'D:\QMT\userdata_mini',  # miniQMT 的用户数据目录
    session_id=session_id
)

# 注册回调函数
xt_trader.register_callback(on_order_callback)
xt_trader.register_callback(on_trade_callback)

# 启动交易服务
xt_trader.start()

# 连接交易账户
connect_result = xt_trader.connect()
print(f'连接结果: {connect_result}')

if connect_result == 0:
    # 订阅账户信息
    account = StockAccount('account_id')
    xt_trader.subscribe(account)
    print('已成功连接 QMT 交易通道')

5.2 下单、撤单与查询持仓

连接成功后,你就可以通过 xttrader 的 API 进行下单操作了。xttrader 支持多种订单类型,包括限价单、市价单等。

from xtquant.xttype import StockAccount
from xtquant import xtconstant

account = StockAccount('your_account_id')

# 限价买入 100 股平安银行
order_id = xt_trader.order_stock(
    account=account,
    stock_code='000001.SZ',
    order_type=xtconstant.STOCK_BUY,
    order_volume=100,
    price_type=xtconstant.FIX_PRICE,
    price=12.50,
    strategy_name='my_strategy',
    order_remark='测试订单'
)
print(f'订单ID: {order_id}')

# 查询持仓
positions = xt_trader.query_stock_positions(account)
for pos in positions:
    print(f'{pos.stock_code}: {pos.volume}股, 成本价: {pos.avg_price}')

# 撤单
cancel_result = xt_trader.cancel_order_stock(account, order_id)
print(f'撤单结果: {cancel_result}')

六、写一个完整的本地策略:均线交叉 + 自动交易

现在把 xtdata 和 xttrader 结合起来,写一个完整的本地量化策略。这个策略在本地 Python 环境中运行,使用 xtdata 获取行情数据,计算信号后通过 xttrader 向 miniQMT 发送交易指令。

# ===== miniQMT 本地策略示例 =====
import time
import pandas as pd
from xtquant import xtdata, xttrader
from xtquant.xttype import StockAccount
from xtquant import xtconstant

# ===== 配置区 =====
STOCK_CODE = '510050.SH'      # 交易标的
SHORT_PERIOD = 5
LONG_PERIOD = 20
CHECK_INTERVAL = 60  # 检查间隔(秒)

# ===== 初始化交易连接 =====
xt_trader = xttrader.XtQuantTrader(r'D:\QMT\userdata_mini', 123456)
xt_trader.start()
connect_result = xt_trader.connect()

if connect_result != 0:
    print(f'连接失败,错误码: {connect_result}')
    exit(1)

account = StockAccount('your_account_id')
xt_trader.subscribe(account)
print('已成功连接 QMT 交易通道')

# ===== 主循环 =====
last_signal = None

while True:
    try:
        # 获取历史数据
        data = xtdata.get_market_data(
            field_list=['close'],
            stock_list=[STOCK_CODE],
            period='1d',
            start_time='20240101',
            count=LONG_PERIOD + 10
        )

        close = data['close'][STOCK_CODE]
        short_ma = close.rolling(window=SHORT_PERIOD).mean()
        long_ma = close.rolling(window=LONG_PERIOD).mean()

        # 判断交叉信号
        if short_ma.iloc[-1] > long_ma.iloc[-1] and short_ma.iloc[-2] <= long_ma.iloc[-2]:
            signal = 'buy'
        elif short_ma.iloc[-1] < long_ma.iloc[-1] and short_ma.iloc[-2] >= long_ma.iloc[-2]:
            signal = 'sell'
        else:
            signal = None

        # 查询当前持仓
        positions = xt_trader.query_stock_positions(account)
        current_vol = sum(p.volume for p in positions if p.stock_code == STOCK_CODE)

        # 执行交易
        if signal == 'buy' and current_vol == 0:
            xt_trader.order_stock(
                account, STOCK_CODE,
                xtconstant.STOCK_BUY, 100,
                xtconstant.LATEST_PRICE, 0,
                'ma_crossover', '金叉买入'
            )
            print(f'[{pd.Timestamp.now()}] 金叉信号,买入 {STOCK_CODE}')

        elif signal == 'sell' and current_vol > 0:
            xt_trader.order_stock(
                account, STOCK_CODE,
                xtconstant.STOCK_SELL, current_vol,
                xtconstant.LATEST_PRICE, 0,
                'ma_crossover', '死叉卖出'
            )
            print(f'[{pd.Timestamp.now()}] 死叉信号,卖出 {STOCK_CODE}')

        last_signal = signal
        time.sleep(CHECK_INTERVAL)

    except Exception as e:
        print(f'错误: {e}')
        time.sleep(CHECK_INTERVAL)

这个策略示范了本地量化交易的核心流程:获取数据、计算信号、执行交易。在本地环境中运行,你拥有完全的控制权——可以随时修改策略逻辑、添加日志、调整参数,不需要受限于平台的限制。

七、常见问题排查

在使用 miniQMT 的过程中,有几个高频问题值得提前了解,遇到不会再手忙脚乱。

问题原因解决方案
xtquant 连接失败QMT/miniQMT 客户端未启动或路径错误确认 QMT 客户端已启动并登录,检查 xttrader 初始化路径是否正确
数据下载失败网络问题或数据量过大检查网络连接,分批下载数据,添加重试机制
下单返回错误交易时间外下单、账户未登录、权限不足确认在交易时间内操作,检查账户状态和交易权限
订阅行情无回调未正确注册回调函数,或股票代码格式错误确认股票代码格式(如000001.SZ),检查回调函数注册
内存占用过高一次性订阅过多股票或数据周期过密限制订阅数量,清理不用的数据缓存

八、总结与选型建议

Ptrade 和 QMT/miniQMT 代表了两种不同的量化交易路径。Ptrade 是“开箱即用”的云端方案,适合快速上手和策略验证;miniQMT 是“灵活定制”的本地方案,适合有开发经验、需要深度定制的量化交易者。

如果你刚开始学习量化交易,建议先用 Ptrade 熟悉整个流程,写几个简单的策略,跑通回测和模拟盘。当你对策略开发有了感觉,对灵活性的需求开始超过便捷性的时候,再切换到 miniQMT。两个平台并不冲突,很多成熟的量化交易者会同时使用两者——在 Ptrade 上快速验证想法,在 miniQMT 上实现复杂策略。

下一篇预告:量化笔记08 | 量化数据源终极对比——Tushare vs AKShare vs Baostock,我们将对比市面上最主流的三个免费/低成本数据源,帮你做出最适合自己的数据架构选择。

—— 量化笔记 · 第07篇 · 完 ——

本系列为个人学习笔记,所有内容仅供参考,不构成任何投资建议。

量化交易有风险,入市需谨慎。请勿使用无法承受损失的资金进行交易。