从零开始：QMT脚本与聚宽策略的实战对接指南
1. 为什么需要QMT与聚宽策略对接？
很多刚接触量化交易的朋友都会遇到这样的困惑：在聚宽上回测表现优秀的策略，怎么才能快速应用到实盘交易中？这就是QMT脚本的价值所在。QMT作为券商提供的专业量化交易终端，能够直接连接实盘交易通道，而聚宽则是国内知名的量化策略研究平台。两者结合就像给赛车装上了导航系统——聚宽负责路线规划（策略生成），QMT负责精准驾驶（交易执行）。
我最早尝试对接时走过不少弯路。有次在模拟盘测试时，因为参数设置错误导致策略频繁报单，差点触发券商的风控系统。后来才发现是资金分配参数的单位搞错了，把"元"设成了"万元"。这种血泪教训让我意识到，从策略研究到实盘落地，中间需要一套可靠的对接方案。
2. 环境准备：搭建你的量化工作站
2.1 硬件与软件基础配置
工欲善其事，必先利其器。建议使用Windows 10/11系统，配置至少16GB内存和固态硬盘。我测试过不同配置的电脑，发现低于8GB内存的机器在同时运行QMT和聚宽时会明显卡顿。显卡倒是不用太讲究，除非你要做深度学习相关的策略。
软件方面需要准备：
- 券商提供的QMT终端（建议选择支持Python 3.7+的版本）
- 聚宽研究环境（Jupyter Notebook或本地部署版）
- Python环境（推荐Anaconda管理多个虚拟环境）
注意：一定要确认QMT和聚宽的Python版本兼容性。有次我用的QMT只支持Python 3.6，而聚宽策略用了f-string语法（Python 3.7+特性），调试了半天才发现版本问题。
2.2 账户权限申请
联系你的券商客户经理开通QMT交易权限时，记得明确说明需要：
- 实盘交易权限（部分券商模拟盘和实盘是分开申请的）
- 策略运行所需的特殊权限（如Tick级数据、条件单功能等）
- 适当的API调用频率限制（高频交易可能需要额外申请）
3. 策略迁移：从聚宽到QMT的完整流程
3.1 策略代码的适配改造
聚宽策略直接复制到QMT往往不能直接运行，主要差异体现在：
- 数据接口不同：聚宽用
get_price()，QMT用ContextInfo.get_market_data() - 交易函数差异：聚宽的
order_target()对应QMT的order_target_volume() - 上下文对象：聚宽的
g全局变量在QMT中需要重新定义
这里有个简单的转换示例：
# 聚宽原始代码 def handle_data(context): stock = '000001.XSHE' price = history(stock, ['close'], 1, '1d')['close'][0] if price > 10: order(stock, 100) # QMT适配版 def on_bar(context): stock = '000001.SZ' data = ContextInfo.get_market_data(['close'], [stock], 1, '1d') price = data[stock]['close'][0] if price > 10: order_volume(stock, 100, 0, OrderSide_Buy, OrderType_Limit, PositionEffect_Open)3.2 参数配置的黄金法则
在QMT中配置策略参数时，这几个关键项最容易出错：
totalcash：建议设置为账户可用资金的80%，留足缓冲空间per：单票仓位建议不超过15%，分散风险滑点设置：根据标的流动性设置，大盘股0.1%，小盘股0.3%
我常用的参数模板是这样的：
{ "base": { "capital": 1000000, "frequency": "tick", # 或"1m"/"5m" "slippage": 0.001 }, "risk": { "single_position": 0.15, "stop_loss": 0.1 } }4. 实盘操作：从模拟到真金白银
4.1 模拟运行的三大检查点
信号检查：对比聚宽回测和QMT模拟的信号一致性
- 时间戳是否对齐
- 委托价格是否合理
- 成交量是否符合预期
性能检查：
- 策略CPU占用率（超过30%可能需要优化）
- 单次轮询耗时（超过500ms会影响高频策略）
- 内存泄漏（长时间运行内存增长不超过50MB）
风控检查：
- 单日最大撤单次数
- 单边市情况下的处理逻辑
- 极端行情下的熔断机制
4.2 实盘上线的过渡技巧
建议采用"三步走"方案：
- 第一周：10%资金实盘+90%模拟并行运行
- 第二周：对比实盘与模拟的成交差异，调整滑点参数
- 第三周：确认稳定性后逐步提高实盘资金比例
有个实用的技巧是设置"观察模式"，在策略代码中加入：
if context.is_observer_mode: print(f"观察模式：{stock} 应买入{volume}股") return这样可以在不实际下单的情况下验证策略逻辑。
5. 常见问题排查手册
5.1 策略不运行的五大原因
根据我处理过的案例，90%的问题集中在：
- 账户权限未开通（表现为无法获取实时数据）
- Python依赖缺失（报ImportError错误）
- 交易时间段设置错误（非交易时段策略休眠）
- 资金参数单位错误（把"万"写成"元"）
- 数据订阅不完整（缺少必要的行情字段）
5.2 性能优化实战技巧
遇到策略运行卡顿时，可以尝试：
- 用
@lru_cache装饰器缓存不变的数据 - 将pandas操作改为numpy数组计算
- 避免在循环中创建临时对象
- 使用Cython编译关键代码段
