跳转至

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
  2. 模拟盘交易
  3. 导出到 PTrade/QMT
  4. 实盘注意事项
  5. 4.6 组合风控:上线前的组合体检
  6. 常见问题
  7. 完整示例

1. 从回测到实盘的流程

回测验证(历史数据)
    ↓  通过
模拟盘(实时行情,虚拟资金)
    ↓  通过
PTrade/QMT 模拟运行(真实交易接口,虚拟环境)
    ↓  通过
PTrade/QMT 实盘(真实资金)

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:

import sys
sys.path.insert(0, '/path/to/your/EasyQuant')

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