Tutorial 04: 模拟盘到实盘¶
本篇导览
| 项目 | 说明 |
|---|---|
| 目标 | 理解回测 → 模拟盘 → QMT/PTrade 实盘的差异与部署步骤 |
| 预计用时 | 约 60 分钟 |
| 前置 | Tutorial 00;导出见 PTrade/QMT 导出指南 |
回测通过后,用实时行情验证策略,再导出到 PTrade/QMT 进行实盘部署。
导出适配: PTrade/QMT 导出指南
目录¶
1. 从回测到实盘的流程¶
每一步的目标不同: - 回测:验证策略逻辑是否正确、历史表现如何 - 模拟盘:验证实时数据流是否稳定、信号是否及时 - PTrade/QMT 模拟:验证交易接口是否正常、委托成交是否符合预期 - 实盘:最终验证——真金白银
2. 模拟盘交易¶
2.1 基本用法¶
from eqlib import *
def initialize(context):
g.security = '601390'
set_benchmark('000300.XSHG')
set_order_cost(OrderCost(
open_tax=0, close_tax=0.0005,
open_commission=0.00025, close_commission=0.00025,
min_commission=5,
))
run_daily(market_open, time='every_bar')
def market_open(context):
hist = attribute_history(g.security, 25, '1d', ['close'])
if hist.empty or len(hist) < 20:
return
price = hist['close'].iloc[-1]
ma5 = hist['close'].tail(5).mean()
ma20 = hist['close'].tail(20).mean()
if price > ma5 > ma20:
if g.security not in context.portfolio.positions:
order_value(g.security, context.portfolio.available_cash * 0.95)
log.info('买入 %s @ %.3f' % (g.security, price))
elif price < ma5 < ma20:
if g.security in context.portfolio.positions:
order_target(g.security, 0)
log.info('卖出 %s @ %.3f' % (g.security, price))
# 启动模拟盘,每 60 秒刷新
run_paper_trade(
initialize,
starting_cash=100000,
benchmark='000300.XSHG',
interval=60, # 轮询间隔(秒)
)
2.2 模拟盘输出¶
以下为输出格式示意(数字为示例,非真实运行结果):
[09:30:00] total_value=100,000.00 PnL=+0.00 (+0.00%)
[09:31:00] total_value=100,000.00 PnL=+0.00 (+0.00%)
[09:32:00] 买入 601390 @ 5.230
[09:32:00] total_value=100,234.56 PnL=+234.56 (+0.23%)
...
2.3 模拟盘 vs 回测的差异¶
| 回测 | 模拟盘 | |
|---|---|---|
| 数据源 | akshare 历史数据 | akshare 实时行情 |
| 速度 | 几秒钟跑完一年 | 持续运行,实时更新 |
| 交易 | 订单入队,下一交易日开盘价成交 | 模拟成交(使用实时价格) |
| 用途 | 验证策略逻辑 | 验证实时数据流和信号及时性 |
2.4 模拟盘注意事项¶
- 在交易时段运行才能获得实时行情
- 交易时段门控:引擎仅在 09:15–15:00(北京时间)内撮合与取数,之外的时间循环空转;当日首笔成交等集合竞价结束(09:25)后进行;盘中暂时取不到行情的订单保留 pending,由订单超时机制兜底(见
set_order_timeout) - 回调顺序:
before_trading_start总在当日任何定时函数与handle_data之前运行一次——即使循环在集合竞价窗口(09:15–09:25)内苏醒也一样,与回测顺序一致;竞价期间挂出的订单不参与 09:25 集合竞价撮合,按统一 T→T+1 模型次日成交 - 用户回调(定时任务、
handle_data)连续 3 次异常会被熔断禁用,进程不会因单个回调错误退出 - 使用
Ctrl+C停止 - 模拟盘不会产生真实委托,不会真正买卖股票
- 建议至少运行 1-2 周,观察信号是否合理
3. 导出到 PTrade/QMT¶
模拟盘验证通过后,可以导出策略到 PTrade/QMT 平台进行实盘。
3.1 使用导出工具¶
导出由 eqlib.ptrade_adapter.export_ptrade_script() 完成。注意 examples/12_paper_trade.py 是模拟盘演示脚本,不做导出:
from eqlib.ptrade_adapter import export_ptrade_script
# 把你的策略文件转成 QMT 可运行的脚本
export_ptrade_script(
strategy_file="my_strategy.py", # 需包含 initialize(context)
output_file="ptrade_strategy_generated.py", # 生成文件路径
)
生成的文件会把你的策略代码嵌入 QMT 模板,并自动补上 init(ContextInfo) / handlebar(ContextInfo) 入口。不传 strategy_file 时,函数把空模板打印到 stdout,不读任何文件。
