Recent Posts
使用DeepSeek R1大模型编写迅投 QMT 的量化交易 Python 代码
随着人工智能技术的迅猛发展，利用AI工具提升工作效率已成为现代开发者的重要手段。
在使用deepseek官方网页生成迅投QMT代码的时候，deepseek给出的代码是xtquant代码，也就是miniqmt代码，并不是我们传统意义上说的大QMT可用的代码。
因此，我们需要自建一个知识库，让deepseek根据我的知识库里面的知识，去帮我生成大QMT可用的交易代码。
一、建立迅投QMT的知识库
建立迅投QMT的知识库的方法比较简单，我们就直接访问迅投QMT的官方网站，把网站上的网页内容打印成PDF文件，我这边有一个打印下来的PDF文件可以下载（注意我打印的日期是2025年2月25日，后续迅投网站可能会更新），大家也可以自己去网站上打印。
下载链接：
https://download.csdn.net/download/wtsolutions/90427490
二、利用腾讯ima.copilot建立与deepseek的知识库
1、下载与安装 IMA.Copilot
2. 导入PDF文件到个人知识库
- 在 IMA.Copilot 中，点击左侧导航栏的“知识库”选项。
- 选择“导入文档”，上传你的迅投QMT PDF文件。
- 等待系统处理并索引文档内容。
三、使用 IMA.Copilot 编写量化交易 Python 代码
在个人知识库页面，下面有一个输入窗口，可以在此处提问，此处提问可以是直接基于知识库知识来回答的。
举例说明：
“请根据迅投QMT的PDF文档，编写一个计算股票移动平均线的Python函数。”
IMA.Copilot 将结合 DeepSeek R1 大模型和你的知识库内容，自动生成相应的Python代码。以下就是deepseek给出的代码。
#coding:gbk
import numpy as np
def calculate_ma(ContextInfo, stock_code, window_size):
"""
计算指定股票的移动平均线
:param ContextInfo: QMT上下文对象[1](@ref)
:param stock_code: 股票代码（格式：'000001.SZ'）[1](@ref)
:param window_size: 均线周期
:return: MA值（浮点数）
"""
# 获取本地收盘价数据
local_data = ContextInfo.get_market_data_ex(
['close'],
[stock_code],
period='1d',
count=window_size,
subscribe=False
)
# 提取收盘价列表
try:
close_prices = local_data[stock_code]['close'].values
except KeyError:
print(f"未找到股票{stock_code}的收盘数据")
return None
# 计算移动平均
if len(close_prices) >= window_size:
ma_value = np.mean(close_prices[-window_size:])
return round(ma_value, 2)
else:
print(f"数据不足，当前数据量{len(close_prices)}，需要{window_size}根K线")
return None
# 使用示例（在策略中调用）
def handlebar(C):
stock = "600000.SH"
ma10 = calculate_ma(C, stock, 10) # 计算10日均线
ma20 = calculate_ma(C, stock, 20) # 计算20日均线
print(f"{stock} 10日均线：{ma10}，20日均线：{ma20}")
def init(C):
# 下载所需历史数据（建议在策略初始化时执行）
C.download_history_data("600000.SH", "1d", "", "")
四、检查测试
生成的代码可能需要根据具体需求进行调整和优化。
迅投QMT交易系统 延迟 委托/成交/持仓/账号信息延迟 get_trade_detail_data延迟
很多朋友问过我，为什么感觉迅投的QMT有延迟：
- 委托order数据延迟，order_callback()
- 成交deal数据延迟, deal_callback()
- 持仓position数据延迟, position_callback()
- 账号account数据延迟, account_callback()
第一类原因：
官方给的提示如下：
委托/成交/持仓/账号信息的更新, 是在客户端后台进行的, python策略中无法手动控制。
解释如下： python提供的取账号信息接口 get_trade_detail_data， 与四种交易回调函数（order_callback, deal_callback, position_callback等等）, 都是从客户端本地缓存中读取数据 / 触发调用，不是调用时查询柜台再返回。
客户端本地缓存状态定期接收柜台推送刷新，有交易主推的柜台50ms一次，没有交易主推的柜台1-6秒一次。
不能认为get_trade_detail_data查到的状态是与柜台完全一致的, 比如卖出委托后立刻查询, 不会查到对应委托, 可用资金也不会变多。
实盘策略需要设计盘中保存/更新委托状态的机制。常见的做法是用全局变量字典保存委托状态, 给每一笔委托独立的投资备注作为字典的key，委托状态作为字典的value, 下单后默认设置为待报, 之后查到委托后更新状态。如果某品种股票存在待报状态委托, 暂停该品种后续报单, 防止发生超单的情况。(实现可以参考实盘示例7-调整至目标持仓Demo)
简单来说： 不同的券商下的QMT交易系统推送频率不同。从券商向你的QMT软件，有的券商50ms推送一次交易信息，有的是1-6秒才会推送一次信息。也就是说，你如果感觉到延迟，需要问你的券商，问他们所给你提供的QMT交易系统，是多久推送一次。如果是1-6秒，你肯定会感觉有延迟的。
推送之后，你的QMT软件，才会知道最新的信息，然后相应的给你各种callback。当然你自己使用get_trade_detail_data也是从你本地的QMT软件获取的信息，无法直接从券商那边直接获取信息，只能等券商那边给你的QMT软件推送最新的信息之后，你才能get到最新信息。
第二类原因
就是你自己要在QMT软件右下角那块看行情/交易连接的延迟，正常是ms级的延迟，如果你在连接行情/交易服务器处就有很大的延迟，就可能是因为你的宽带连接质量不高，或者网速比较慢等原因。可以通过换成手机热点、换宽带等等各种方式排查一下，看看是不是用了其他的网络就能变好。
其他文章
其他相关文章，可以关注CSDN专栏（看本博客的最顶端），点进去专栏，可以看到所有与QMT量化交易相关的文章。感谢关注。
