在上一篇 《网传 MiniQMT 将被关闭？事实核查与应对指南（2026 版）》 里已经说过：自 2026 年 7 月起，多家券商已陆续收紧 MiniQMT 权限，存量客户大概率会在 1～2 个月内被清退，本地原生 Python + xtquant 直连模式即将成为历史。

但现实是：大多数个人量化的策略代码已经跑了很多年——指标计算、信号判断、行情订阅都依赖 xtquant，迁移成本极高。重写一遍不仅费时，还容易把原本稳定的策略写崩。

那有没有办法既不放弃 MiniQMT 端成熟的策略代码，又能把”真实下单”放到合规的大 QMT 里跑？答案是：HTTP 桥接。

二、方案核心思想：分析在 miniQMT，下单在大 QMT

把整个交易流程拆成两段：

这样做的好处非常明显：

1. ✅ 策略代码 90% 不用动：指标、信号、风控逻辑继续留在 python 跑
2. ✅ 下单走合规通道：所有 passorder 都在大 QMT 内执行，不触碰”外接系统”红线
3. ✅ 行情双通道：miniQMT 本地 xtdata 仍可作主源，大 QMT HTTP 作 fallback
4. ✅ 平滑过渡：MiniQMT 真正停用那天，只需把”分析”也迁到大 QMT，桥接代码可保留复用

三、架构总览

1
2
3
4
5
6
7
8

+----------------------+          +----------------------+
|      外部python端     |          |      大 QMT 端       |
| +------------------+ |  HTTP    | +------------------+ |
| | xtquant 取行情    | | --POST-->| | passorder 下单    | |
| | 计算指标 / 信号    | | <-JSON--| | get_full_tick 行情 | |
| | QMTClient 下单    | |         | | get_trade_detail  | |
| +------------------+ |          | +------------------+ |
+----------------------+          +----------------------+

关键设计点：

• 下单/撤单走任务队列 + 200ms 定时器消费：避免 HTTP 线程直接调 passorder 的多线程风险（QMT 交易 API 不保证线程安全）
• 查询/行情直接在 HTTP 线程读取本地缓存：get_full_tick / get_trade_detail_data 是只读本地缓存，可安全跨线程调用
• HTTP 服务用 daemon 线程：策略停止时自动退出，不留僵尸进程

四、部署步骤

4.1 大 QMT 端（qmt_http_server.py）

1. 打开大 QMT 客户端 → 模型交易 → 新建策略，把 qmt_http_server.py 内容粘贴进去
2. 在右侧设置：
   • 资金账号：选择已登录的实盘/模拟账号（先用模拟账号验证！）
   • 运行模式：实盘模式
   • 周期：随意（本策略不依赖 K 线）
3. 启动策略，输出框看到以下两行即服务就绪：

1
2

[Bridge] HTTP server started on 0.0.0.0:8899
[Bridge] init done. account=XXX type=STOCK consume_interval=200ms

4.2 外部 python 端（miniqmt_client.py）

1. 编辑 miniqmt_client.py，确认 QMT_HTTP_HOST 指向大 QMT 所在机器：

1

QMT_HTTP_HOST = 'http://127.0.0.1:8899'  # 跨机时改大 QMT 的实际 IP

2. 把 miniqmt_client.py 复制到策略目录
3. python 客户端 → 策略列表 → 新建策略 → 选择本文件 → 运行
4. 看到以下输出即桥接打通：

1
2

[Bridge] 大 QMT 已连接，account=XXX
[Bridge] xtquant 加载成功

五、代码详解

5.1 大 QMT 端：HTTP 服务 + 任务队列

qmt_http_server.py 的核心是三件事：

1. 在 init 钩子里启动 daemon HTTP 线程 + 注册 200ms 定时器
2. HTTP Handler 接收请求：下单/撤单进队列，查询/行情直接返回
3. consume_tasks 定时器回调：在策略主线程从队列取出任务调 passorder

下面是关键代码片段：

启动 HTTP 服务 + 定时器（init 钩子）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

def init(ContextInfo):
    global G_CONTEXT, G_ACCOUNT, G_ACCOUNT_TYPE
    G_CONTEXT = ContextInfo
    G_ACCOUNT = account
    G_ACCOUNT_TYPE = accountType

    # 起 daemon HTTP 线程，策略停止时自动退出
    t = threading.Thread(target=_start_http_server, daemon=True)
    t.start()

    # 注册 200ms 定时器消费任务队列
    period = '%dnMilliSecond' % CONSUME_INTERVAL_MS
    ContextInfo.run_time('consume_tasks', period, '2000-01-01 00:00:00')

    print('[Bridge] init done. account=%s type=%s consume_interval=%dms'
          % (G_ACCOUNT, G_ACCOUNT_TYPE, CONSUME_INTERVAL_MS))

下单入队（HTTP 线程，不做真实下单）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

def _handle_order(self, body):
    required = ['opType', 'orderType', 'orderCode', 'prType', 'price', 'volume']
    for r in required:
        if r not in body:
            self._send(400, {'error': 'missing field: ' + r})
            return
    task = {
        'kind': 'order',
        'opType': int(body['opType']),
        'orderType': int(body['orderType']),
        'accountid': body.get('accountid', G_ACCOUNT),
        'orderCode': body['orderCode'],
        'prType': int(body['prType']),
        'price': float(body['price']),
        'volume': float(body['volume']),
        'strategyName': body.get('strategyName', 'http_bridge'),
        'quickTrade': int(body.get('quickTrade', 2)),
        'userOrderId': body.get('userOrderId', ''),
        'enqueued_at': time.time(),
    }
    with TASK_LOCK:
        TASK_QUEUE.append(task)
        queued = len(TASK_QUEUE)
    self._send(200, {'ok': True, 'msg': 'order queued', 'queued': queued})

定时器消费任务（主线程，安全调 passorder）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

def consume_tasks(ContextInfo):
    batch = []
    with TASK_LOCK:
        for _ in range(MAX_BATCH_PER_TICK):
            if not TASK_QUEUE:
                break
            batch.append(TASK_QUEUE.popleft())
    if not batch:
        return

    for task in batch:
        try:
            if task['kind'] == 'order':
                # 11 参数完整版 passorder
                passorder(
                    task['opType'], task['orderType'], task['accountid'],
                    task['orderCode'], task['prType'], task['price'],
                    task['volume'], task['strategyName'],
                    task['quickTrade'], task['userOrderId'], ContextInfo
                )
            elif task['kind'] == 'cancel':
                cancel(task['orderId'], task['accountid'],
                       task['accountType'], ContextInfo)
        except Exception as e:
            print('[Bridge] task error: %s | task=%s' % (e, task))

为什么必须用队列 + 定时器，不能直接在 HTTP 线程里调 passorder？

passorder 是 QMT 客户端交易主线程的同步调用，从其他线程直接调可能导致：

• 委托号错乱
• 客户端崩溃
• 柜台连接断开

QMT 官方文档明确要求：所有交易相关 API 必须在策略主线程调用。所以最稳的做法是 HTTP 线程只入队，主线程定时器出队执行。

5.2 miniQMT 端：策略 + HTTP 客户端封装

miniqmt_client.py 提供了一个 QMTClient 类，把所有 HTTP 调用封装成 Python 方法，使用起来就像本地 API：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

class QMTClient:
    def __init__(self, host=QMT_HTTP_HOST, timeout=HTTP_TIMEOUT):
        self.host = host.rstrip('/')
        self.timeout = timeout

    def _post(self, path, body):
        data = json.dumps(body, ensure_ascii=False).encode('utf-8')
        req = urllib.request.Request(
            self.host + path, data=data,
            headers={'Content-Type': 'application/json; charset=utf-8'},
            method='POST'
        )
        try:
            with urllib.request.urlopen(req, timeout=self.timeout) as resp:
                return json.loads(resp.read().decode('utf-8'))
        except urllib.error.HTTPError as e:
            try:
                return json.loads(e.read().decode('utf-8'))
            except Exception:
                return {'error': 'HTTP %d' % e.code, 'detail': str(e)}
        except Exception as e:
            return {'error': str(e)}

    def buy_stock(self, code, volume, price=0, prType=5,
                  strategyName='', userOrderId=''):
        """股票买入：opType=23 orderType=1101（按数量）"""
        return self.order(23, 1101, code, prType, price, volume,
                          strategyName, 2, userOrderId)

    def sell_stock(self, code, volume, price=0, prType=5,
                   strategyName='', userOrderId=''):
        """股票卖出：opType=24 orderType=1101（按数量）"""
        return self.order(24, 1101, code, prType, price, volume,
                          strategyName, 2, userOrderId)

策略主循环（miniQMT 端演示）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

def on_strategy_tick(ContextInfo):
    if cli is None:
        return
    now = time.strftime('%H%M%S')
    if now < '093000' or now > '150000':
        return

    ticks = _get_ticks(STOCK_POOL)
    if not ticks:
        return

    for code, tick in ticks.items():
        last = tick.get('lastPrice', 0)
        pre_close = tick.get('lastClose', 0)
        if not (last > 0 and pre_close > 0):
            continue
        ratio = last / pre_close
        print('[miniQMT] %s last=%s preClose=%s ratio=%.4f'
              % (code, last, pre_close, ratio))

        # ====== 策略信号演示（!!实盘慎用!! 先用模拟账号） ======
        # 信号：涨幅 >= 2% 触发买入 100 股（最新价）
        # if ratio >= BUY_THRESHOLD:
        #     r = cli.buy_stock(code, 100, strategyName='demo_buy')
        #     print('[miniQMT] 下单结果:', r)

行情双通道（重点）

miniQMT 端取行情有两种方式，互为补充：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

def _get_ticks(codes):
    """优先 xtquant 取行情，否则走大 QMT HTTP"""
    # 方式 A：xtquant（miniQMT 本地行情源，无网络往返）
    if xt is not None:
        try:
            data = xt.get_full_tick(codes)
            return data or {}
        except Exception as e:
            print('[miniQMT] xtquant get_full_tick 失败，转 HTTP:', e)

    # 方式 B：大 QMT HTTP（兜底）
    r = cli.quote(codes)
    if r.get('ok'):
        return r.get('data', {})
    print('[miniQMT] HTTP quote 失败:', r.get('error'))
    return {}

策略代码里这一段是迁移的核心红利——MiniQMT 真正停用后，把方式 A 注释掉，方式 B 自动接管，几乎零修改就能继续跑。

六、HTTP 接口文档

所有响应均为 JSON。

下单 /order 的 body 字段

必填：

可选：

下单响应：

1

{"ok": true, "msg": "order queued", "queued": 3}

queued = 当前队列里还没消费的任务数。

撤单 /cancel 的 body 字段

行情 /quote 响应字段（get_full_tick 返回）

1
2
3
4
5
6
7
8
9
10
11
12
13

{
  "000001.SZ": {
    "lastPrice": 10.60,
    "lastClose": 10.50,
    "open": 10.55, "high": 10.70, "low": 10.40,
    "volume": 100000,
    "amount": 1060000,
    "askPrice": [10.61, 10.62, 10.63, 10.64, 10.65],
    "bidPrice": [10.59, 10.58, 10.57, 10.56, 10.55],
    "askVol":   [1000, 2000, 1500, 800, 600],
    "bidVol":   [500, 800, 1200, 900, 400]
  }
}

持仓 /position 字段（节选）

账号 /account 字段（节选）

七、常用枚举速查

opType（操作类型）

prType（价格类型）

八、可调参数（qmt_http_server.py 顶部）

九、安全 / 风险注意事项

9.1 务必先用模拟账号验证

qmt_http_server.py 默认 quickTrade=2（立即下单），任何能访问该端口的请求都会真实下单。生产环境务必：

• (a) HTTP_HOST 改成 '127.0.0.1'，只允许本机访问
• (b) 或在内网用 nginx + basic auth 反代
• (c) 或在 miniQMT 端的 QMTClient 里统一加 X-Token 鉴权 header

9.2 价格笼子（2% 规则）

沪深主板/创业板委托价超出基准价 ±2% 会废单，下单前最好自查 price 是否在笼子内。

9.3 委托数量上限

超量会产生废单。

9.4 废单查询延迟

下单后约 50ms~6s 才能通过 /order 接口查到（柜台推送周期），不要在 200ms 内反复查询。

9.5 策略阻塞

qmt_http_server.py 的 HTTP 线程是 daemon，策略停止时自动退出；定时器 200ms 周期不会阻塞其他策略。

9.6 GBK 编码

三个 .py 文件本身是 GBK 编码（QMT 内置 Python 3.6 的硬性要求）。如果在 macOS/Linux 编辑器里中文乱码，请用支持 GBK 的编辑器（VS Code、Notepad++）打开。

十、常见问题 FAQ

Q1：启动报 Address already in use？
A：端口 8899 被占。改 HTTP_PORT 或杀掉占用进程。

Q2：miniQMT 端 ping 返回 error？
A：大 QMT 端策略未启动 / 防火墙拦截 / IP 错。先在大 QMT 本机跑 test_client.py 验证本地服务。

Q3：行情返回空 / lastPrice=0？
A：大 QMT 客户端右下角行情源未选「五档」级别；或非交易时段。

Q4：下单后 /position 查不到新持仓？
A：柜台推送有 50ms~6s 延迟，等几秒再查；委托状态先查 /order。

Q5：想做鉴权？
A：在 qmt_http_server.py 的 QMTHandler.do_GET/do_POST 里加 header 校验（如 X-Token），或者在 miniQMT 端的 QMTClient 里统一加 header。

十一、源代码下载

完整源代码（含 qmt_http_server.py、miniqmt_client.py、README.py）已打包上传至夸克网盘：

🔗 https://pan.quark.cn/s/27baf28d2c89

下载后按本文第四节的部署步骤操作即可。三个文件均为 GBK 编码，可直接在 QMT 编辑器中打开。

十二、写在最后：迁移路径建议

这套 HTTP 桥接方案的本质，是给老策略争取了一段**”过渡期”**：

1
2
3
4
5

[阶段 1] miniQMT 还能用        →  分析 + 下单都在 miniQMT（旧代码不动）
   ↓ MiniQMT 收紧
[阶段 2] MiniQMT 还能用 + 大 QMT →  分析在 mini，下单走桥接（本文方案）
   ↓ MiniQMT 完全停用
[阶段 3] 只有大 QMT             →  分析也迁大 QMT，QMTClient 改成本地调用

到了阶段 3，QMTClient 这个类仍然有用——把它的 _post 方法替换成对大 QMT 本地 passorder 的直接调用，上层策略代码（信号、风控、订单管理）一行都不用改。

这才是这套设计真正的价值：让迁移成本分摊到多年，而不是被迫在一个周末里全部重写。

⚠️ 风险提醒与免责声明

量化交易涉及真实资金风险。本文仅提供 MiniQMT 到大 QMT 迁移的代码方案与技术分享：

• 文中代码仅供学习参考，不构成任何投资建议
• 任何策略在实盘前必须先在 QMT「模拟信号模式」或「模拟柜台」中充分验证
• quickTrade=2 是立即下单模式，端口暴露在公网会导致真实资金损失
• 因使用本文代码、文档或建议造成的任何盈亏，由使用者自行承担全部责任
• QMT、迅投 为迅投公司或其关联公司的商标

