2025-02-27

qmt

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。

特别注意：AI生成的内容，不能保证是100%准确的，大家务必人工检查确认代码的正确性。

通过本文的介绍，如何使用腾讯 IMA.Copilot 结合 DeepSeek R1 大模型，从个人知识库中的迅投QMT PDF文件编写量化交易的Python代码。这一流程不仅提高了代码编写的效率，还大大提升了代码的质量和准确性。

未来，随着AI技术的不断进步，我们有理由相信，量化交易将变得更加智能化和高效化。

小技巧，我的其他关于qmt的文章

QMT使用指南开始阅读

国债逆回购-闲钱理财开始阅读

判断当前时段是交易/非交易/竞价/盘后等时间段开始阅读

如何判断今天是不是交易日开始阅读

如何低成本选择讯投QMT 的服务器/电脑，低成本运行？开始阅读

为什么每天早晨QMT会退出登录/重新启动/自动初始化开始阅读

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

量化交易策略中如何判断当前MACD是否达到最小值开始阅读

迅投QMT自带策略-双均线实盘示例PY策略-解读开始阅读

使用DeepSeek R1大模型编写迅投 QMT 的量化交易 Python 代码开始阅读

本文更新于2025年2月27日

WTSolutions Invest

| QMT 使用指南 | IBKR 使用指南 | Investment故事 |