本文更新于2025年2月25日，关注本博客，csdn专栏（看本博客文章最顶端）或者WTSolutions的知乎，获取最新的更新提醒。
迅投QMT自带策略-双均线实盘示例PY策略-解读
首先po一下迅投QMT自带的策略，如下：
# -*- coding: utf-8 -*-
#encoding:gbk
import pandas as pd
import numpy as np
import datetime
"""
示例说明：双均线实盘策略，通过计算快慢双均线，在金叉时买入，死叉时做卖出
"""
class a():
pass
A = a() #创建空的类的实例 用来保存委托状态
#ContextInfo对象在盘中每次handlebar调用前都会被深拷贝, 如果调用handlebar的分笔不是k线最后分笔 ContextInfo会被回退到深拷贝的内容 所以ContextInfo不能用来记录快速交易的信号
def init(C):
A.stock= C.stockcode + '.' + C.market #品种为模型交易界面选择品种
A.acct= account #账号为模型交易界面选择账号
A.acct_type= accountType #账号类型为模型交易界面选择账号
A.amount = 10000 #单笔买入金额 触发买入信号后买入指定金额
A.line1=17 #快线周期
A.line2=27 #慢线周期
A.waiting_list = [] #未查到委托列表 存在未查到委托情况暂停后续报单 防止超单
A.buy_code = 23 if A.acct_type == 'STOCK' else 33 #买卖代码 区分股票 与 两融账号
A.sell_code = 24 if A.acct_type == 'STOCK' else 34
#设置股票池 订阅品种行情
C.set_universe([A.stock])
print(f'双均线实盘示例{A.stock} {A.acct} {A.acct_type} 单笔买入金额{A.amount}')
def handlebar(C):
#跳过历史k线
if not C.is_last_bar():
return
now = datetime.datetime.now()
now_time = now.strftime('%H%M%S')
#跳过非交易时间
if now_time < '093000' or now_time > "150000":
return
account = get_trade_detail_data(A.acct, A.acct_type, 'account')
if len(account)==0:
print(f'账号{A.acct} 未登录 请检查')
return
account = account[0]
available_cash = int(account.m_dAvailable)
#如果有未查到委托 查询委托
if A.waiting_list:
found_list = []
orders = get_trade_detail_data(A.acct, A.acct_type, 'order')
for order in orders:
if order.m_strRemark in A.waiting_list:
found_list.append(order.m_strRemark)
A.waiting_list = [i for i in A.waiting_list if i not in found_list]
if A.waiting_list:
print(f"当前有未查到委托 {A.waiting_list} 暂停后续报单")
return
holdings = get_trade_detail_data(A.acct, A.acct_type, 'position')
holdings = {i.m_strInstrumentID + '.' + i.m_strExchangeID : i.m_nCanUseVolume for i in holdings}
#获取行情数据
data = C.get_history_data(max(A.line1, A.line2)+1, '1d', 'close',dividend_type='front_ratio')
close_list = data[A.stock]
if len(close_list) < max(A.line1, A.line2)+1:
print('行情长度不足(新上市或最近有停牌) 跳过运行')
return
pre_line1 = np.mean(close_list[-A.line1-1: -1])
pre_line2 = np.mean(close_list[-A.line2-1: -1])
current_line1 = np.mean(close_list[-A.line1:])
current_line2 = np.mean(close_list[-A.line2:])
#如果快线穿过慢线,则买入委托 当前无持仓 买入
vol = int(A.amount / close_list[-1] / 100) * 100 #买入数量 向下取整到100的整数倍
if A.amount < available_cash and vol >= 100 and A.stock not in holdings and pre_line1 < pre_line2 and current_line1 > current_line2:
#下单开仓 ，参数说明可搜索PY交易函数 passorder
msg = f"双均线实盘 {A.stock} 上穿均线 买入 {vol}股"
passorder(A.buy_code, 1101, A.acct, A.stock, 14, -1, vol, '双均线实盘', 1 , msg, C)
print(msg)
A.waiting_list.append(msg)
#如果快线下穿慢线,则卖出委托
if A.stock in holdings and holdings[A.stock] > 0 and pre_line1 > pre_line2 and current_line1 < current_line2:
msg = f"双均线实盘 {A.stock} 下穿均线 卖出 {holdings[A.stock]}股"
passorder(A.sell_code, 1101, A.acct, A.stock, 14, -1, holdings[A.stock], '双均线实盘', 1 , msg, C)
print(msg)
A.waiting_list.append(msg)
解读如下：
这个代码实现了一个基于双均线策略的量化交易系统。以下是代码的主要功能：