本文更新于2026年8月16日

因子（Factor）是量化交易中最核心的概念之一。一句话概括：因子就是能够预测资产未来收益的信号。

比如「市盈率越低，未来收益越高」，这里的「市盈率」就是一个因子。再比如「最近一个月涨幅越大，未来一个月越可能继续涨」，这里的「最近一个月涨幅」就是动量因子。

因子投资（Factor Investing）的思想非常朴素：找到能持续赚钱的信号，然后通过系统化方法筛选股票、配置仓位，获取超额收益。

这篇文章的目标，是对市面上常见的量化因子做一个系统的分类梳理，帮助有一定量化基础但仍在入门阶段的朋友建立完整的因子知识框架。

一、因子分类总览

量化因子可以按照不同维度分类，最常见的分类方式是按数据来源和逻辑分为以下几大类：

1. 基本面因子（Fundamental Factors）：基于公司财务报表数据
2. 技术面因子（Technical Factors）：基于价格和成交量数据
3. 资金面因子（Capital Flow Factors）：基于资金流向数据
4. 情绪因子（Sentiment Factors）：基于市场情绪和行为
5. 另类数据因子（Alternative Data Factors）：基于传统金融数据之外的信息
6. 宏观因子（Macro Factors）：基于宏观经济数据

下面逐一详细展开。

二、基本面因子

基本面因子是因子投资中最经典、研究最充分的一类。其核心思想是：公司的基本面价值与市场当前定价之间存在偏离，这种偏离最终会被市场修正，从而产生超额收益。

2.1 价值因子（Value）

价值因子认为市场会系统性地高估某些股票、低估某些股票，买入被低估的股票可以获取超额收益。

• 市盈率（PE = 股价 / 每股收益）：最经典的价值指标，PE越低，理论上越便宜。
• 市净率（PB = 股价 / 每股净资产）：适用于重资产行业（如银行、地产），PB低于1可能意味着股价跌破净资产。
• 市销率（PS = 总市值 / 营业收入）：适用于尚未盈利但收入增长快的公司。
• EV/EBITDA：企业价值与息税折旧摊销前利润之比，消除了资本结构和税率的差异。
• 净资产收益率（ROE）反向：某些时候市场给予高ROE股票过高的估值。

使用注意事项：价值因子在A股存在一定的「价值陷阱」问题，低PE可能意味着公司基本面恶化。因此实践中常常使用「预期PE」或结合成长性指标一起使用。

2.2 成长因子（Growth）

成长因子关注公司的增长速度，认为高成长的公司理应享受更高的估值溢价。

• 营收增长率：营业收入同比增速，衡量公司业务扩张能力。
• 净利润增长率：净利润同比增速，最直接的增长指标。
• EPS增长率：每股收益增速，直接反映股东回报能力。
• ROE变化率：ROE同比变化，衡量公司盈利能力的边际改善。
• PEG（PE / 盈利增长率）：将估值与成长结合起来，PEG < 1 通常被视为低估。

2.3 质量因子（Quality）

质量因子关注公司的盈利质量和财务健康程度，认为高质量公司的长期回报更好。

• ROE（净资产收益率）：巴菲特最看重的指标，衡量公司用股东资本赚钱的效率。
• ROA（总资产收益率）：衡量公司利用全部资产创造利润的能力。
• 毛利率（Gross Margin）：反映公司产品的竞争力和定价权。
• 营业利润率（Operating Margin）：反映公司核心业务的盈利能力。
• 资产周转率（Asset Turnover）：衡量公司资产利用效率。
• 负债率（Debt Ratio）：衡量财务风险，低负债率通常更安全。
• 现金流因子：经营性现金流 / 净利润，比值高说明利润质量好（真金白银），比值低说明利润可能靠应收账款堆砌。

2.4 财务健康因子（Financial Health）

• 速动比率：（流动资产 - 存货）/ 流动负债，衡量短期偿债能力。
• 利息保障倍数：息税前利润 / 利息费用，衡量支付利息的能力。
• 应收账款周转天数：天数越短，回款能力越强。
• 存货周转天数：天数越短，销售效率越高。

三、技术面因子

技术面因子基于价格和成交量数据计算，认为历史的价格行为中包含对未来收益有预测力的信息。

3.1 动量因子（Momentum）

动量因子是学术界实证最稳健的因子之一，核心假设是趋势会延续。

• 价格动量（Price Momentum）：过去N天/N周的累计收益率。常见的有20日动量、60日动量、120日动量等。
• 收益率动量：与价格动量类似，但使用收益率序列。
• 相对强度指标（RSI）：14日RSI在30-70之间为正常，>70超买，<30超卖。
• MACD（指数平滑异同移动平均线）：快慢线金叉死叉，零轴上下穿越。
• ADX（平均趋向指标）：衡量趋势强度，>25表示趋势明显。
• 均线多头排列：短期均线 > 中期均线 > 长期均线，是趋势向好的信号。

A股特别说明：A股存在明显的「短期反转、长期动量」特征。1-5日动量往往失效（甚至反向），而120-250日动量相对有效。

3.2 反转因子（Reversion）

反转因子与动量因子相反，认为过去涨多的会跌回来，跌多的会涨回来。

• 短期价格反转：过去1-5日收益率，在A股中是有效的反向预测信号。
• 日内反转：开盘后短时间内的大幅上涨/下跌，当天往往有反转。
• 超买超卖反转：RSI < 30时买入，RSI > 70时卖出的策略。
• 布林带反转：价格触及布林带下轨时买入，触及上轨时卖出。

3.3 波动率因子（Volatility）

大量研究表明，低波动率股票的长期收益往往高于高波动率股票，这与传统金融学理论相悖，被称为「低波动率之谜」。

• 历史波动率：过去N日收益率的标准差。
• 年化波动率：历史波动率 × √252。
• 隐含波动率：期权市场隐含的未来波动预期。
• 波动率倒数因子：直接使用 1/波动率 作为做多信号，低波动率股票得分高。

3.4 趋势因子（Trend）

• 相对强弱（相对大盘）：个股收益率 - 大盘收益率，持续为正说明个股强于大盘。
• 通道突破：价格突破布林带上轨或唐奇安通道上轨。
• Z-Score偏离度：当前价格相对于过去N日均值的偏离程度。

3.5 成交量因子（Volume）

• 成交量比率：当前成交量 / 过去N日平均成交量，放量可能是变盘信号。
• 量价配合：价格上涨伴随成交量放大，信号更可靠。
• 换手率：换手率突然放大可能意味着有资金异动。

3.6 技术指标因子（Technical Indicators）

QMT 自带的 TA_Lib 库提供了大量技术指标，都可以作为因子使用：

• 布林带宽度：布林带由窄变宽，可能意味着大行情来临。
• KDJ、WR（威廉指标）：超买超卖指标。
• OBV（能量潮）：结合价格和成交量判断资金流向。
• 乖离率（BIAS）：当前价格与均线的偏离程度。
• ATR（平均真实波幅）：衡量波动大小，也可用于止损设置。

四、资金面因子

资金面因子关注资金的市场行为，认为「聪明钱」的流向能够预示未来股价走势。

4.1 主力资金流向

• 主力资金净流入/流出：大单、超大单净买入金额。
• 主力持续流入天数：连续多日主力资金净流入，信号更可靠。
• 大单占比：大单成交量占总成交量的比例。

4.2 北向资金

北向资金（沪股通/深股通）被称为「聪明钱」，在中国A股市场具有较高的关注度。

• 北向资金净买入额：当日或累计净买入金额。
• 北向持仓占比：北向资金持有该股的市值 / 该股总市值。
• 北向资金持仓变动：近期持仓比例的变化速度。
• 北向资金趋势：连续净买入的天数。

4.3 融资融券

• 融资余额：投资者通过融资融券买入该股的金额。
• 融资余额变化率：融资余额的增速，加速增长可能预示看多情绪升温。
• 融券余额：投资者融券卖出该股的金额（数据相对不透明）。
• 两融余额占比：两融余额 / 流通市值，占比过高可能意味着杠杆交易拥挤。

4.4 股东增减持

• 大股东增持：大股东或高管增持，通常视为利好信号。
• 大股东减持：大股东减持，可能意味着内部人不看好当前股价。
• 机构持仓变化：基金等机构投资者持仓比例的季度变化。

4.5 龙虎榜数据

• 机构席位净买入：龙虎榜显示机构席位净买入，信号较强。
• 游资席位活跃度：知名游资席位出现，可能意味着短期有炒作。

五、情绪因子

情绪因子捕捉市场中非理性的群体行为，认为市场的过度反应可以被反向利用。

5.1 市场情绪指标

• 涨跌家数比：上涨股票数 / 下跌股票数，极端值可能预示反转。
• 涨停板数量：涨停板过多可能意味着市场过热。
• 跌停板数量：跌停板过多可能意味着恐慌过度。
• 市场波动率指数：类似恐慌指数，高值代表市场恐慌。

5.2 个股情绪指标

• 换手率：异常高换手率可能意味着情绪过热或过度恐慌。
• 连续涨停/跌停天数：情绪极端的信号。
• 龙虎榜游资炒作热度：是否被游资高度关注。

5.3 分析师情绪

• 分析师评级上调/下调：评级上调次数越多，市场关注度越高。
• 分析师目标价与实际股价的偏离：目标价远高于当前价，可能说明分析师看好。
• 分析师覆盖度变化：新增分析师覆盖可能意味着公司受到关注。

5.4 网络舆情

• 搜索指数：百度搜索指数、微信指数等，搜索量飙升可能意味着关注度异常。
• 社交媒体讨论热度：股吧、雪球等平台讨论热度。
• 新闻舆情得分：正面新闻多则情绪偏乐观，负面新闻多则偏悲观。

六、另类数据因子

另类数据因子来自于传统金融数据（财报、行情）之外的信息源。个人量化在获取另类数据方面有一定局限，但部分数据仍然可以获取。

6.1 行业与产业链数据

• 行业景气度：行业PMI、行业收入增速等。
• 上下游数据：原材料价格、产品价格变化。
• 行业竞争格局：市场份额变化。

6.2 政策与事件

• 政策支持力度：是否属于国家政策支持的行业/方向。
• 重大事件：业绩预告、重大合同、重组并购等。
• 限售股解禁：解禁后股价可能承压。

6.3 公司治理

• 股东结构：国有/民营/外资控股的差异。
• 管理层稳定性：高管频繁变动可能是不利信号。
• 分红政策：持续稳定分红的公司通常质量较好。

6.4 可获取的另类数据源（个人量化友好）

• 东方财富、同花顺等网站提供的龙虎榜、资金流向等数据。
• 聚宽（JoinQuant）、米筐（RiceQuant）等量化平台提供的因子数据。
• Tushare、AkShare等Python数据接口可以获取的部分另类数据。
• 雪球、股吧等平台的舆情数据（需要爬虫技术）。

七、宏观因子

宏观因子基于宏观经济变量，虽然更多用于资产配置层面，但对选股策略也有参考价值。

• GDP增长率：经济增速影响整体市场。
• CPI/PPI：通胀水平影响货币政策和不同行业。
• 利率（如10年期国债收益率）：利率上升不利于高估值成长股。
• M2、社融：流动性指标，流动性宽松利好股市。
• 美元指数：影响新兴市场资金流向。

八、因子检验与评估方法

有了因子之后，如何判断一个因子是否有效？以下是因子检验的标准流程：

8.1 分层回测（Factor Backtest）

按因子的值将股票分成若干组（如10组），看最高组和最低组之间的收益差（多空收益）是否显著为正。

8.2 关键指标

• IC（Information Coefficient，信息系数）：因子值与下期收益率的排名相关性，通常 > 0.03 就算不错，> 0.05 算较好。
• ICIR（IC的夏普比率）：IC均值 / IC标准差，衡量因子的稳定性，> 0.5 算不错。
• 多空收益（Long-Short Return）：高分组与低分组的收益差。
• 多空夏普比率：多空策略的夏普比率。
• 月胜率：多空策略在多少比例的月份中是赚钱的。

8.3 常见陷阱

• 幸存者偏差：只回测了还存在的股票，退市股票被忽略了。
• 前视偏差：用了未来才能知道的数据（如财报发布前就用了财报数据）。
• 过拟合：在历史数据上反复调参，选出看似很好的参数，但未来不一定有效。
• 因子共线性：多个因子之间高度相关，组合使用并不能增加信息量。

九、多因子模型

单个因子往往不够稳健，实践中通常将多个因子组合成一个综合打分系统，即多因子模型。

9.1 等权模型

将每个因子的标准化得分简单平均，得到综合得分。最简单但也常用。

9.2 加权模型

根据每个因子的历史表现（如IC、ICIR）赋予不同权重。

9.3 机器学习模型

使用随机森林、XGBoost等机器学习方法，让模型自己学习因子的非线性关系和交互作用。

9.4 因子正交化

多个因子之间可能存在相关性，通过正交化处理可以让每个因子提供独立的信息，避免重复计入。

十、给个人量化新手的建议

10.1 从经典因子入手

不要一开始就去追求复杂的另类数据因子。先做好基本面因子（价值、成长、质量）和技术面因子（动量、反转、波动率），这些已经足够支撑一个有竞争力的策略。

10.2 注意A股的特殊性

A股是一个散户占比高、政策影响大、散户情绪化程度高的市场。因此：

• 短期反转比短期动量更有效
• 情绪因子的作用可能比成熟市场更大
• 政策因子的影响力不可忽视

10.3 控制过拟合

历史回测再漂亮，不代表未来能赚钱。建议：

• 样本外检验：留出最近1-2年的数据不做回测，看因子在新数据上是否仍然有效。
• 滚动回测：用滚动窗口检验因子的稳定性。
• 简化模型：因子越简单，越可能具有普适性。

10.4 工具推荐

• QMT + TA_Lib：可以直接在QMT中调用大量技术指标，编写因子。
• Tushare / AkShare：获取基本面数据、行情数据等。
• 聚宽/米筐：在线量化平台，内置了大量因子，可以直接使用。

10.5 实践路径

1. 先理解每个因子的逻辑（为什么它可能有效）
2. 写代码计算因子值
3. 做分层回测，检验因子的IC、多空收益
4. 将多个有效因子组合，做多因子选股
5. 设置合理的调仓频率和止损规则
6. 在模拟环境中验证，再考虑实盘

总结

量化因子是量化交易的核心基石。本文对常见的因子做了系统分类：

记住一句话：因子是工具，不是圣杯。没有任何一个因子能持续稳定地赚钱，关键是要理解因子的逻辑、验证因子的有效性、并合理地将多个因子组合起来，构建一个具有统计意义的投资体系。

希望这篇文章能帮助你建立完整的因子知识框架。下一步，可以挑选几个感兴趣的因子，动手写代码验证一下，看看在A股数据上是否真的有效。

⚠️ 免责声明

量化交易存在巨大风险。本文仅提供因子投资的知识介绍与方法论分享：

• 文中所述因子仅供学习参考，不构成任何投资建议
• 任何因子在实盘前必须经过充分回测验证，历史有效不代表未来有效
• 因使用本文所述方法造成的任何盈亏，由使用者自行承担全部责任

本文更新于2026年8月16日

量化交易存在巨大风险。本项目仅提供 QMT API 文档的知识结构化整理与 AI Agent 辅助能力：

• 生成的所有策略代码仅供学习参考，不构成任何投资建议
• 实盘交易前务必在「模拟信号模式」或「模拟柜台」中充分验证策略逻辑
• 因使用本项目代码、文档造成的任何盈亏，由使用者自行承担全部责任

QMT、迅投 为迅投公司或其关联公司的商标。本项目仅为社区用户自发整理的非官方知识库。

一、为什么要做这个 Skill

我之前分享过两篇相关文章：

• 使用 DeepSeek R1 大模型编写迅投 QMT 的量化交易 Python 代码
• QMT 知识库 XtQuant 知识库使用文档 pdf markdown html 格式

最早的做法是把 QMT 官方文档打印成 PDF，再投喂给腾讯 IMA.Copilot、DeepSeek 等大模型，让 AI 帮我写代码。这种方法能用，但有几个明显痛点：