这里有个优化前后的对比案例：
# 优化前（处理1000只股票耗时2.3秒） def process_stocks(stocks): results = [] for code in stocks: data = get_history(code, 100) ma5 = data['close'].rolling(5).mean() results.append(ma5.iloc[-1]) return results # 优化后（同样条件耗时0.4秒） @lru_cache(maxsize=1000) def cached_history(code): return get_history(code, 100) def process_stocks(stocks): closes = np.array([cached_history(code)['close'].values for code in stocks]) return np.mean(closes[:, -5:], axis=1)6. 进阶：打造自动化运维体系
6.1 监控报警系统搭建
成熟的量化系统需要实时监控：
- 策略心跳（每分钟检测是否存活）
- 异常日志（错误次数超过阈值报警）
- 性能指标（内存/CPU突破警戒线）
- 交易异常（连续撤单、保证金不足）
推荐使用Prometheus+Grafana搭建监控看板，关键指标包括：
- 策略收益率
- 胜率
- 最大回撤
- 夏普比率
- 订单成交率
6.2 版本控制与回滚机制
建议采用Git管理策略代码时，注意：
- 每次实盘前打tag记录版本
- 使用
git bisect快速定位问题版本 - 保留历史参数配置文件
我的团队使用这样的目录结构：
strategies/ ├── live/ # 实盘运行版本 ├── archive/ # 历史版本存档 ├── sandbox/ # 测试中新策略 └── configs/ # 参数配置文件7. 实战案例：双均线策略完整实现
让我们通过一个具体案例，演示从聚宽到QMT的完整迁移过程。这个策略的逻辑很简单：当5日均线上穿20日均线时买入，下穿时卖出。
7.1 聚宽原始策略
def initialize(context): set_benchmark('000300.XSHG') set_option('use_real_price', True) def handle_data(context, data): stock = '000001.XSHE' hist = history(stock, ['close'], 21, '1d') ma5 = hist['close'][-5:].mean() ma20 = hist['close'].mean() if crossover(ma5, ma20): order_target_percent(stock, 0.95) elif crossunder(ma5, ma20): order_target_percent(stock, 0)7.2 QMT适配版本
def initialize(context): context.stock = '000001.SZ' context.ma_short = 5 context.ma_long = 20 context.positions = {} def on_bar(context): # 获取历史数据 data = ContextInfo.get_market_data( ['close'], [context.stock], context.ma_long+1, '1d' ) closes = data[context.stock]['close'] # 计算均线 ma5 = closes[-context.ma_short:].mean() ma20 = closes.mean() # 交易逻辑 current_pos = context.positions.get(context.stock, 0) if ma5 > ma20 and current_pos == 0: cash = ContextInfo.get_cash() order_value(context.stock, cash*0.95, OrderSide_Buy) elif ma5 < ma20 and current_pos > 0: order_volume(context.stock, current_pos, OrderSide_Sell)7.3 参数优化建议
通过历史回测可以发现：
- 在震荡市中，参数组合(3,10)表现更好
- 在趋势市中，参数(10,60)收益更高
- 加入1%的止损能显著降低回撤
建议在QMT中设置参数优化空间：
params = { 'ma_short': range(3, 15, 2), 'ma_long': range(10, 60, 5), 'stop_loss': [0.005, 0.01, 0.02] }8. 从模拟到实盘的心理建设
最后想分享些实战心得。第一次点下"实盘运行"按钮时，我的手都在发抖。现在回头看，这些经验可能对你有用：
- 接受不完美：没有100%准确的策略，我的最佳策略胜率也就58%
- 控制单次损失：设定单日最大亏损限额（我的是总资金的2%）
- 定期复盘：每周分析交易记录，我坚持这个习惯3年，策略收益提升了4倍
- 保持学习：量化领域每月都有新技术，订阅arXiv的q-fin板块很有帮助
记住，量化交易不是短跑而是马拉松。我见过太多人因为一两次失败就放弃，而那些持续迭代的人，最终都找到了属于自己的alpha。