3.2 自定义策略导出¶
把 strategy_file 指向你自己的策略 .py 路径(需包含 initialize(context)):
from eqlib.ptrade_adapter import export_ptrade_script
export_ptrade_script(
strategy_file="/path/to/my_strategy.py",
output_file="/path/to/ptrade_strategy_generated.py",
)
3.3 手动迁移步骤¶
Step 1:在 QMT 策略编辑器中新建策略文件。
Step 2:写入以下内容:
from eqlib.ptrade_adapter import *
# === 策略参数(模块级常量) ===
SECURITY = '601390'
FAST_PERIOD = 5
SLOW_PERIOD = 20
# === 初始化函数(与回测完全一致) ===
def initialize(context):
g.security = SECURITY
g.fast_period = FAST_PERIOD
g.slow_period = SLOW_PERIOD
set_benchmark('000300.XSHG')
set_account('6000000248') # 你的 QMT 账号
run_daily(market_open, time='every_bar')
# === 策略逻辑(与回测完全一致) ===
def market_open(context):
hist = attribute_history(g.security, 25, '1d', ['close'])
if hist.empty or len(hist) < g.slow_period:
return
price = hist['close'].iloc[-1]
ma_fast = hist['close'].tail(g.fast_period).mean()
ma_slow = hist['close'].tail(g.slow_period).mean()
if price > ma_fast > ma_slow:
if g.security not in context.portfolio.positions or \
context.portfolio.positions[g.security].amount == 0:
order_value(g.security, context.portfolio.available_cash * 0.95)
log.info('BUY %s @ %.3f' % (g.security, price))
elif price < ma_fast < ma_slow:
if g.security in context.portfolio.positions and \
context.portfolio.positions[g.security].amount > 0:
order_target(g.security, 0)
log.info('SELL %s @ %.3f' % (g.security, price))
# === QMT 入口函数(固定写法) ===
def init(ContextInfo):
set_account('6000000248') # 你的 QMT 账号
start(ContextInfo)
def handlebar(ContextInfo):
on_bar(ContextInfo)
Step 3:在 QMT 中设置账号 → 运行回测或实盘。
3.4 迁移差异总结¶
从 EasyQuant 回测到 PTrade/QMT 实盘,只有 3 处差异:
| # | 差异 | 回测 | PTrade/QMT |
|---|---|---|---|
| 1 | 导入语句 | from eqlib import * |
from eqlib.ptrade_adapter import * |
| 2 | 账号设置 | run_strategy(starting_cash=...) |
set_account('你的QMT账号') |
| 3 | 入口函数 | run_strategy(initialize, ...) |
def init(ContextInfo): start(ContextInfo) |
策略逻辑本身完全不变。
3.5 代码自动转换¶
适配器自动处理以下内容,你不需要手动改:
- 股票代码:
601390→601390.SH - 指数代码:
000300.XSHG→000300.SH - 交易函数:
order_value()→ QMT 原生order_value() - 数据函数:
attribute_history()→ QMT 原生get_market_data()
4. 实盘注意事项¶
4.1 回测模式 vs 实盘模式¶
| 回测模式 | 实盘模式 | |
|---|---|---|
| 数据 | QMT 本地历史数据 | 实时行情 |
| 交易 | 虚拟账号执行,产生买卖点 | 真实委托,实际成交 |
| 滑点 | 无 | 有(券商实际成交价可能有偏差) |
| 手续费 | 按设置费率模拟 | 券商实际费率 |
4.2 资金管理¶
- 先用小仓位开始实盘(如总资金的 10%-20%)
- 观察 1-2 周,确认策略行为与回测一致
- 逐步增加仓位,不要一步到位
4.3 风控建议¶
# 实盘建议增加的风控条件
# 1. 单股最大仓位限制
def market_open(context):
max_position_pct = 0.30 # 单股不超过 30%
max_value = context.portfolio.total_value * max_position_pct