1. 每次都要重新投喂：换一个对话窗口，又得重新上传 PDF，AI 才能再次「知道」QMT 是什么。
2. AI 给的是 miniQMT 代码：直接问 DeepSeek，它默认返回的是基于 xtquant 的 miniQMT 代码，并不是我们大 QMT 客户端里能直接运行的 init / handlebar 钩子代码。而现在券商逐步在关闭 miniQMT 参考，大 QMT 才是后续主线。
3. 枚举值经常被臆造：opType、prType、orderType 这些参数一旦被 AI 凭记忆瞎猜，下单就是废单。
4. 缺少硬性编码约束：AI 经常忘记写 # coding:gbk，或者用上 Python 3.7+ 才有的 dataclass、海象运算符，结果在 QMT 内置的 Python 3.6 环境里跑不起来。

为了解决这些问题，我把整理好的 QMT 官方文档做成了一个标准化的 Skill 包：qmt-knowledge-skill。装上之后，AI Agent 就自带一份结构化、可检索的 QMT 知识库，写出来的代码天然符合大 QMT 的编码规范。

二、qmt-knowledge-skill 是什么

一句话：给 AI Agent 用的 QMT 极速策略交易系统智能知识技能包。

它把 QMT 官方 Python 3.6 API 文档按「入门 → API → 数据与枚举 → 示例与 FAQ」四大类整理成 16 份 markdown 文档，再加一份 SKILL.md 作为 Agent 行为规范。AI Agent 装上这个 Skill 后，就具备以下能力：

三、项目结构

整个 Skill 包结构非常清爽，核心就是一份 SKILL.md + 一个 knowledge/ 知识库目录：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

qmt-knowledge-skill/
├── SKILL.md              # ⭐ Skill 主入口（Agent 行为规范 + 索引 + 约束）
├── README.md             # 项目说明
└── knowledge/            # QMT 官方知识库（按四大类共 16 份文档）
    ├── 01-入门/
    │   ├── 快速开始.md                 # QMT架构总览 / 回测实盘对比 / 三种运行机制
    │   ├── QMT新人上手教程.md          # 从零开始上手步骤
    │   ├── 迅投研新手指南.md           # 迅投研云端版本指引
    │   ├── 使用须知.md                 # Python 3.6 环境 / 白名单 / 账号类型
    │   ├── 变量约定.md                 # ContextInfo / 运行模式 / 变量规范
    │   └── 界面操作.md                 # 账号配置 / 数据管理 / 模型交易界面
    ├── 02-API/
    │   ├── 交易函数.md                 # ⭐ passorder 综合下单 / 持仓查询 / 撤单改单
    │   ├── 行情函数.md                 # 下载 / 获取 / 订阅 / Tick 快照全套
    │   ├── 引用函数.md                 # MA/EMA/MACD/RSI/KDJ/DMI/BOLL/ATR 等指标
    │   ├── 系统函数.md                 # run_time / 板块 / is_last_bar 等
    │   ├── 成交回报实时主推函数.md      # 委托/成交/持仓/资金变动回调
    │   └── 绘图函数.md                 # paint/drawline/LINETHICK/COLOR 等
    ├── 03-数据与枚举/
    │   ├── 枚举常量.md                 # ⚠️ opType/orderType/prType/市场代码 等
    │   └── 数据结构.md                 # Tick/Bar/L2Quote/Position/Account 等字段
    └── 04-示例与FAQ/
        ├── 完整示例.md                 # 两融/K线全推/目标持仓/快速交易/组合套利 模板
        └── 常见问题.md                 # 白名单报错/编码/废单/数据空等高频问题

SKILL.md 是 Skill 的灵魂——它告诉 Agent 遇到什么问题该读哪个文件、生成代码必须遵守哪些硬性约束、回答末尾必须附什么风险提示。这样 Agent 不再凭「记忆」乱写，而是先去知识库里查准了再回答。

四、安装

任选其中一条命令即可：

命令 1：

1

openclaw skills install @he-yang/qmt-knowledge-skill

命令 2：

1

npx skills add https://clawhub.ai/he-yang/skills/qmt-knowledge-skill

装上后，在你的 AI Agent 里直接提问，例如「帮我写一个获取全市场 Tick 的脚本」「passorder 的 prType=11 是什么意思」，Agent 就会自动调用本 Skill 查阅知识库并给出符合 QMT 规范的答案。

五、Skill 内置的代码硬约束（重点）

这是这个 Skill 区别于「直接把 PDF 丢给 DeepSeek」最关键的地方。SKILL.md 里硬编码了以下规则，Agent 生成的所有代码都会自动遵守：

标准代码模板

Agent 生成的代码都会长这样：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

# coding:gbk

"""
功能：双均线策略
模式：回测模型 / 实盘模型
机制：逐K线 handlebar / 订阅 subscribe / 定时 run_time
"""

account = "test"  # 策略交易界面运行时会自动替换为配置账号

def init(ContextInfo):
    """初始化，策略启动时仅执行一次"""
    pass

def handlebar(ContextInfo):
    """逐K线回调，核心策略逻辑"""
    pass

六、高频 API 速览

Skill 里内置了一份 Top 10 高频查询索引，Agent 会优先在这张表里定位：

七、和「PDF 投喂」方案的对比

简单说：PDF 投喂是「一次性参考」，Skill 是「常驻专家」。

八、配合我整理的 QMT 知识库使用

这个 Skill 里的 knowledge/ 目录，其实就是我在 QMT 知识库使用文档 那篇文章里持续维护的 markdown 版本的子集。如果你想要 pdf / html 版本，或者想自己搭一份本地知识库，可以去那篇文章里下载网盘资源。

由于现在券商逐步在关闭 miniQMT 参考，所以这个 Skill 后续也只更新大 QMT 的内容，不再维护 xtquant 部分。

特别说明：资料是从 QMT 官方网站通过 AI 爬取的，大家使用前可以自己和官方的文档对比一下，具体以官方文档为准。

项目地址：https://github.com/he-yang/qmt-knowledge-skill ，MIT 协议开源，欢迎 Issue / PR 一起维护。

量化交易存在巨大风险。本项目仅提供 QMT API 文档的知识结构化整理与 AI Agent 辅助能力：

• 生成的所有策略代码仅供学习参考，不构成任何投资建议
• 实盘交易前务必在「模拟信号模式」或「模拟柜台」中充分验证策略逻辑
• 因使用本项目代码、文档造成的任何盈亏，由使用者自行承担全部责任

QMT、迅投 为迅投公司或其关联公司的商标。本项目仅为社区用户自发整理的非官方知识库。

本博客文章，多次更新过，20260205 更新和 20260811 更新，推荐使用最新的内容。

20260205 更新

今天分享下，讯投QMT和XtQuant知识库的使用文档。你可以前往他们的官方网站查看最新的文档。

本次分享是我在20260205，前往他们的官网一页一页查看，然后另存为pdf格式的技术文档。

PDF格式，比较方便的地方是，你进行全文档搜索，也比较方便投喂给AI人工智能，让AI帮你解决在QMT使用过程中遇到的问题，甚至可以让AI帮你根据文档写量化交易的python代码。参考：使用DeepSeek R1大模型编写迅投 QMT 的量化交易 Python 代码 开始阅读

下载链接1：我用夸克网盘分享了「QMT XtQuant知识库」，点击链接保存到你的网盘，以防丢失。
链接：https://pan.quark.cn/s/a68a9e9ce7d7

下载链接2: https://pan.xunlei.com/s/VOkg0EFYiG0G-L-pBebz2tEcA1?pwd=vhbz# 迅雷云盘。

这个文件夹里面有1个zip压缩包，分别是：

• QMT知识库完整版.pdf （包含了整个知识库的所有内容，可以全文档搜索）
• XtQuant知识库完整版.pdf （包含了整个知识库的所有内容，可以全文档搜索）
• [文件夹]QMT知识库 - 分章节版本（包含了QMT知识库的所有内容，但是每个章节都单独保存为一个pdf文件）
• [文件夹]XtQuant知识库 - 分章节版本（包含了XtQuant知识库的所有内容，但是每个章节都单独保存为一个pdf文件）

20260811 更新

现在有 ai 了，所以抓取技术更方便了，所以准备后续常态性的更新讯投 QMT 知识库，包括

• pdf 格式
• html 格式
• markdown 格式

大家获取后，可以直接投喂给 ai，用于做成 skill 或者自己的本地知识库都可以。投喂给 ai 之后，ai 就能帮我们写量化交易的python代码参考。

我用夸克网盘分享了「QMT XtQuant知识库」，点击链接保存到你的网盘，以防丢失。
链接：https://pan.quark.cn/s/a68a9e9ce7d7

由于现在券商逐步在关闭 miniqmt，所以不再更新 xtquant 的知识库参考，只更新大 qmt 的知识库了。

特别说明： 资料是从 qmt 官方网站通过 ai 爬取的，大家使用前可以自己和官方的文档对比一下，具体以官方文档为准。

现在对IBKR 的这则通知进行解读。

通知原文

Important Update: Your Account Has Been Migrated to New Margin Standards

Dear Client,

As part of FINRA’s new rules replacing the Pattern Day Trading (“PDT”) requirements, your account UXXXXX111 has been successfully migrated from the PDT rule structure to the new Intraday Margin Standards, effective 11-Aug-2026.

What has changed for your account:

• The $25,000 minimum equity requirement for pattern day trading no longer applies to your account
• You are still subject to the standard Reg T $2,000 minimum for trades using margin or short sales
• Your trading activity will now be monitored for Intraday Margin Deficits (“IMD”) rather than day trade counts

What you should know going forward:

• In certain circumstances, trades that reduce your account’s excess liquidity may generate an IMD call
• IMD calls should be satisfied as promptly as possible and ideally within 3 business days
• Failing to satisfy IMD calls on 4 or more occasions within 12 months may result in a 90-day trading restriction across all associated margin accounts

中文翻译

重要更新：你的账户已迁移至新的保证金标准

尊敬的客户：

作为美国金融业监管局（FINRA）新规则的一部分——该规则将取代原有的”日内交易模式”（Pattern Day Trading，简称 PDT）要求——你的账户 UXXXXX111 已成功从 PDT 规则体系迁移至新的日内保证金标准（Intraday Margin Standards），自 2026年8月11日 起生效。

你的账户发生了以下变化：

• 日内交易模式的 25,000美元最低净资产要求 不再适用于你的账户
• 你仍需遵守使用保证金或做空交易时 Reg T 2,000美元的最低资金要求
• 你的交易活动现在将按照 日内保证金赤字（Intraday Margin Deficit，简称 IMD） 进行监控，而不是按照日内交易次数来监控

你需要注意的后续事项：

• 在某些情况下，减少你账户超额流动性的交易可能会触发 IMD 追缴通知
• IMD 追缴应尽快满足，理想情况下在 3 个工作日内 完成
• 如果 12 个月内累计 4 次或以上 未能满足 IMD 追缴要求，可能会导致所有关联保证金账户被限制交易 90 天

背景：PDT 规则是什么？为什么要改？

旧的 PDT 规则

PDT（Pattern Day Trading）是 FINRA 长期执行的一项规则，核心逻辑很简单：

• 如果你在 5 个交易日内进行了 4 次或以上 日内交易（当天买入又卖出同一只股票），你就会被标记为”日内交易模式交易者”（Pattern Day Trader）。
• 一旦被标记，你的账户净资产必须保持在 25,000 美元以上，否则无法进行日内交易。
• 如果你的资金在 2,000 到 25,000 美元之间，你最多只能在 5 个交易日内做 3 次日内交易，第 4 次就会触发 PDT 限制。

这个规则对小散户非常不友好——很多人根本不需要做高频日内交易，只是偶尔 T+0 做一两次，一不小心就触发了限制。

新规的变化

2026 年 6 月，美国证监会（SEC）发布了新规，决定取消 PDT 规则中 25,000 美元的最低净资产门槛，代之以新的日内保证金赤字（IMD）监控机制。各券商有 18 个月的过渡期来落实这项政策调整。

盈透证券（IBKR）在 2026 年 8 月 11 日正式完成了对你的账户迁移。

对普通小散户的影响

好消息：25,000 美元门槛取消了

这是最大的利好。对于资金量在 2,000～25,000 美元之间 的小散户来说，你不再因为”做了 4 次日内交易”就被系统判定为 PDT 账户。这意味着你理论上可以比之前更自由地进行日内交易，而不必担心被标记后触发 25,000 美元的硬性门槛。

仍需注意：2,000 美元底线还在

虽然 25,000 美元的门槛取消了，但 Reg T 的 2,000 美元最低保证金要求仍然存在。如果你的账户权益低于 2,000 美元，你仍然无法使用保证金交易或做空。这点和之前一样，没有变化。

新风险：IMD 追缴机制

这是新规中需要你重点关注的部分。以前系统只数你做了几次日内交易，现在系统会实时关注你的 账户流动性是否被消耗到危险水平。

具体来说：

• 什么情况会触发 IMD？ 当你进行的一些交易导致账户的”超额流动性”（Excess Liquidity）下降甚至为负时，就可能产生 IMD 追缴通知。简单理解：你的账户净值扣除已占用保证金后，剩余可用于缓冲的额度变少了，系统就会提醒你。
• 多快要补上？ 官方建议 3 个工作日内 补齐。可以通过入金、卖出持仓等方式提高账户的流动性。
• 不补有什么后果？ 如果在 12 个月内累计 4 次或以上 未按时满足 IMD 追缴，所有关联的保证金账户将被限制交易 90 天。这个后果比以前的 PDT 限制更严重——以前只是限制日内交易，现在是全面禁止交易。

小散户实操建议

1. 不要因此放松风险管理

虽然 PDT 的 25,000 美元门槛取消了，但新规的 IMD 机制实际上对账户流动性的要求可能更严格。以前的规则只看交易次数，新规则看的是你的账户实际”还剩多少缓冲”。频繁日内交易导致保证金被反复占用，更容易触发 IMD。

2. 关注账户的”Excess Liquidity”（超额流动性）

在 IBKR 客户端中，经常查看账户的超额流动性指标。如果发现某笔交易后该数值大幅下滑，及时考虑减仓或入金。

3. 收到 IMD 通知后尽快处理

如果 IBKR 向你发送了 IMD 追缴通知（通常通过邮件或客户端弹窗），尽快处理，不要拖。最迟在 3 个工作日内完成。处理方式包括：

• 入金补充资金
• 卖出部分持仓，释放占用的保证金
• 减仓降低杠杆

4. 控制日内交易频率

虽然没有 25,000 美元的硬门槛了，但频繁日内交易会快速消耗账户流动性，增加触发 IMD 的概率。对于普通小散户来说，控制日内交易频率、避免过度交易仍然是最好的策略。

5. 现金账户不受此规则影响

如果你的账户是现金账户（Cash Account），上述 PDT 和 IMD 规则都不适用于你。现金账户不能使用杠杆，自然也不会产生保证金赤字。但现金账户在交易结算上有自己的限制（T+2 交割），需要等资金交割完成才能再次使用。

总结

核心结论： 新规对于资金量在 2,000～25,000 美元的小散户来说，日内交易限制有所放松，但同时引入了更实时的流动性监控机制。关键是要注意账户的超额流动性，避免频繁触发 IMD 追缴。对于大多数不追求高频日内交易的普通投资者来说，这个变化基本是中性偏利好的，只要注意不要过度交易即可。

本文写于 2026 年 8 月 11 日

量化交易存在巨大风险。本项目仅提供 QMT API 文档的知识结构化整理与 AI Agent 辅助能力：

• 生成的所有策略代码仅供学习参考，不构成任何投资建议
• 实盘交易前务必在「模拟信号模式」或「模拟柜台」中充分验证策略逻辑
• 因使用本项目代码、文档造成的任何盈亏，由使用者自行承担全部责任

