​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

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。

#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。

很多朋友问过我，为什么感觉迅投的QMT有延迟：

1. 委托order数据延迟，order_callback()
2. 成交deal数据延迟, deal_callback()
3. 持仓position数据延迟, position_callback()
4. 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。

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：

国债逆回购

资金账户里面的闲钱，有时候我们希望可以购买国债逆回购。在QMT里面，我们可以通过代码定时实现国债逆回购。

国债逆回购的代码

代码仅供参考，不构成投资建议，请谨慎操作。

account = 'xxxxx'
def DRR(ContextInfo):
	afund = get_trade_detail_data(account,'stock','account')[0].m_dAvailable
	avolume = int((afund )/1000)*10	
	if avolume >= 10:
		passorder(24,1101,account,'204001.SH',14,-1,avolume,'DRR',2,'DRR',ContextInfo)
		print('DRR ' + str(avolume) )
	else:
		print('DRR skipped')

如上定义了个DRR函数，通过定时函数，在盘中的14:57分运行。

问题

如果有问题，可以到我的知乎上与我联系。https://zhuanlan.zhihu.com/p/23309424857

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12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。

行情和交易服务器的中断和再连接

在QMT程序化交易系统的右下角，能看到两个标签【行情】【交易】，如果是绿色的，则代表行情和交易服务器是连接正常的，如果变成了红色，则代表那个服务器连接中断了。 如果是红色的，则需要用鼠标点击红色部分，会弹出一个服务器的选择窗口，你需要手动的进行相应的切换，直到右下角的标签变成了绿色的。

服务器再连接

需要注意的是，有的券商的再连接发生时，当前的所有的交易数据，券商会完全再给你推送一次，所有的成交回报，所有的下单回报等等，大家一定要特别注意，不能相信券商给你推送的交易回报, 它可能是重复发送的（如deal_callback等等）。这个问题在我之前的新手指南的帖子里面已经讲解了解决办法。大家可以通过本文章顶端的博客专栏连接，进入我的专栏，查看其他的QMT相关的文章。

服务器中断的识别

很多时候，我们的QMT程序化交易系统是24小时运行的，那么我们其实希望能够识别到当前【行情】【交易】服务器连接是否正常。我自己所采用的方法比较简单，就是设置一个定时函数，在盘前的一个时间去通过获取行情来判断是否存在服务器中断。如果判断中断了，则给我发送一个消息。当然如果我在设定的时间完全没有收到任何消息的话，则说明整个QMT程序存在不正常运行的状况，需要人工干预。

我使用的方法非常简单，就是在9点15运行如下代码：

def DailySettings(ContextInfo):
	if getLastClose('510300.SH',ContextInfo) != False:
		sendMsg("morning")
def getLastClose(stock, ContextInfo):
	stockList = [stock]
	tick = ContextInfo.get_full_tick(stock_code = stockList)
	if stock in tick:
		if "lastClose" in tick[stock]:
			return tick[stock]["lastClose"]
	sendMsg("行情数据可能存在问题")
	return False

如果我收到了morning，则通常QMT行情服务器连接正常。 sendMsg函数，大家可以自定义，比如发送短信，发送邮件，发送飞书消息，自己能接收到就行。

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11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门槛

迅投QMT量化交易系统是一款基于python语言开发的量化交易平台，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，只需要具备一定的编程基础，资金门槛很低，就可以开始使用。

其实迅投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。

首先就是开通一个券商，他们要能支持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，可以开通QMT，如果有需要，可以通过底部的知乎链接，与我联系，可以与我的客户经理联系，其实也就只是帮个忙，不是全职干这个的哈。

python版本

QMT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。

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。

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。

QMT的安装

安装包要从你的券商那里下载，安装很简单，就普通安装一个软件有一样。

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。

QMT的运行环境

需要一台Windows电脑，也可以使用云服务器，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。

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。

一些Bug与解决方案

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。

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。