buy_value = min(context.portfolio.available_cash * 0.95, max_value)
order_value(g.security, buy_value)
# 2. 组合最大回撤限制
if context.portfolio.returns < -0.15: # 总亏损超过 15%
# 清仓所有持仓
for sec in list(context.portfolio.positions.keys()):
order_target(sec, 0)
log.warn('最大回撤触发,清仓所有持仓')
return
# 3. 每日最大交易次数限制
g.daily_trades = getattr(g, 'daily_trades', 0)
if g.daily_trades >= 5: # 每天最多 5 笔交易
return
4.4 日志记录¶
实盘中日志很重要,建议记录关键操作:
def market_open(context):
log.info('当前总资产: %.2f, 可用现金: %.2f, 收益率: %.2f%%' % (
context.portfolio.total_value,
context.portfolio.available_cash,
context.portfolio.returns * 100,
))
# 每次买卖都记录
if signal_buy:
order_value(security, buy_value)
log.info('BUY %s, amount=%d, price=%.3f' % (security, amount, price))
4.5 监控¶
- 定期检查日志,确认策略运行正常
- 关注买卖点是否与预期一致
- 对比实际收益与回测预期,如果偏差过大,需要排查原因
4.6 组合风控:上线前的组合体检¶
同时运行多个策略时,上线前用 PortfolioRiskMonitor 对组合做一次体检。它计算组合 VaR、策略相关性、持仓集中度等指标,并按阈值给出 YELLOW / RED / KILL_SWITCH 三级预警。
注意它的输入口径:PortfolioRiskMonitor 不读实时 context,而是通过 add_strategy(name, result) 接收各策略的回测结果(run_backtest() 返回的 dict,其中 recorded_values 由引擎每日自动记录),daily_check() 是对这些结果的事后分析。把它放进实盘 market_open 里不会报错,但因为没有喂入任何策略结果,VaR 只会返回 0——属于空转。完整用法(阈值说明、报告字段、熔断清单)见 Tutorial 10 §6–7。
from eqlib import (
run_backtest, PortfolioRiskMonitor, RiskThresholds, check_kill_switch,
)
# 1. 先跑各策略的回测
result_a = run_backtest(
initialize_ma, start_date='2024-01-01', end_date='2024-12-31',
starting_cash=100000,
)
result_b = run_backtest(
initialize_rsi, start_date='2024-01-01', end_date='2024-12-31',
starting_cash=100000,
)
# 2. 按风险偏好调整阈值
thresholds = RiskThresholds(
max_drawdown_yellow=0.12,
max_drawdown_red=0.18,
max_drawdown_kill=0.25,
single_stock_max=0.10,
)
monitor = PortfolioRiskMonitor(thresholds=thresholds)
# 3. 喂入回测结果,生成风控报告
monitor.add_strategy('均线策略', result_a)
monitor.add_strategy('RSI 策略', result_b)
report = monitor.daily_check()
print('预警级别:', report.alert_level.value)
for t in report.triggers:
print('触发:', t)
for r in report.recommendations:
print('建议:', r)
# 4. 达到 KILL_SWITCH 时,取出需要立即执行的操作清单
for action in check_kill_switch(report):
print('熔断操作:', action)
阈值按自身风险承受能力调整。保守型可将 max_drawdown_red 降至 0.15、single_stock_max 降至 0.05;激进型可适当放宽,但不建议超过默认值的 1.5 倍。实盘阶段建议定期重跑这个体检,并把 check_kill_switch() 返回的清单接入通知渠道(如 DingTalk / 飞书 webhook),避免极端行情下人工响应延迟。
5. 常见问题¶
Q: 模拟盘和回测结果不一致?¶
可能原因: - 回测用收盘价,模拟盘用实时价格(可能有滑点) - 回测期间和模拟盘期间的市场环境不同 - 模拟盘运行时间不足,信号不够
Q: QMT 中报 ModuleNotFoundError: No module named 'eqlib'?¶
在 QMT 环境中需要确保 eqlib 可访问:
- 把 eqlib 目录复制到 QMT 的 Python 路径中
- 或者在 QMT 策略代码开头添加:
Q: 实盘交易不成交?¶
可能原因: - 价格偏离市场价太多(如涨跌停) - 流动性不足,成交量太低 - 账号未设置或未授权 - 非交易时段(不在 9:30-11:30 或 13:00-15:00 内)
Q: 如何同时运行多个策略?¶