QMT、迅投 为迅投公司或其关联公司的商标。本项目仅为社区用户自发整理的非官方知识库。

迅投QMT门槛

迅投QMT量化交易系统是一款基于python语言开发的程序化交易（量化交易）平台，它提供了丰富的量化交易功能，包括策略开发、回测、实盘交易等。

迅投QMT量化交易系统的门槛相对较低，只需要具备一定的python编程基础，资金门槛也比较低，就可以开始使用。现在一些大语言模型也可以帮你编写代码了。

迅投QMT还是比较适合入门级和中级个人投资者的，如果是那种特别专业的个人投资者或者机构的投资者，不一定会选择迅投QMT，还有其他的量化交易平台，比如大家经常能在龙虎榜上面看到的华鑫某某某，当然华鑫的门槛会更高，对资金和对技术能力都会有更高的门槛。不过最近上交所据说已经被取消了内网直连，所以可能华鑫某某某的优势好像有降低一些，不知道选择 QMT 的人会不会因此增多。

开通QMT的方法

首先就是开通一个券商，选择的券商要能支持QMT的接入，然后开通QMT的账号，就可以开始使用了。有一些券商基本没什么开户门槛，就能开通QMT，如果有需要，可以通过底部的微信二维码，与我联系。

开户qmt

QMT交易的权限，券商那边是管控的，一般来说股票、可转债的是门槛比较低的，只需要编写一些策略文件等就可以开通了。如果要开通ETF期权的交易权限，那么资金量就要求比较高了，需要提交的文书也特别复杂。

QMT的安装

安装包要从你的券商那里下载，一定不要随便从网上自己下载。千万不要轻信第三方提供的安装包。安装很简单，就和平时安装一个软件一样。要使用windows的平台设备， win 10, win 11 , win server等。

我这边提供一个供你参考研究的安装包，是某金证券的QMT安装包。下载时间是20260407，是这个时间对应的最新版本。仅供学习研究使用，如果开始交易，请务必直接从券商那边获取正规的安装包，不要轻信他人提供的安装包。网盘链接

QMT的登陆

需要从自己的券商那里获取，有一个用户名和一个密码，然后登陆即可。一般在开通QMT交易权限的时候，券商会告诉你用户名和密码。

Python版本

QMT策略编写使用的语言是python，版本为3.6。如果完全不懂python的话，要么赶紧学习，要么这个帖子就是一个劝退帖。他并不是那种点一点鼠标就能写策略的，必须要有python编写能力。在使用python包的时候，要注意版本问题，因为QMT里面内置的python版本是3.6，所以在编写策略的时候，要注意使用的python包的版本是否支持3.6。

关于线程和进程

QMT中，python无法使用多线程和多进程，所有策略都在同一线程中执行，所以策略中应该尽量避免阻塞类的写法，否则会影响其他策略的执行。

QMT自带python库

QMT里面内置了一些常用的python库，包括：

• numpy, pandas, patsy, scipy, statsmodels, TA_Lib
  其中多种指标如 ADX, MACD, RSI, 布林轨道等；K 线形态识别，如黄昏之星，锤形线等等可以使用TA_Lib库。

如果你想要使用其他的python库，有的券商qmt是支持自行安装的，有的可能需要联系券商给你打开权限。可以先自行尝试安装，要是不行就问问客户经理是不是不让自己安装。详细的安装方法可以参考我的文章 迅投QMT量化交易系统-如何正确安装Python库。

QMT自带策略

QMT里面自带了一些策略，包括：

• 均线策略
• 日内交易策略
• 国债逆回购策略

等等，当然这些仅供参考，基本上大家都要自己编写自己的策略。不过有了这些自带策略作为例子，学习起来会轻松很多。

QMT的行情数据

量化策略离不开行情数据，QMT 提供了历史行情数据下载与本地缓存的能力。在实盘运行前，建议先把所需品种的历史K线、tick数据下载到本地，这样回测和策略初始化时才不会因为数据缺失而报错。同时合理地管理本地缓存，可以减少重复下载、提升策略运行效率。

• 讯投QMT使用小技巧: 历史行情数据下载与本地缓存方案 开始阅读

QMT的下单与回调

QMT 的交易接口是异步的，下单后不会立刻返回成交结果，需要通过回调函数来获取委托和成交的状态更新。其中 passorder 是最核心的下单函数，参数较多，新手容易踩坑；而 order_callback（委托回调）和 deal_callback（成交回调）则是获取订单状态变化的关键。

• 讯投QMT使用小技巧: 下单函数 passorder 参数详解与实战 开始阅读
• 讯投QMT使用小技巧: 委托回调 order_callback 与成交回调 deal_callback 的正确用法 开始阅读

QMT的运行环境

需要一台Windows电脑，win10, win11, 也可以使用云服务器 win server，电脑的性能取决于你自己的策略，如果策略的数量不多，且策略并不复杂，其实普通的电脑都没有问题。对于新手来说，完全可以使用一台现有的电脑开始使用，如果后面上了复杂的策略，慢慢的再增加性能更好的电脑硬件。我自己的策略比较简单，我把我的电脑的一些硬件，比如USB接口只开启了一个，声卡什么用不到的硬件都关闭了，只保留了必须的硬件，这样可以保证电脑的性能，也可以保证电脑的稳定性，同时电耗也会比较低，目前我的电耗每天不到0.5度。

• 我的帖子，分享如何低成本的选择迅投QMT的服务器/电脑，低成本运行？ 开始阅读

QMT的运行，很多时候，我们并不是一直盯着的，会需要在电脑上/云服务器上面安装一个远程协助软件，这样可以随时远程连接到QMT，然后进行一些操作。

QMT与手机的通信

QMT与手机的通信是非常重要的，因为很多时候，QMT运行的电脑并不是实时由人工监管的，可能会出现程序报错，或者策略不符合预期等。我们需要在程序中添加代码，将错误信息通过短信、邮件、app推送等方式通知发送到手机，这样我们可以及时的处理出现的问题。

目前常用的方法有：

• 短信推送 （要收费）
• 邮件推送 具体方法详见我的博客文章qmt-email-notification
• 飞书推送
• 微信推送 具体方法详见我的博客文章QMT推送发送消息到微信的几种方案
  等等

除了被动接收策略发来的消息之外，建议再搭配一个”心跳报警”机制，定时向手机汇报 QMT 进程的存活状态，一旦 QMT 进程异常退出或断线，你就能第一时间收到告警，避免无人值守时出现问题而不知情。

• 讯投QMT使用小技巧: 运行状态监控与心跳报警 开始阅读

远程操作QMT电脑

有时候，我们需要远程操控QMT的电脑，可以通过一些远程的操作软件，比如teamviewer, 向日葵等。如果你是在远程服务器上面运行QMT，那么你咨询一下服务器的供应商，如何进行远程连接。

一些Bug与解决方案

关于这个bug我又单独的写了两个文章，一个是关于QMT的服务器延迟问题，一个是关于QMT的账号成交状态变化主推 deal_callback() ， 当账号成交状态有变化时，这个函数被客户端调用。

迅投QMT量化交易系统服务器连接 中断与再连接 开始阅读

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 开始阅读

QMT量化交易系统中的 账号成交状态变化主推 deal_callback() ， 当账号成交状态有变化时，这个函数被客户端调用。

在使用的过程中发现，deal_callback() 函数在会被调用多次，后来咨询国金证券QMT的工作人员后，才发现，会在至少如下两种情况下调用：

1. 当账号成交状态有变化时，会调用 deal_callback() 函数。
2. 当网络出现中断之后，QMT系统与服务器重新连接的时候，会调用 deal_callback() 函数, 并且把当日的所有成交全部都推送一遍。

因此务必不可以相信 deal_callback() 函数的推送数据，因为 deal_callback() 函数的推送数据可能是重复推送的。为了解决这个问题，我们需要自己建立数据库，去记录每一次下单，下单的成交状态。后续所有的下单，都要基于自己的数据库数据，不可相信QMT的推送数据。

关于 order_callback 和 deal_callback 的完整用法、区别以及避免重复处理成交的实践，可以参考我单独写的文章：

讯投QMT使用小技巧: 委托回调 order_callback 与成交回调 deal_callback 的正确用法 开始阅读

下单函数 passorder 是与回调配合使用的关键，参数含义和实战示例可以参考：

讯投QMT使用小技巧: 下单函数 passorder 参数详解与实战 开始阅读

如下摘取自迅投QMT的官方文档：

下单与回报相关

为保证以尽快的速度执行交易信号, qmt 客户端提供的交易接口是异步的, 以快速交易参数填2的passorder函数为例，调用后会立刻发出委托, 然后返回。不会等待委托回报, 也不会阻塞python线程的运行。

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。python提供的取账号信息接口 get_trade_detail_data， 与四种交易回调函数, 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)

QMT 所有策略是在同一个线程中被调用的，任意一个策略阻塞线程(死循环 sleep 加锁等操作)会导致所有策略的执行被阻塞，所以不能在策略里写等待操作。如需要多线程 / 多进程的用法，可以使用极简模式配合 xtquant 库使用

deal_callback()没有被调用
deal_callback() 函数没有被调用，或者定义了deal_callback() 函数，收不到推送数据，可能是因为没有在初始化的时候，设置set_account()函数。要先在init里调用ContextInfo.set_account后生效
另外，推送仅在实盘运行模式下生效。

1
2
3
4

def init(ContextInfo):
    # 设置对应的资金账号
    # 示例需要在策略交易界面运行
    ContextInfo.set_account(account)

MiniQMT 与极简模式

除了完整版的 QMT 客户端之外，迅投还提供了 MiniQMT（极简模式），配合 xtquant 库使用，可以绕开 QMT 全功能客户端，在自己的 Python 环境里调用行情和交易接口。这种方式更灵活，也支持多线程/多进程，适合有一定开发能力的用户。

需要注意的是，MiniQMT 同样依赖券商开通权限，并且网上时不时会有”MiniQMT 即将被关闭”的传闻。如果你正在使用或打算使用 MiniQMT，建议先了解一下实际情况和应对方案：

网传 MiniQMT 将被关闭？事实核查与应对指南（2026 版） 开始阅读

定时任务与每天重置

QMT 在每个交易日开盘前会进行一些初始化操作，很多策略也需要在每个交易日开始时重置全局状态、清理缓存、重新下载数据等。利用 QMT 提供的定时任务机制（如 run_time），可以让策略在指定时间自动执行这些操作，避免每天手动干预。

• 迅投QMT交易终端小技巧-每天代码重置与定时任务设置 开始阅读

本文更新于2026年8月12日

很多朋友在做跨境电商、海外投资（如美股、港股）、海淘、留学缴费或向海外亲友汇款时，都会遇到一个共同的难题：没有一个海外账户可以收付款。

专门飞一趟香港、新加坡或美国去开银行账户，时间成本和差旅成本都很高，而且有些地区开户还需要地址证明、高额的最低存款门槛，甚至需要预约排队。

那么，仅凭中国大陆居民身份证，能不能开一个海外账户/钱包？

答案是：可以。目前最主流、最方便的方案就是 Wise（原 TransferWise）。本文重点介绍 Wise，并附上官方开户链接和完整流程。

Wise：身份证即可开户的海外多币种钱包

Wise 是一家总部位于英国伦敦的全球知名金融科技公司，在全球拥有数千万用户。它最大的优势是：中国大陆用户凭居民身份证即可在线开设海外多币种账户，全程无需出国、无需护照（部分后续操作可能用到护照，详见下文）。

👉 Wise 官方开户链接

开户链接：https://wise.com/invite/ahpc/f0epglc

通过此链接注册，您和邀请人都可以获得 Wise 的推荐奖励，目前是 4500 元的手续费减免（具体奖励以 Wise 官方当时活动为准）。

Wise 钱包的核心优势

1. 开户门槛低

   • 仅需中国居民身份证
   • 全程在线完成，无需前往银行
   • 几分钟即可完成注册

2. 支持 50+ 种货币

   • 美元（USD）、欧元（EUR）、港币（HKD）、英镑（GBP）
   • 澳元（AUD）、加元（CAD）、日元（JPY）、新加坡元（SGD）
   • 以及其他 50 多种货币

3. 获得真实的银行账户信息

   • 开户后，您会得到每个币种对应的真实银行账号、Routing Number、SWIFT 等信息
   • 例如美元账户可接收来自美国本地 ACH 转账
   • 港币账户由 DBS 香港提供支持，可接收本地 FPS 转账

4. 费用透明、汇率公道

   • 无月度管理费
   • 转账费用提前展示，无隐藏收费
   • 采用中间市场汇率，不赚汇率差价

5. 功能丰富

   • 接收海外平台收款（如 PayPal、Amazon、Stripe 等）
   • 向全球汇款
   • Wise 借记卡（部分地区用户可申请，用于线上/线下消费）

Wise 开户完整流程

第 1 步：访问 Wise 官网注册

点击上面的开户链接：https://wise.com/invite/ahpc/f0epglc，使用邮箱注册账户，设置登录密码。

第 2 步：选择居住国家

注册时，居住国家选择”中国大陆”。Wise 明确支持中国大陆居民身份证开户。

第 3 步：填写个人信息

• 填写真实姓名（与身份证一致）
• 填写出生日期、地址等基本信息
• 选择”个人”账户类型
• 填写职业和收入来源（如实填写即可）

第 4 步：上传身份证完成实名认证

• 上传中国身份证正反面照片（确保清晰、四角完整）
• 部分用户可能需要完成人脸识别验证
• 等待审核，通常几分钟到几个小时内完成

第 5 步：账户激活，开始使用

审核通过后，登录账户即可看到各个币种的”收款账户”信息，您可以：

• 把美元账户信息发给海外付款方，接收美元汇款
• 把港币账户信息发给香港付款方，接收港币汇款
• 在不同币种之间兑换（按中间汇率，费用很低）

第 6 步（重要）：将中文姓名改为拼音

使用身份证开户后，账户名称默认是中文。但很多海外银行系统不支持中文字符，可能导致收款失败。建议开户后立即将姓名修改为拼音。

详细的改名教程请参考本博客另一篇文章：Wise 账户名称修改指南 - 如何将中文名改为拼音

注意：改名为拼音通常需要提供护照扫描件，建议提前准备好护照。

为什么推荐 Wise 而不是其他方案？

Wise 在”门槛低 + 货币多 + 费用透明”三个维度上综合表现最好，是最适合普通用户的海外账户/钱包方案。

注意事项

1. 入金限制

   • 内地 Wise 账户暂不支持直接用人民币入金
   • 需通过外币转账（如从国内银行购汇后汇出）向 Wise 账户充值

2. 使用场景定位

   • 适合中小额跨境收付款、过渡性资金中转
   • 不适合长期存放大额资金（非银行存款，不受存款保险保护）
   • 主要用于收款、付款、汇兑，而非储蓄

3. 合规申报

   • 个人外汇业务需遵守中国国家外汇管理局相关规定
   • 年度便利化额度内购汇汇出需符合规定用途

4. 姓名格式

   • 港币账户（DBS 香港）建议姓在前：Zhang San
   • 其他币种账户建议名在前：San Zhang
   • 详见：Wise 收款姓名拼音顺序指南

常见问题

Q: Wise 开户真的只需要身份证吗？

A: 是的，注册和实名认证仅需中国大陆居民身份证。但后续如果要把姓名改成拼音，通常需要提供护照。

Q: Wise 账户里的钱安全吗？

A: Wise 受英国金融行为监管局（FCA）等监管机构监管，客户资金独立托管存放于 Barclays、JP Morgan 等大型银行，与 Wise 自有资金隔离。但请注意它不是银行存款，不享受银行存款保险，因此不建议存放过大金额。

Q: 可以用 Wise 收 Amazon、PayPal 的钱吗？

A: 可以。Wise 提供的美元账户带有真实的美国本地银行账号和 Routing Number，可以绑定 Amazon、PayPal、Stripe 等平台作为收款账户。

Q: 从国内怎么把钱转进 Wise 账户？

A: 在国内银行购汇后，通过电汇（SWIFT）将外币转入 Wise 提供的对应币种账户。具体操作可咨询您的国内银行。

Q: 开户后多久能用？

A: 实名认证审核通常几分钟到几小时，通过后即可立即获得收款账户信息并开始使用。

总结

如果你需要一个仅凭中国身份证就能开设的海外账户/钱包，Wise 是目前综合体验最好的选择：

• ✅ 身份证即可开户，无需出国
• ✅ 50+ 种货币，一个账户搞定多币种收付
• ✅ 真实的银行账户信息，可绑定海外平台收款
• ✅ 费用透明，中间汇率，无隐藏收费

📌 立即开户：https://wise.com/invite/ahpc/f0epglc

无论是跨境电商收款、海外投资资金中转、留学缴费还是个人跨境汇款，Wise 都能提供便捷、低成本的解决方案。开户后记得第一时间把姓名改成拼音，避免后续收款出现问题。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

概述

策略上线后，最朴素的诉求就是”出事的时候手机能响一下”。邮件方案在 邮件推送 里讲过了，但邮件有个问题：到达手机的即时性依赖邮箱 App 的推送策略，有时会延迟几分钟甚至几十分钟。而微信几乎是国人打开频率最高的 App，把告警直接送到微信，体验会好很多。

本文整理 QMT 策略中可用的几条微信推送通道——Server酱、企业微信群机器人、WxPusher、PushPlus，给出统一封装的工具类和 QMT 集成示例，并和 运行状态监控与心跳报警 配合，构成完整的告警链路。

一、方案选型

选型建议：个人单策略选 Server酱或 PushPlus，多策略/团队选企业微信群机器人。企业微信群机器人不需要个人开通企业微信会员，建个只有自己的群也能用。

二、Server酱：最简单的方案

Server酱（sct.ftqq.com）走的是「一个 HTTP 请求 = 一条微信消息」的模式，整个接入只需要一个 SendKey。

步骤

1. 访问 sct.ftqq.com，微信扫码登录
2. 在「SendKey」页面拿到 SCT**** 开头的 key
3. 在「微信推送」页面扫码绑定要接收消息的微信号
4. 调用接口

代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

# wechat_utils.py
# -*- coding: utf-8 -*-
import requests

SERVERCHAN_KEY = "SCT****your_send_key****"

def send_serverchan(title, content=""):
    """
    通过 Server酱 推送到微信
    :param title: 消息标题（必填，最长 32）
    :param content: 消息内容，支持 Markdown
    :return: 是否发送成功
    """
    url = f"https://sctapi.ftqq.com/{SERVERCHAN_KEY}.send"
    try:
        r = requests.post(url, data={"title": title, "desp": content}, timeout=10)
        return r.json().get("code") == 0
    except Exception as e:
        print(f"Server酱推送失败: {e}")
        return False

Server酱免费版每天 5 条，对监控告警来说偏少。要么升级 Turbo 版，要么配合下面的节流策略只用它发关键告警。

三、企业微信群机器人：多策略群告警

企业微信群机器人不需要企业认证，建一个群、加个机器人就能拿到 Webhook URL，最适合把多个策略的告警集中到一个群里。

步骤

1. 在企业微信里建一个群（自己一个人的群也行）
2. 群设置 → 群机器人 → 添加机器人 → 起个名字
3. 复制 Webhook 地址，形如 https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=xxx

文本消息

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import requests

WECOM_WEBHOOK = "https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key=your_key"

def send_wecom_text(content, mentioned_list=None):
    """
    发送文本消息
    :param content: 文本内容
    :param mentioned_list: 需要@的用户ID列表，['@all'] 表示@所有人
    """
    data = {
        "msgtype": "text",
        "text": {
            "content": content,
            "mentioned_list": mentioned_list or [],
            "mentioned_mobile_list": []
        }
    }
    try:
        r = requests.post(WECOM_WEBHOOK, json=data, timeout=10)
        return r.json().get("errcode") == 0
    except Exception as e:
        print(f"企业微信推送失败: {e}")
        return False

Markdown 消息

告警内容用 Markdown 排版会清晰很多：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

def send_wecom_markdown(content):
    """
    发送 Markdown 消息（企业微信群机器人支持有限 Markdown 语法）
    """
    data = {
        "msgtype": "markdown",
        "markdown": {"content": content}
    }
    try:
        r = requests.post(WECOM_WEBHOOK, json=data, timeout=10)
        return r.json().get("errcode") == 0
    except Exception as e:
        print(f"企业微信推送失败: {e}")
        return False

# 使用示例
msg = """## QMT 告警
> **策略**: 双均线
> **账号**: 600000
> **时间**: 2026-08-04 14:30

**事件**: 账号掉线
<font color="warning">请及时检查</font>"""
send_wecom_markdown(msg)

企业微信群机器人支持 <font color="info|comment|warning"> 给文字上色，warning 是橙红色，比较醒目。

四、WxPusher / PushPlus

两者都是「关注公众号 → 注册拿 token → HTTP 调接口」的模式，用法和 Server酱 类似，只是接口参数不同。

WxPusher

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

WXPUSHER_TOKEN = "your_app_token"

def send_wxpusher(title, content):
    url = "https://wxpusher.????.com/api/send/message"
    data = {
        "appToken": WXPUSHER_TOKEN,
        "content": content,
        "summary": title,             # 消息摘要（必填，否则推送列表里显示空白）
        "contentType": 1,             # 1=文本, 2=html, 3=markdown
        "topicIds": [],               # 主题ID，可留空
        "uids": ["your_uid"]          # 目标用户UID，在公众号「我的」里查
    }
    try:
        r = requests.post(url, json=data, timeout=10)
        return r.json().get("success")
    except Exception as e:
        print(f"WxPusher 推送失败: {e}")
        return False

PushPlus

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

PUSHPLUS_TOKEN = "your_token"

def send_pushplus(title, content, template="html"):
    url = "http://www.pushplus.plus/send"
    data = {
        "token": PUSHPLUS_TOKEN,
        "title": title,
        "content": content,
        "template": template           # html / json / markdown
    }
    try:
        r = requests.post(url, json=data, timeout=10)
        return r.json().get("code") == 200
    except Exception as e:
        print(f"PushPlus 推送失败: {e}")
        return False

五、统一封装：notify.py

不同渠道接口不同，但策略代码只想关心「发条消息」。封装一个统一的 notify，支持渠道切换、节流、容错：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

# notify.py
# -*- coding: utf-8 -*-
import time
import threading

class Notifier:
    def __init__(self, default_channel="serverchan"):
        self.default_channel = default_channel
        self._last = {}                # (channel, key) -> ts
        self._lock = threading.Lock()

    def _throttle(self, channel, key, cooldown=600):
        """同一类消息 cooldown 秒内只发一次，避免刷屏"""
        k = (channel, key)
        now = time.time()
        with self._lock:
            if now - self._last.get(k, 0) < cooldown:
                return False
            self._last[k] = now
            return True

    def send(self, title, content="", channel=None, key=None, cooldown=600):
        """
        发送消息
        :param title: 标题
        :param content: 内容
        :param channel: 渠道，默认 self.default_channel
        :param key: 节流键，默认用 title；同一 key 在 cooldown 内只发一次
        :param cooldown: 节流秒数，默认 600 秒
        """
        channel = channel or self.default_channel
        key = key or title
        if not self._throttle(channel, key, cooldown):
            print(f"[notify] 节流命中，跳过: {title}")
            return False

        try:
            if channel == "serverchan":
                return send_serverchan(title, content)
            elif channel == "wecom":
                return send_wecom_text(f"{title}\n{content}")
            elif channel == "wecom_md":
                return send_wecom_markdown(f"## {title}\n{content}")
            elif channel == "wxpusher":
                return send_wxpusher(title, content)
            elif channel == "pushplus":
                return send_pushplus(title, content)
            else:
                print(f"[notify] 未知渠道: {channel}")
                return False
        except Exception as e:
            # 告警本身失败不能影响策略
            print(f"[notify] 发送异常: {e}")
            return False

notifier = Notifier(default_channel="serverchan")

def notify(title, content="", **kwargs):
    """供策略调用的统一入口"""
    return notifier.send(title, content, **kwargs)

把 notify.py 放到 QMT 安装目录的 python 文件夹下，所有策略都能引用，路径配置见 公共代码的编写与引用。

六、在 QMT 策略中集成

示例 1：策略启动通知

1
2
3
4
5
6

from notify import notify

def init(C):
    C.set_account(account)
    # 开盘前推送一条，确认策略已加载
    notify("QMT 策略启动", f"账号 {account} 策略已启动")

示例 2：成交回调通知

成交是发通知的最佳时机——不是”下单了”就发，而是”真成交了”才发，避免被废单打扰。成交回调用法详见 成交回调：

1
2
3
4
5
6
7
8
9
10
11

from notify import notify

def deal_callback(C, dealInfo):
    code = dealInfo.m_strInstrumentID
    if code.startswith('6'):
        code += '.SH'
    else:
        code += '.SZ'
    side = '买入' if dealInfo.m_nOffset == 48 else '卖出'
    msg = f"{side} {code}\n价格 {dealInfo.m_dPrice}\n数量 {dealInfo.m_nVolume}"
    notify("成交回报", msg)

示例 3：异常巡检告警

和 心跳报警 的巡检结合，发现异常立刻推微信：

1
2
3
4
5
6

def patrol(C):
    problems = []
    # ... 巡检逻辑，发现异常追加到 problems ...
    if problems:
        notify("QMT巡检异常", "\n".join(problems),
               channel="wecom_md", key="patrol", cooldown=600)

这里 key="patrol" 把所有巡检异常归并到同一个节流桶，10 分钟内不会因为同一个巡检任务刷屏。不同问题想分开告警，就给不同的 key。

示例 4：收盘日报

1
2
3
4
5
6
7
8
9
10
11
12
13

def init(C):
    # 每个交易日 15:05 推送日报
    C.run_time('daily_report', '1nDay', '20260101 15:05:00')

def daily_report(C):
    acc = get_trade_detail_data(account, accountType, 'account')[0]
    holdings = get_trade_detail_data(account, accountType, 'position')
    md = f"## 收盘报告\n> 账号 {account}\n\n"
    md += f"- 可用资金: {acc.m_dAvailable:.2f}\n"
    md += f"- 持仓数: {len(holdings)}\n\n"
    for h in holdings:
        md += f"- {h.m_strInstrumentID}: {h.m_nVolume}股 浮盈{h.m_dProfit:.2f}\n"
    notify("收盘报告", md, channel="wecom_md", cooldown=0)  # 日报不节流

run_time 定时任务的写法见 每天代码重置与定时任务。

七、常见坑

1. QMT 内置 Python 缺 requests：QMT 自带的 Python 环境通常已包含 requests，但版本可能较旧。若提示 No module named 'requests'，按 安装第三方库 装一下，或用标准库 urllib 改写。
2. 超时阻塞策略：HTTP 请求默认会阻塞，务必传 timeout=10，并放在 run_time 任务或回调里发，别放 handlebar 高频路径。
3. 频率超限：Server酱免费版 5 条/天，企业微信 20 条/分钟。监控类告警务必节流，否则一天的额度几分钟就刷光。
4. 中文编码：JSON body 用 json= 传参会自动处理；用 data= 传 form 时注意 requests 会按 utf-8 编码，一般没问题，但日志里打印 content 别用 gbk 控制台，会报错。
5. 告警本身失败：所有推送函数都要 try/except 兜底，告警挂了不能拖垮策略。notify 已经做了这层保护。
6. 关键告警走多通道：账号掉线、重复下单风险这种关键告警，建议同时发 Server酱（个人微信）和企业微信群，避免单通道故障漏报。

八、和邮件方案的关系

邮件（邮件推送）和微信不是二选一，而是互补：

• 微信：即时性强、阅读率高，适合异常告警、成交回报、关键事件。
• 邮件：留档性好、可带附件、可发长报告，适合日报、周报、详细日志。

推荐组合：实时事件走微信，日报兜底走邮件。notify 封装里再加一个 email 渠道，调用 email_utils.send_qmt_email 即可统一入口。

总结

把消息推到微信，QMT 策略就有了”会叫的watchdog”：

• 个人单策略用 Server酱，多策略/团队用 企业微信群机器人，需要一对多用 WxPusher/PushPlus。
• 统一封装到 notify.py，支持渠道切换、节流、容错。
• 集成到 init（启动通知）、deal_callback（成交回报）、patrol（巡检告警）、daily_report（收盘日报）四个时机。
• 关键告警走多通道，实时走微信、留档走邮件。

配合 运行状态监控与心跳报警 的心跳/巡检/watchdog体系，整套 QMT 运维闭环就齐了——出事手机能响，没事每天一报，安心睡觉。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

概述

写策略离不开历史数据：算指标要 K 线，做回测要序列，分析 tick 要分笔。但 QMT 的历史数据不是天然就躺在本地的——它需要你主动「下载」并「订阅」。很多新手第一次跑策略报「数据长度不足」或者拿到一堆空值，十有八九就是没下载历史数据，或者用错了取数函数。

本文把下载、订阅、取数、缓存四件事一次讲清楚。

一、下载历史数据：download_history_data

QMT 的历史数据是按需下载的。你不去下载，get_history_data / get_market_data_ex 拿到的可能就是空或者很短的片段。

1
2
3
4

def init(C):
    stock = '600000.SH'
    # 下载日线历史数据，从2020-01-01到今天
    ContextInfo.download_history_data(stock, '1d', '2020-01-01', '')

1

ContextInfo.download_history_data(stockcode, period, start_time, end_time)

• stockcode：带后缀的代码，如 '600000.SH'；也可以传 '000001.SZ' 这种。
• period：周期，'1d' 日线、'1m' 分钟线、'tick' 分笔。
• start_time / end_time：格式 '2020-01-01' 或 '20200101'，end_time 传空串表示到最新。

下载时机

• 回测前：把回测区间内的数据一次性下载好，否则回测会因缺数据报错或拿空值。
• 实盘 init 时：下载策略所需的历史窗口（比如 60 日均线就至少下载 60 个交易日）。
• 多股票时：循环下载，但别在 handlebar 里下载，那会阻塞行情处理。下载放 init 或定时任务里。

批量下载的小技巧

下载是同步且较慢的操作，几百只股票一个个下会很卡。可以做成「下载进度可恢复」：

1
2
3
4
5
6
7
8
9
10
11

def download_batch(C, stocks, period='1d', start='2020-01-01'):
    done = []
    for i, s in enumerate(stocks):
        try:
            C.download_history_data(s, period, start, '')
            done.append(s)
        except Exception as e:
            print(f"下载失败 {s}: {e}")
        if i % 50 == 0:
            print(f"进度 {i}/{len(stocks)}")
    return done

二、订阅行情：set_universe vs subscribe_quote

下载的是历史数据，实盘要拿实时行情还需要订阅。

set_universe（订阅K线行情）

1
2

def init(C):
    C.set_universe(['600000.SH', '000001.SZ'])

set_universe 订阅之后，handlebar 才会被这些品种的 K 线推动，get_market_data_ex 才能拿到实时值。这是绝大多数策略用的方式。

subscribe_quote（订阅实时tick/盘口）

1
2

def init(C):
    C.subscribe_quote('600000.SH', 'tick', count=10)

适合需要逐笔或盘口深度数据的策略。注意全市场订阅 tick（全推）数据量巨大，按需订阅即可。

订阅和下载是两件事：下载管历史，订阅管实时。实盘策略通常两者都要。

三、取数：get_history_data 与 get_market_data_ex

get_history_data（取单个品种的某个字段序列）

来自官方示例的写法：

1
2

data = C.get_history_data(30, '1d', 'close', dividend_type='front_ratio')
close_list = data['600000.SH']   # 长度30的收盘价序列

• 第一个参数：取多少根。
• 第二个：周期。
• 第三个：字段，'close'/'open'/'high'/'low'/'volume'/'amount'。
• dividend_type：复权类型，详见 复权数据怎么选。

get_market_data_ex（多品种多字段的 DataFrame）

1
2
3

bars = C.get_market_data_ex(['close', 'volume'], ['600000.SH', '000001.SZ'],
                            period='1d', count=60)
df = bars['600000.SH']   # 一个DataFrame，含close、volume列

适合一次取多只股票、多个字段、要 DataFrame 形态的场景。

四、本地缓存：避免重复取数

get_history_data 每次调用都会走一次数据接口，在 handlebar 高频路径里反复取 60 日数据非常浪费。建议把算好的指标或取好的序列缓存起来，只在需要时刷新。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

class a(): pass
A = a()

def init(C):
    A.cache = {}          # stock -> {'data':..., 'barpos':...}
    C.set_universe(['600000.SH'])

def handlebar(C):
    if not C.is_last_bar():
        return
    stock = '600000.SH'
    barpos = C.barpos
    # 同一根bar只取一次数
    if A.cache.get(stock, {}).get('barpos') != barpos:
        close = C.get_history_data(60, '1d', 'close', dividend_type='front_ratio')[stock]
        A.cache[stock] = {'data': close, 'barpos': barpos}
    close = A.cache[stock]['data']
    ma60 = sum(close) / len(close)
    # ...