每个策略需要在 QMT 中创建独立的策略文件,分别设置账号和股票池。
Q: 如何从 PTrade/QMT 同步真实持仓?¶
适配器内置了 Portfolio.update_from_qmt() 方法,会在每根 bar 开始时自动同步 QMT 真实账户状态。详见 PTrade/QMT 导出指南。
6. 完整示例¶
以下是从回测到实盘的完整流程:
6.1 本地回测¶
# ma_strategy.py — 本地回测用
from eqlib import *
SECURITY = '601390' # 模块级常量;引擎在 initialize 之前会清空 g
def initialize(context):
g.security = SECURITY # 运行时要用的标的一律在 initialize 里挂到 g
set_benchmark('000300.XSHG')
set_order_cost(OrderCost(
open_tax=0, close_tax=0.0005,
open_commission=0.00025, close_commission=0.00025,
min_commission=5,
))
run_daily(market_open, time='every_bar')
def market_open(context):
hist = attribute_history(g.security, 25, '1d', ['close'])
if hist.empty or len(hist) < 20:
return
ma5 = hist['close'].tail(5).mean()
ma20 = hist['close'].tail(20).mean()
price = hist['close'].iloc[-1]
if price > ma5 > ma20:
if g.security not in context.portfolio.positions:
order_value(g.security, context.portfolio.available_cash * 0.95)
elif price < ma5 < ma20:
if g.security in context.portfolio.positions:
order_target(g.security, 0)
result = run_strategy(
initialize, '2024-01-01', '2024-12-31',
starting_cash=100000, securities=[SECURITY],
)
6.2 模拟盘验证¶
# 同一个文件,改为模拟盘运行
# python ma_strategy.py --paper-trade
import sys
if '--paper-trade' in sys.argv:
run_paper_trade(
initialize,
starting_cash=100000,
benchmark='000300.XSHG',
interval=60,
)
else:
result = run_strategy(
initialize, '2024-01-01', '2024-12-31',
starting_cash=100000, securities=[SECURITY],
)
6.3 QMT 实盘¶
# ma_strategy_ptrade.py — QMT 策略编辑器中运行
from eqlib.ptrade_adapter import *
SECURITY = '601390'
def initialize(context):
g.security = SECURITY
set_benchmark('000300.XSHG')
set_account('6000000248')
run_daily(market_open, time='every_bar')
def market_open(context):
hist = attribute_history(g.security, 25, '1d', ['close'])
if hist.empty or len(hist) < 20:
return
ma5 = hist['close'].tail(5).mean()
ma20 = hist['close'].tail(20).mean()
price = hist['close'].iloc[-1]
if price > ma5 > ma20:
if g.security not in context.portfolio.positions:
order_value(g.security, context.portfolio.available_cash * 0.95)
elif price < ma5 < ma20:
if g.security in context.portfolio.positions:
order_target(g.security, 0)
def init(ContextInfo):
set_account('6000000248')
start(ContextInfo)
def handlebar(ContextInfo):
on_bar(ContextInfo)
恭喜¶
你已经完成了从策略概念到实盘部署的完整流程!
进一步学习¶
- Tutorial 05: RSI 均值回归策略 — 学习与趋势跟踪截然不同的均值回归策略思路
- Tutorial 06: 行业轮动策略 — 利用 A 股行业轮动构建超额收益策略
- Tutorial 07: 多因子选股 — 系统性量化选股方法
- PTrade/QMT 导出指南 — 适配器 API 详解
- API 参考 — 完整的 API 列表
- 工具库参考 — 技术指标、统计工具、资金管理
- 示例代码 — 25 个可直接运行的示例
- Example 19: 支撑阻力位组合策略 — 一个完整的多股票组合策略实战案例,包含预生成的回测报告