这种「按 barpos 缓存」的写法，保证一根 K 线内多次访问只取数一次，是实盘性能优化的关键。

落地到本地文件/数据库

如果数据量更大（比如全市场日线、多年 tick），可以下载后落到本地 parquet/csv 或 SQLite，下次直接读本地，不再依赖 QMT 接口：

1
2
3
4
5
6
7
8
9
10

import pandas as pd

def save_local(stock, df, path='./data/'):
    df.to_parquet(f"{path}{stock.replace('.','_')}.parquet")

def load_local(stock, path='./data/'):
    try:
        return pd.read_parquet(f"{path}{stock.replace('.','_')}.parquet")
    except FileNotFoundError:
        return None

把数据落本地后，配合 公共代码的编写与引用，可以让多个策略共享同一份缓存数据。

五、常见坑

1. 没下载就拿空值：get_history_data 返回 None 或长度为 0，先检查 download_history_data 是否执行过。
2. 在 handlebar 里下载：会严重阻塞，下载只放 init 或定时任务。
3. 复权类型用错：算指标前后复权结果不同，详见 复权数据怎么选。
4. 新上市/停牌数据不足：取数后要判断长度，不够就跳过（官方双均线示例就是这么做的）。
5. 全推 tick 撑爆内存：按需订阅，别无脑全推。

总结

历史数据的流程是：download（下载历史） → set_universe/subscribe（订阅实时） → get_history_data/get_market_data_ex（取数） → 缓存（按 barpos 或落本地）。把这四步顺序记牢，再配上按 barpos 的缓存，策略的数据层就稳了。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

概述

很多新手写 QMT 策略时，下单用的是 passorderpassorder用法，但“怎么知道这单到底成了没”全靠下一次 handlebar 里去 get_trade_detail_data 轮询。轮询当然能用，但有延迟、又费资源，还容易在查不到委托的瞬间误判成“没下出去”导致重复下单。

更优雅的做法是用 QMT 提供的两个回调函数：order_callback（委托回调）和 deal_callback（成交回调）。本文讲清楚它们的触发时机、参数结构，以及怎么和 passorder 的 userOrderId 串起来做一个可靠的订单状态机。

两个回调的触发时机

一句话区分：order_callback 管的是“报单到达”，deal_callback 管的是“撮合成交”。一个委托可能触发一次 order_callback，但可能分多次 deal_callback（部分成交）。

函数签名

1
2
3
4
5
6
7

def order_callback(ContextInfo, account, orderInfo):
    # 委托回调
    pass

def deal_callback(ContextInfo, account, dealInfo):
    # 成交回调
    pass

注意：这两个函数名是 QMT 约定的，写对名字就会自动被调用，不需要你在 init 里注册。

订单对象常用字段

orderInfo / dealInfo 是 QMT 传进来的对象，常用属性：

其中 m_strRemark 最关键——它是你和 passorder 之间的“暗号”。下单时写进去，回调时读出来，就能精确定位是哪一笔单子回来了。

不同版本字段名可能略有差异，完整字段请参考 QMT 知识库文档，本文用的是社区最常见的字段名。

用 userOrderId 把下单和回调串起来

下面是一个最小可用的“下单 → 委托确认 → 成交确认”状态机：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

# -*- coding: utf-8 -*-
#encoding:gbk
import datetime

class a(): pass
A = a()

def init(C):
    A.acct = account
    A.acct_type = accountType
    A.buy_code = 23 if A.acct_type == 'STOCK' else 33
    # 订单状态字典：remark -> {'status': 'pending'/'ordered'/'filled', ...}
    A.orders = {}

def place_buy(C, stock, vol, price):
    """下单并登记到状态机"""
    remark = f"buy-{stock}-{datetime.datetime.now():%H%M%S%f}"
    passorder(A.buy_code, 1101, A.acct, stock, 0, price, vol,
              '回调示例', 1, remark, C)
    A.orders[remark] = {
        'status': 'pending',   # 已调用passorder，等柜台回报
        'stock': stock,
        'vol': vol,
        'price': price,
        'filled': 0,
    }
    print(f"已下单 {remark}")

def order_callback(C, acct, orderInfo):
    """委托被柜台接收"""
    remark = orderInfo.m_strRemark
    if remark in A.orders:
        A.orders[remark]['status'] = 'ordered'
        print(f"委托确认 {remark} 数量{orderInfo.m_nVolume} @{orderInfo.m_dPrice}")

def deal_callback(C, acct, dealInfo):
    """成交回报"""
    remark = dealInfo.m_strRemark
    if remark in A.orders:
        o = A.orders[remark]
        o['filled'] += dealInfo.m_nVolume
        if o['filled'] >= o['vol']:
            o['status'] = 'filled'
            print(f"全部成交 {remark} 成交{dealInfo.m_nVolume}股 @{dealInfo.m_dPrice}")
            # 这里可以触发：发通知、更新目标持仓、释放下一次下单许可
            # send_notify(f"{remark} 全部成交")

为什么这样写更可靠

1. 不再误判“没下出去”

轮询派最大的坑是：下单后立刻去查 get_trade_detail_data('order')，可能那一瞬间委托还没回报，查不到，于是以为没下出去又下一笔——超单。用 order_callback 等回报到了再改状态，从根上避免。

2. 部分成交也能正确累计

一笔 1000 股的买单可能分 3 次 deal_callback（300 + 500 + 200）。上面代码用 o['filled'] += dealInfo.m_nVolume 累加，只有累计等于委托量时才标记 filled，符合真实撮合过程。

3. 失败委托可识别

如果一个 pending 状态的订单长时间没有 order_callback，基本可以判定是废单（价格不合规、数量不对、柜台风控等）。可以用一个定时任务扫描超时的 pending 订单，触发告警：

1
2
3
4
5
6
7
8
9
10
11
12
13

def init(C):
    ...
    C.run_time('check_timeout', '30nSecond', '20260101 09:30:00')

def check_timeout(C):
    now = datetime.datetime.now()
    for remark, o in list(A.orders.items()):
        if o['status'] == 'pending':
            age = (now - o.get('ts', now)).total_seconds()
            if age > 60:
                print(f"警告：{remark} 超过60秒未确认，疑似废单")
                o['status'] = 'rejected'
                # send_notify(f"疑似废单 {remark}")

关于 run_time 定时任务的用法，参考 每天代码重置与定时任务设置。

配合通知推送到手机

成交回调是发通知的最佳时机——不是“下单了”就通知，而是“真成交了”才通知，避免被一堆废单打扰。把 deal_callback 里的 send_notify 接上邮件/微信推送即可，具体实现见 QMT 与手机通信 - 邮件推送实现方法 或 策略消息推送到微信的几种方案。

注意事项

1. 回调里不要做重活：回调在 QMT 主线程触发，里面不要写耗时 IO（比如同步发邮件阻塞几秒），否则会拖慢整个行情/交易处理。需要时把消息丢到一个队列，由定时任务慢慢发。
2. 回调里不要直接 passorder：在 deal_callback 里立刻根据成交结果反手下另一笔是常见需求，但要确认账户状态、行情就绪，且做好防重入，否则容易连环下单。
3. 字段名以实测为准：不同券商版本的 QMT，orderInfo 字段名可能有细微差别，第一次用建议先 print(dir(orderInfo)) 看一下实际属性。
4. 回测里回调行为不同：回测中 deal_callback 通常按 K 线撮合触发，频率和实盘完全不同，详见 QMT 回测与实盘的关键差异。
5. order_callback和deal_callback中可能存在时间延迟，正常情况下是很快回报，但是有时候券商服务器可能是几个小时候才能 callback，所以建议自己增加判断是否真正下单成交，当然这种情况极少发生。
6. 当系统断网重连之后，服务器可能会把当天的所有单子全部给你callback一遍，所以不能完全相信 callback 的准确性，需要自己增加判断是否真正下单成交。通常是需要自己建立一个小型数据库，记录下单状态，等成交回调来更新。如果 callback 中出现的单子在数据库里面已经显示完成状态，那么可能这个 callback 就是券商服务器重复推送了。

总结

• order_callback = 报单到达，deal_callback = 撮合成交。
• 用 passorder 的 userOrderId（m_strRemark）做暗号，把下单和回调串成一个订单状态机。
• 状态机里区分 pending / ordered / filled / rejected，配合超时扫描，就能解决实盘最头疼的“重复下单”和“废单识别”问题。
• 回调里保持轻量，重活丢给定时任务，通知只在真正成交时发。

把这套机制跑通，你的实盘策略才谈得上“可靠”二字。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

概述

策略上线后最怕两件事：一是 QMT 挂了你不知道，二是策略还在”运行”但其实已经不工作（断开连接、行情不更新、下单报错被吞）。等你晚上看盘发现时，可能已经错过一整天。

本文给出一个轻量的「心跳 + 巡检 + 报警」方案，让 QMT 出问题第一时间推送到手机。和 邮件推送、崩溃自动恢复 配合，组成完整的运维闭环。

一、监控什么

二、心跳：最基础的存活检测

思路：策略定时把”当前时间”写到文件/数据库，外部（或另一个巡检任务）检查这个时间戳是否在更新。超过阈值就报警。

策略端：定时写心跳

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

# -*- coding: utf-8 -*-
#encoding:gbk
import datetime
from datetime import date

class a(): pass
A = a()
A.heartbeat = ''   # 心跳时间戳，仅存内存

def init(C):
    A.acct = account
    A.acct_type = accountType
    # 每30秒写一次心跳
    C.run_time('heartbeat', '30nSecond', str(date.today())+' 09:00:00')
    # 每2分钟巡检一次
    C.run_time('patrol', '60nSecond', str(date.today())+' 09:00:00')

def heartbeat(C):
    """定时写心跳时间戳"""
    A.heartbeat = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    # 保存到文件/数据库
    save(A.heartbeat)

run_time 定时任务用法见 每天代码重置与定时任务。

三、巡检：在策略内部自检

光有心跳不够——策略可能还在跑，但行情断了或账号掉线了。需要在策略内定时做几项检查，发现异常就报警：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

def patrol(C):
    """定时巡检，异常即告警"""
    problems = []

    # 1. 行情新鲜度：最新bar时间是否过旧
    try:
        snap = C.get_market_data_ex(['last'], [A.stock], period='1d', count=1)
        last_bar_time = snap[A.stock].index[-1]
        # 若非交易时段可放宽，交易时段内超过5分钟没更新视为异常
        # （判断交易时段见 qmt-is-now-a-trading-hour）
    except Exception as e:
        problems.append(f"取行情失败: {e}")

    # 2. 账号登录态：查账户能查到说明在线
    try:
        acc = get_trade_detail_data(A.acct, A.acct_type, 'account')
        if len(acc) == 0:
            problems.append(f"账号 {A.acct} 未登录或掉线")
    except Exception as e:
        problems.append(f"查账号异常: {e}")

    # 3. pending 订单超时（结合崩溃恢复的pending）
    st = load({})
    pending = st.get('pending', {})
    # 简单判断：pending太多/太久未确认
    if len(pending) > 5:
        problems.append(f"未确认委托过多: {len(pending)}")

    if problems:
        msg = "\n".join(problems)
        print(f"[巡检异常] {msg}")
        notify("QMT巡检异常", msg)

四、报警通道

巡检发现异常，要能推到手机。最简单的是复用 邮件推送：

1
2
3
4
5
6
7

from email_utils import send_qmt_email

def notify(subject, content):
    try:
        send_qmt_email("[QMT]" + subject, content)
    except Exception as e:
        print(f"告警发送失败: {e}")  # 告警本身失败不能影响策略

除邮件外，还可选：

• Server酱 / Bark：HTTP 一个 GET 就能推到微信/App，比邮件更快。
• 钉钉 / 企业微信机器人：适合多策略集中告警到一个群。
• 短信：最紧急场景，但通常要付费。

以上几种微信推送通道的具体接入代码，见 策略消息推送到微信的几种方案。

关键告警（账号掉线、重复下单风险）建议用即时性更好的渠道，邮件可作为兜底。

五、外部存活检测：防止策略整体卡死

策略自己的心跳和巡检，在”策略进程还在”时才有效。如果整个策略卡死（死锁、QMT 假死），它就没法再写心跳了。所以需要一个独立于策略的外部检测：

用一个独立的定时任务（系统 crontab 或另一个极简策略）读取心跳文件，检查时间戳：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# watchdog.py —— 可由系统计划任务每分钟跑一次
import datetime, os, json
from email_utils import send_qmt_email

STATE = './strategy_state.json'
THRESHOLD = 120  # 秒，超过2分钟没心跳就告警

def check():
    if not os.path.exists(STATE):
        send_qmt_email("[QMT]心跳丢失", "找不到状态文件，策略可能未启动")
        return
    with open(STATE, 'r', encoding='utf-8') as f:
        st = json.load(f)
    hb = st.get('heartbeat', '')
    if not hb:
        send_qmt_email("[QMT]心跳丢失", "无心跳记录")
        return
    last = datetime.datetime.strptime(hb, '%Y-%m-%d %H:%M:%S')
    age = (datetime.datetime.now() - last).total_seconds()
    if age > THRESHOLD:
        send_qmt_email("[QMT]心跳超时", f"上次心跳 {hb}，已超 {int(age)} 秒")

if __name__ == '__main__':
    check()

用 crontab 每分钟跑一次：

1

* * * * * cd /path/to/qmt/python && python watchdog.py

这样哪怕 QMT 整体假死，外部看门狗也能发现心跳停了，第一时间告警。

六、一份巡检报告：每天收盘推送

除了异常告警，每天收盘后推送一份「日报」也很有用：今日成交、当前持仓、账号市值、心跳状态。让你不用开电脑也能知道策略今天干了啥：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

def init(C):
    # 每天15:05推送日报
    C.run_time('daily_report', '1nDay', '20260101 15:05:00')

def daily_report(C):
    acc = get_trade_detail_data(A.acct, A.acct_type, 'account')[0]
    holdings = get_trade_detail_data(A.acct, A.acct_type, 'position')
    lines = [f"账号 {A.acct} 收盘报告",
             f"可用资金: {acc.m_dAvailable}",
             f"持仓数: {len(holdings)}"]
    for h in holdings:
        code = h.m_strInstrumentID + '.' + h.m_strExchangeID
        lines.append(f"  {code} {h.m_nVolume}股 浮盈{h.m_dProfit}")
    notify("收盘报告", "\n".join(lines))

七、注意事项

1. 告警要节流：同一个异常别每 30 秒告警一次，会刷屏。给告警加去重/冷却时间（同一类问题 10 分钟内只报一次）。
2. 告警本身别拖垮策略：发邮件/HTTP 是阻塞 IO，放在 run_time 任务里，别放在 handlebar 高频路径；失败要 catch，不能因告警失败抛异常影响主逻辑。
3. 非交易时段静默：盘后、夜里的心跳超时多半是正常停盘，判断交易时段后再决定要不要告警，参考 判断交易时段。
4. 多策略分别心跳：每个策略写自己的心跳字段，看门狗统一检查，参考 多策略管理。

总结

一个可靠的监控体系 = 策略内心跳 + 内部巡检 + 外部看门狗 + 报警通道 + 日报兜底。

• 心跳保证”还活着”，巡检保证”活着且正常”，看门狗保证”心跳本身没卡死”。
• 异常用即时渠道，日报用邮件，都接到手机上。
• 告警要节流、要容错，别让监控本身成为新的故障源。

把这套和 崩溃自动恢复 一起部署，你的 QMT 实盘才真正算”无人值守也能睡个安稳觉”。

说明：本文包含 AI 创作内容，请自行判断是否适用。文中包含的代码片段，切勿直接使用，需要根据实际情况修改。

passorder 是 QMT 中最核心的下单函数，几乎所有实盘策略最终都要通过它把信号变成真实的委托。但它的参数有 11 个，官方文档对每个参数的取值又多以代码表形式罗列，新手第一眼常常懵。

本文把 passorder 的每个参数拆开讲透，并给出股票、两融账户的常用取值，最后用一段可直接运行的实战代码串起来。

完整的取值代码表（如期货、期权的 opType/orderType）请以官方文档为准，可参考 QMT 知识库 / XtQuant 使用文档 pdf。

函数签名

1
2

passorder(opType, orderType, accountid, orderCode, prType, price, volume,
          strategyName, quickOrder, userOrderId, ContextInfo)

参数逐个详解

1. opType —— 买卖类型

最常用的几个：

2. orderType —— 委托类型

• 1101：单边，股票普通买卖最常用，按股数委托

做股票策略，无脑用 1101 即可；做期货期权再查阅官方文档对应类型。

3. accountid —— 资金账号

字符串，就是模型交易界面选择的账号，例如 '88888888'。一般直接用界面传进来的 account 变量。

4. orderCode —— 证券代码

带交易所后缀的代码，格式 '代码.市场'：

• 沪市：'600000.SH'
• 深市：'000001.SZ'
• 北交所：'430047.BJ'

注意：很多新手会漏掉后缀，导致报“找不到合约”之类的错误。

5. prType —— 价格类型

实战中最常用两种：限价单（prType=11，自己给价）和最新价单（prType=14，price=-1，跟盘口最新成交价走）。

6. price —— 委托价格

• 限价单：填你想要的价格，例如 10.55
• 市价/最新价单：填 -1，由 prType 决定实际价格

7. volume —— 委托数量

A 股买入需为 100 的整数倍（1 手 = 100 股），卖出不足 100 股的零股需单独处理。

8. strategyName —— 策略名称

字符串，给委托打一个策略标签，方便在终端委托列表里区分多个策略的单子。

9. quickOrder —— 快速下单

• 1：快速通道（推荐，委托更快落地）
• 0：普通流程

样例策略里基本都用 1。

10. userOrderId —— 自定义订单标识

非常关键的一个参数。它是一个字符串“备注”，会随委托一路传递。你在 order_callback / deal_callback 里就是靠它把“哪一笔回来了”对上的。建议用“策略名 + 动作 + 时间”这种唯一可读的格式：

1

msg = f"双均线 {stock} 买入 {vol}股 {datetime.datetime.now():%H%M%S}"

具体怎么用回调匹配，看下一篇文章 委托回调与成交回调的正确用法。

11. ContextInfo —— 上下文对象

策略上下文，照传 C / ContextInfo 即可。

撤单

撤单用 cancel 函数，传入系统委托号 m_strOrderSysID：

1
2

# 撤掉某笔委托
cancel(order_sysid, acct, acct_type)

order_sysid 可通过 get_trade_detail_data(acct, acct_type, 'order') 查到。

常见错误与注意事项

1. 代码漏后缀：'600000' 不行，必须 '600000.SH'。
2. 数量不是 100 整数倍：买入会被柜台风控驳回。
3. 没做防重复：handlebar 在盘中会被高频触发，下单后一定要登记“待确认”状态，等回调或查到委托后再放行下一笔，否则容易超单。这正是 userOrderId 存在的意义。
4. 市价单价格填错：prType=14 时 price 必须填 -1，填了正数反而可能被当成限价。
5. 涨跌停板：涨停板买入 / 跌停板卖出基本不会成交，下单前最好用最新价对比涨跌停价做拦截。

总结

passorder 看着参数多，拆开后其实就三件事：买卖谁（opType + orderCode）、用什么价（prType + price）、下多少（volume），其余参数是账号、策略标签和订单标识。把 userOrderId 用好，配合回调，就能把“下单—确认—防重复”这套实盘必备的闭环跑通。

一句话结论：
MiniQMT 并没有被“官方宣布死刑”，但券商侧确实在收紧；新增已基本停发，存量大概率会在 1～2 个月内逐步清退。

一、到底发生了什么？

近期圈内流传「MiniQMT 要被官方关闭」的说法，半真半假：

目前已核实的信息（截至 2026-07-01）：

• 自 2026 年 7 月 6 日（下周一） 起，部分券商 新开 QMT 权限不再包含 MiniQMT（独立 / 极简 / xtquant）功能；
• 存量客户目前仍可用，但券商明确表示将「后续专项通知」，业内普遍预期 1–2 个月内存量也将逐步关闭；
• 原因高度一致：MiniQMT 本地原生 Python 直连 API，容易被认定为“外接系统”，触碰合规红线。

二、几个容易混淆的概念

❌ MiniQMT ≠ QMT 全部

• MiniQMT（被收紧）
  本地原生 Python + xtquant 库，脱离客户端运行。
• QMT 主程序（不受影响）
  内置 Python 环境，策略运行在客户端沙箱内。

⚠️ 目前尚无“官方红头文件”

• 目前信息源以 券商内部通知 + 量化自媒体 为主；
• 尚未看到 迅投（QMT 厂商）或证监会 的统一公告；
• 更准确的说法是：监管趋严 → 券商集体收紧 → MiniQMT 首当其冲。

三、对普通量化玩家的影响

四、如果你正在用 MiniQMT，建议这样应对

✅ 方案一：迁移到大 QMT（最稳妥）

• 把策略代码迁移到 QMT 内置 Python；
• API 名称基本一致，但运行环境从本地 Python 改为客户端沙箱；
• 适合 中低频、不依赖复杂第三方库 的策略。
• 注意大QMT的api接口和MiniQMT的api接口有差异，需要根据实际情况调整。在迁移的时候，可以基于官方文档，或者我总结的pdf版本的官方文档网盘下载，把这个pdf投喂给ai，让ai帮你分析出哪些接口需要调整。
• 使用qmt-knowledge-skill来由 ai 重写代码，协助迁移策略。

✅ 方案二：信号中转（折中方案）

思路：本地算信号，QMT 只负责下单。

本地 Python（任意版本）
↓
文件 / Redis / MySQL
↓
QMT 内置 Python 读取
↓
下单

• 本地可以继续用 NumPy / Pandas / PyTorch；
• QMT 端只做最简单的读取 + 下单；
• 不适合高频（延迟增加）。

✅ 方案三：HTTP 桥接（最复杂）

思路：本地策略 → QMT 内置 Python 读取 + 下单。

• 本地可以继续用 NumPy / Pandas / PyTorch；
• QMT 端只做最简单的读取 + 下单；
• 不适合高频（延迟增加）。

参见 qmt-miniqmt-bridge

✅ 方案四：消息通知 + 人工执行

• 本地策略 → 企业微信 / 钉钉 / 邮件（推送方案见 策略消息推送到微信的几种方案）；
• 人工或半自动执行；
• 合规风险最低，但效率也最低。

五、我个人的判断与建议

1. 不要赌“还能再开一个券商囤权限”
   窗口正在关闭，且未来只会更严。
2. 优先评估迁移成本，而不是找绕过方法
   这轮监管态度非常明确。
3. 如果你打算长期做量化，建议同步了解：
   • 券商机构柜台
   • 托管机房 / 合规量化产品
   • 交易所 / 协会的最新指引

六、给朋友们的建议

如果你是：

• 学生 / 爱好者：直接切 QMT 内置，别折腾绕路；参考qmt使用指南
• 个人职业量化：尽快评估是否升级到机构/产品账户；
• 小团队：考虑集中策略到 1–2 个合规通道，减少维护成本。

📌 延伸阅读建议

• 各券商官网公告（以你开户券商为准）
• 迅投官方文档（QMT / xtquant）
• 中证协 / 交易所关于程序化交易的最新文件

我会持续跟进后续券商通知，并在博客更新。

Wise 的香港 HKD 账户是进行跨境收款的利器，特别是对于需要接收港币或从香港地区收款的用户来说。最吸引人的是，通过 Wise 香港账户收款（本地银行转账 FPS）完全免费，且到账速度极快，通常只需几分钟。本文将详细介绍如何开设和使用 Wise 香港 HKD 账户进行收款。

为什么开设Wise，如何开设Wise账户？

参见我的博客文章：Wise使用指南

为什么选择 Wise 香港 HKD 账户？

手续费收款

与传统银行不同，Wise 香港 HKD 账户在接收本地银行转FPS 转过来的资金时不收取任何手续费：

• 本地转账：FPS免费， （要求转账方必须是香港本地银行，采用 FPS 方式转账）

极速到账

Wise 香港 HKD 账户的收款速度非常快：

• 香港本地FPS转账：通常几分钟内到账

多币种支持

虽然我们重点介绍 HKD 账户，但 Wise 支持多种币种：

• 美元 (USD)
• 欧元 (EUR)
• 人民币（CNY）

其中可以 通过 FPS 本地银行转 HKD 和 CNY。

如何开设 Wise 香港 HKD 账户？

前提条件

1. 您需要有一个已完成实名认证的 Wise 账户
2. 准备好您的身份证明文件（护照或身份证）

开设步骤

1. 访问 Wise 官网并注册账户

   • 官网：https://wise.com/invite/ahpc/f0epglc

2. 登录 Wise APP

   • 打开 Wise 应用并登录您的账户
   • 如果还没有账户，请先注册并完成实名认证

3. 添加 HKD 账户

   • 在首页点击”添加账户”或”获取账户详情”
   • 选择”港币 (HKD)”作为币种
   • Wise 会自动为您生成香港 DBS 银行账户详情

4. 查看账户信息

   • 账户名称（您的拼音姓名）
   • 账户号码
   • 银行代码 (SWIFT/BIC)
   • 分行代码

如何使用 Wise 香港 HKD 账户收款？

将您的 Wise HKD 账户信息提供给付款方：

1
2
3
4
5

银行名称：DBS Bank (Hong Kong) Limited
账户名称：ZHANG SAN (您的拼音姓名)
账户号码：XXXXXXXX
SWIFT/BIC：XXXX
分行代码：XXX

收款流程详解

香港本地转账

1. 付款方通过香港本地银行（如 HSBC、恒生银行等）向您的 Wise HKD 账户转账
2. 资金通常在几分钟内到账
3. 您会收到 Wise 的通知（有电子邮件通知）

注意事项

账户名称格式

确保您的账户名称是拼音格式，且姓在前名在后（仅限香港 HKD 账户）：

• 正确：ZHANG SAN
• 正确：Zhang San
• 避免：SAN ZHANG（除非 Wise 账户显示如此）

资金提取

收到的 HKD 资金可以：

• 保留在 Wise 账户中
• 兑换成其他币种
• 转账到您的其他银行账户

常见问题

Q: 开设香港 HKD 账户需要额外付费吗？

A: 不需要，开设和使用 Wise 账户完全免费。

Q: 收款真的是免费的吗？

A: 是的，通过 FPS 方式接收本地银行转账进行收款，资金不收取任何手续费。

Q: 到账速度真的只有几分钟吗？

A: 对于香港本地转账，通常确实只需要几分钟。

Q: 我可以用这个账户接收来自中国大陆的转账吗？

A: 可以，但由于外汇管制，中国大陆个人向境外账户转账可能受到限制，而且会需要支付手续费。

总结

Wise 香港 HKD 账户是跨境收款的绝佳选择：

• 零手续费：接收资金完全免费
• 极速到账：香港本地转账几分钟到账
• 便捷易用：支持多种收款方式，包括本地银行转账 FPS

如果您经常需要接收港币或进行跨境收款，强烈建议开设 Wise 香港 HKD 账户。

希望本文对您有所帮助！如果您有任何问题，欢迎查看我们的其他相关文章。

在使用 Wise 进行跨境收款时，中文姓名的拼音顺序是一个非常关键的问题。如果姓名顺序填写错误，可能会导致转账失败或延迟。本文将详细探讨这个问题。

核心问题：姓在前还是名在前？

Wise 开设的香港 DBS 账户（港币 HKD）

根据实际测试，如果您使用的是 Wise 的港币账户（由 DBS 香港提供支持），拼音姓名应该是姓在前，名在后。

示例：

• 中文姓名：张三
• 拼音格式：Zhang San

这种格式符合中文姓名的传统习惯，姓氏在前，名字在后。

其他币种账户

对于其他币种的账户，建议尝试名在前，姓在后的格式，这是国际上更常见的姓名顺序。

示例：

• 中文姓名：张三
• 拼音格式：San Zhang

这种格式遵循西方姓名习惯，名字在前，姓氏在后。

为什么姓名顺序如此重要？

银行系统要求

不同国家和地区的银行系统对姓名格式有不同的要求：

1. 香港银行：通常接受姓在前的格式（如 Zhang San）
2. 欧美银行：通常要求名在前的格式（如 San Zhang）
3. 系统兼容性：部分系统可能只识别特定格式的姓名

转账失败风险

如果姓名格式不正确，可能会导致：

• 转账被退回
• 资金延迟到账
• 需要额外的人工审核
• 产生不必要的手续费

建议做法

方法一：参考账户详情

1. 登录 Wise APP 或网页
2. 查看您的收款账户详情
3. 注意账户名称的显示格式
4. 按照显示的格式填写收款信息

方法二：咨询客服

如果您不确定正确的格式，可以联系 Wise 客服确认：

1. 在 Wise APP 中找到”帮助”
2. 点击”联系我们”
3. 选择电子邮件支持
4. 询问您特定币种账户的姓名格式要求

方法三：测试转账

您可以尝试进行一笔小额测试转账，确认格式正确后再进行大额转账。

常见问题

Q: 修改姓名后，需要重新设置收款账户吗？

A: 是的，如果您修改了账户姓名，建议重新检查并更新所有收款账户的信息。

Q: 姓名拼音是否需要大写？

A: 通常首字母大写即可，如 “Zhang San” 或 “San Zhang”。

Q: 中间名如何处理？

A: 如果您有中间名，可以将其放在名字和姓氏之间，如 “Zhang Wei Ming” 或 “Wei Ming Zhang”，具体取决于账户要求。

总结

在使用 Wise 收款时，正确的姓名拼音顺序至关重要：

• 港币账户（DBS 香港）：推荐姓在前（Zhang San）
• 其他币种账户：推荐名在前（San Zhang）

最稳妥的方法是查看您账户详情中的姓名显示格式，并按照该格式填写收款信息。如果有任何疑问，建议直接联系 Wise 客服确认。

希望本文能帮助您顺利进行跨境收款！如果您有其他相关问题，欢迎查看我们的其他文章。

在QMT量化交易中，很多策略需要在每个交易日开始时进行初始化操作。这可能包括：

• 重置每日统计变量（如当日成交量、最大回撤等）
• 重新计算每日参数（如当日目标仓位、阈值等）
• 清理前一交易日的数据缓存
• 初始化每日的交易状态标志

如果不进行每日重置，可能会导致数据累积错误、状态混乱等问题，影响策略的正常运行。

QMT的自动初始化机制

QMT提供了系统级的自动初始化功能，可以在系统设置中配置每天固定时间自动重启终端。但这种方式会导致整个终端重启，可能会影响正在运行的策略。

更好的做法是在策略代码中实现每日重置逻辑，这样可以更精细地控制初始化过程。

实现每天执行一次的函数

使用定时任务（推荐）

QMT支持使用run_time来设置定时任务，可以在指定时间执行函数。

run_time函数的具体使用参数和解释说明，可以参考官方文档（pdf 版本）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

from datetime import datetime, date

def init(ContextInfo):
    # 设置每天9:25执行重置
    ContextInfo.run_time('daily_reset','1nDay', str(date.today())+ ' 09:25:00')
    # 立即执行一次初始化
    daily_reset(ContextInfo)
    
def daily_reset(ContextInfo):
    ContextInfo.log("执行每日重置...")
    
    # 重置每日统计变量
    ContextInfo.user_data['daily_trades'] = 0
    ContextInfo.user_data['daily_volume'] = 0
    ContextInfo.user_data['daily_profit'] = 0
    
    # 重置交易状态
    ContextInfo.user_data['has_opened_position'] = False
    ContextInfo.user_data['today_target_position'] = {}
    
    # 重新计算当日参数
    calculate_daily_parameters(ContextInfo)
    
    ContextInfo.log("每日重置完成")

def calculate_daily_parameters(ContextInfo):
    # 根据当日行情计算参数
    # 例如：根据开盘价调整目标仓位
    ContextInfo.user_data['today_target_position'] = {
        '000001.SZ': 0.1,
        '600000.SH': 0.15
    }

def handlebar(ContextInfo):
    # 策略主逻辑
    # ...

注意事项

1. 避免重复重置

使用日期判断或定时任务时，要确保每天只执行一次重置。

2. 处理节假日

如果使用固定时间的定时任务，需要考虑节假日的情况：
（如何判断当天是不是交易日，可以参考我的博客文章：讯投 QMT 使用小技巧 -如何判断今天是不是交易日

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

def daily_reset(ContextInfo):
    # 检查今天是否是交易日
    if not is_trading_day():
        ContextInfo.log("今日非交易日，跳过重置")
        return
    
    # 正常重置逻辑
    # ...

def is_trading_day():
    """判断今天是否是交易日"""
    today = datetime.date.today()
    
    # 周末不是交易日
    if today.weekday() >= 5:
        return False
    
    # 可以添加节假日判断
    holidays = [
        datetime.date(2024, 1, 1),  # 元旦
        datetime.date(2024, 2, 10), # 春节
        # ...
    ]
    
    return today not in holidays

3. 日志记录

在重置函数中添加日志记录，方便排查问题：

1
2
3
4
5
6
7
8
9
10
11

def daily_reset(ContextInfo):
    ContextInfo.log(f"每日重置开始 - {datetime.datetime.now()}")
    
    try:
        # 重置逻辑
        ContextInfo.user_data['daily_trades'] = 0
        ContextInfo.log("每日重置完成")
    except Exception as e:
        ContextInfo.log(f"每日重置失败: {str(e)}")
        # 发送错误通知
        send_notification(f"每日重置失败: {str(e)}")

4. 发送通知到手机

每天重置完成了之后，可以发送邮件或其他提醒到手机上，具体参考我的博客文章QMT 与手机通信 - 邮件推送实现方法，或用即时性更好的 策略消息推送到微信的几种方案。

总结

通过设置每日重置函数，可以确保策略在每个交易日开始时都处于一个干净、已知的状态。这对于维护策略的稳定性和准确性非常重要。

推荐使用定时运行的函数方式设置定时任务，这样可以精确控制执行时间，避免在交易过程中频繁检查日期。

IBKR有网页版，手机APP版，电脑桌面版等多个软件工具。

对于新手来说，手机APP和电脑网页版可能使用起来相对比较友好一些。我感觉电脑桌面版的那个软件设计哦，只适合于金融行业资深从业者。反正就挺难用的。

手机APP, 如果是苹果的，就直接在应用商店下载，如果是安卓的，但是你又不知道怎么下载, 你就打IBKR在上海的客服电话，他们会教你，上海客服给你的下载链接下载的APP可以在国内的网络环境下稳定的使用。

另外，IBKR也是有api可以提供使用的，懂编程的朋友也可以使用API进行程序化交易。

券商佣金

对于小散来说，选阶梯式的会比较合适，一次交易，基本佣金基本是在0.35USD。

如果交易量大或者金额特别高的，估计也不会看我这个帖子，所以我就只介绍适合新手小散的佣金方式。

T+0

美国股市并不是完全T+0，

对于资金量大于25000USD的day trader账户，是可以随便T+0交易的

2000~25000USD资金量的保证金账户，5个交易日内最多3次 T+0交易
2026年6月，SEC修改政策，将不再限制2000～25000USD资金量账户的保证金账户的日内交易限制了，具体的券商有18个月的时间来实时这个政策调整，所以一定要在6月之后，跟自己的券商确认一下是否已经调整了政策。

2026 年 8 月 11 日，有朋友反馈，IBKR 通知，Your Account Has Been Migrated to New Margin Standards。那么意味着 IBKR 在 8 月 11 日完成了对新政策的履行实施，具体通知内容及解释详见ibkr-pdt-to-imd-migration

小于2000USD的现金账户，就不建议你进行T+0交易了，需要等到资金交割之后才能再次交易

如果违规账户会被暂停90天。

简单来说，有钱的就充钱吧，充25000，成为day trader，能随便T+0。没那么多钱且是新手还是别随便T+0了。IBKR的手机APP在识别到你可能触发违规的时候，一般会弹出小窗口提醒你一下，需要注意！

换汇

IBKR里面可以很方便的换汇，但换汇是有手续费的，最少2USD。据说IBKR的汇率是比较好的，但我也没有对比过。因为资金量很小的话，也不太需要在乎这个。

入金速度

如果采用银行转账的形式，转账后需要大概30分钟，一小时，才能显示到账户中，并不是实时到账的。其他的入金形式是不是能实时到账，我不确定，有知道的知友可以在评论区补充。另外，入金账户的名称和你的IBKR的账户名称要是同一个姓名，才能入金的，不能用别人的账户入金。

入金账户

内地账户不支持入金到IBKR， 需要海外（含香港）的账户入金。也可以用Wise入金，Wise现在支持使用中国身份证开户了，可以开美元港币等账户。
了解Wise: wise-account-guide
前往开户：https://wise.com/invite/ahpc/f0epglc

出金

每个月的第一笔出金是免费的，每个月从第二笔出金是要支付手续费了的。

行情

使用IBKR的任何客户端，看行情都是特别的不适应的。没有国人制作的APP看行情更舒服，可以用HK的或者SG的券商APP（FUTU,雪球,MOOMOO等）。

股票收益增长计划

这个就是当有人需要融券的时候，IBKR会找参与了股票收益计划的人，把券借给需要融券的人。借出的账户，可以收到利息。借出后，当你想卖股票的时候，完全不影响你卖出。

利息

入金后可能有一部分余额没有用于购买股票，以现金余额的形式在账户里面。

余额10000美金是没有利息的，高于10万美金的利息是能达到4.3%的。中间分了几档，利息介于0~4.3%之间。如果是小散户，估计可能也没有利息或者利息很少。

夜盘交易

IBKR支持夜盘美股交易，也就是除了美股正常的交易时间之外，大部分时间你也是可以交易股票和ETF的。

时间是美国ET时间晚上八点到第二天早晨的三点五十，大家可以相应换算北京时间，基本覆盖了A股交易的时间。

注意，并不是所有的交易产品都支持夜盘的，绝大部分散户操作的股票和ETF支持，在页面你可以看到夜盘按钮的就是支持的。另外，夜盘交易并没有正常交易时间段那么活跃，也就是流动性相对没那么好，所以交易价格可能和公允价值偏差较大。

Bit币交易

如果使用中国大陆身份进行开户的话，是不允许进行相关交易的。

股市交易时间

不同地区股市交易时间不同，如下均按照北京时间，只统计常规交易时间。像美股是有夜盘交易的，不含在如下所述的交易时间中（如果有错误，还请在评论区指正）

• 中国沪深市场：周一至周五，上午9:30至11:30，下午1:00至3:00。
• 中国香港股市：周一至周五，早市9:30至12:00，午市1:00至4:00。
• 美国股市：夏令时21:30至次日4:00，冬令时22:30至次日5:00。
• 欧洲股市：夏令时15:00至23:30，冬令时16:00至次日0:30。
• 日本股市：周一至周五，上午8:00至下午2:00。
• 我国台湾股市：周一至周五，上午9:00至下午1:30。
• 伦敦证券交易所（英国）：周一至周五，16:00至次日00:30。
• 法兰克福证券交易所（德国）：周一至周五，15:00至次日03:00。
• 巴黎泛欧交易所（法国）：周一至周五，16:00至次日00:30。

交易品种

• 股票交易：包括美国、欧洲、亚洲等多个国家和地区的股票市场。
• 期权交易：提供多种期权交易策略。
• 期货和商品交易：涵盖能源、金属、农产品等多种期货合约。
• 外汇交易：提供主要和次要货币对的交易。
• 债券交易：包括政府债券、公司债券等。
• 基金和ETFs：提供广泛的共同基金和交易所交易基金。

保险

IBKR证券账户中持有的现金根据SEC的客户保护法规15c3-3受到保护。

除IBKR的保护外，前$250,000美元现金享受SIPC保险覆盖。

闲钱理财

有时候账户有一些余额，放着没利息（仅限低于10000美元的余额），可以选择购买BIL，类似货币基金吧（不完全等同），可以每天涨一点点利息，但交易这个BIL也是正常需要缴纳手续费的。

下单类型(美股和A股区别）

美股和A股在下单类型上存在一些差异，主要体现在市场规则和交易机制上。以下是主要区别：

• 市价单（Market Order）

美股：市价单按当前市场价格立即执行，成交速度快，但价格可能波动。

A股：A股也有市价单，但通常有价格限制（如涨跌停板），成交价不会超出当日涨跌幅范围。

• 限价单（Limit Order）

美股：限价单按指定价格或更优价格成交，未达到指定价格则不执行。

A股：A股的限价单类似，但受涨跌停板限制，超出范围的委托无效。

• 止损单（Stop Order）

美股：止损单在达到指定价格后转为市价单，常用于控制风险。

A股：A股没有直接的止损单，投资者需手动操作或使用条件单。

• 止损限价单（Stop-Limit Order）

美股：止损限价单在达到止损价后转为限价单，按指定或更优价格成交。

A股：A股无此订单类型，需手动操作。

• 条件单（Conditional Order）

美股：条件单在满足特定条件时触发，常用于复杂策略。

A股：部分券商提供类似功能，但不如美股普遍。

• 订单有效期

美股：订单有效期多样，包括当日有效、长期有效等。

A股：通常为当日有效，未成交的订单在收盘后自动撤销。

• 最小交易单位

美股：无固定最小交易单位，可交易一股。

A股：最小交易单位为100股（1手），科创板为200股。

• 订单有效期

美股：订单有效期多样，包括当日有效、长期有效等。

A股：通常为当日有效，未成交的订单在收盘后自动撤销。

CRS税务信息交换

在美国运营的IBKR主体与国内没有CRS税务交换。（不敢100%确认哈，也是多处打听的消息）

在香港、英国等地运营的IBKR主体受运营国家法规要求，会产生CRS交换。

主要要看账户在哪个地方哪个营运主体开设的。

被交换的信息内容广泛，包括账户所有者的姓名、住址、税务识别号，以及账户号、年终余额或账户净值。此外，还可能包括在一个公历年度内取得的利息、股息收入以及出售金融资产产生的收入等。个人的金融账户基本都会被申报，如存款账户、托管账户（如股票账户）、投资实体股权、债权权益、具有现金价值的保险、年金账户等。

CRS的信息交换覆盖面极为广泛，几乎囊括了所有类型的金融服务提供商，如银行、券商、信托公司、基金管理公司等。

美国ibkr开户

可以通过在线开户的形式获取美国ibkr的账户，我的推荐链接，使用该推广链接开户，可获得最高1000美金的返利。
https://ibkr.com/referral/he430

最近听说，现在IBKR的开户政策也逐渐变严格了，开始要求居住在海外或者有海外居住权之类的要求了，大家尽早开户啦。

账户类型介绍

IBKR提供多种账户类型，适合不同需求的投资者：

• 现金账户（Cash Account）：

  • 只能使用已存入的资金交易
  • 不支持杠杆交易
  • 适合保守型投资者和资金较少的新手
  • T+0交易限制严格（见前文T+0部分）

• 保证金账户（Margin Account）：

  • 可以使用券商提供的杠杆进行交易
  • 支持更多交易策略（如卖空、期权等）
  • T+0交易限制较宽松（2000-25000美元资金量）
  • 需要维持一定的保证金比例

• 专业交易者账户（Professional Account）：

  • 适合交易经验丰富的投资者
  • 可以访问更多高级交易功能和工具
  • 要求满足特定的交易经验和资金条件

• 联名账户（Joint Account）：

  • 适合夫妻或合作伙伴共同管理投资
  • 分为联名生存者账户和联名租户账户等类型

客户服务

IBKR提供多种客户支持渠道：

• 在线客服：登录客户端后可与客服实时聊天
• 电话支持：提供全球电话热线，支持多语言
• 邮件支持：发送邮件至客服邮箱，通常24小时内回复
• 帮助中心：丰富的FAQ和教程资源
• 社区论坛：投资者交流经验和问题的平台

中国客户可拨打上海客服电话。

新手交易建议

• 学习资源：

  • IBKR官网教育中心（Traders’ Academy）
  • 投资书籍和在线课程
  • 金融新闻和分析报告

• 投资策略：

  • 分散投资，避免集中持有单一证券
  • 长期投资为主，避免频繁交易
  • 定期复盘，总结经验教训

• 风险管理：

  • 设定止损点，控制单笔交易风险
  • 不要将全部资金投入高风险产品
  • 保持良好的心态，避免情绪化交易

希望这篇IBKR新手指南能帮助到你！如有任何问题或建议，欢迎在评论区留言。

2026/08/11 更新

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2026年2月5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：
网盘链接

https://pan.quark.cn/s/a68a9e9ce7d7

关于我整理的知识库，详见我的博客文章 qmt-knowledge-base

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

1. 在 IMA.Copilot 中，点击左侧导航栏的“知识库”选项。
2. 选择“导入文档”，上传你的迅投QMT PDF文件。
3. 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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45