今天继续按计划更新教程内容，今天更新量化常见的量化问题的解答，更新计划，上一篇更新的算法算法研究--单边网格卖出原理
1 策略算法原理
2qmt使用教程
3策略算法原理
4量化研报
5 ptrad使用教程
6 因子分析
7策略算法原理
我整理了qmt常见的问题1000条内容，后面持续更新，利用ai深度训练； 文档，同时参考了我写的很多量化教程，实盘系统训练的内容
1QMT量化交易框架的核心运行机制是什么
QMT系统模型是根据行情驱动，逐K线运行的。点击运行模型时，模型从第0根K线开始运行到最后一根K线，每根K线调用一次Python模型中的handlebar(ContextInfo)函数。在实时行情中，handlebar会随着主图标的tick更新被调用，但只有k线结束时最后一个分笔触发的handlebar调用，对ContextInfo的修改才有效，这是为了模拟k线效果。
2QMT策略代码的基本结构是怎样的？
QMT Python API策略代码结构分两个部分：初始化函数init(ContextInfo)和行情事件函数handlebar(ContextInfo)。init在整个策略中只执行一次，一般用于设置交易佣金、滑点、基准、初始化股票池、资金账号、全局变量等。handlebar在每根K线（或每个有效tick）被调用，是策略逻辑和交易信号生成的核心。
3如何解决安装第三方Python库时出现的`ImportError: Forbidden: Module openpyxl not in whitelist!`报错？
该报错是由于券商后台开启了Python库白名单。如果您使用的是券商提供的QMT终端，需要联系所属券商开通对应Python库的白名单权限。您也可以选择在本地安装独立的Python 3.6环境，并使用pip install命令将库安装到QMT客户端的bin.x64\Lib\site-packages目录下。
4QMT支持哪些默认集成的第三方Python库？
QMT自带的Python环境集成了以下常用库：NumPy、Pandas、Patsy、SciPy、Statsmodels、TA_Lib（技术分析库）。这些库可以直接在策略代码中import使用，无需额外安装。
5QMT中不同板块（主板、创业板、科创板）的委托数量规则是什么？
- **科创板**：连续交易时段限价单笔最大10万股，市价单笔最大5万股，盘后定价交易单笔最大100万股。200股起，1股递增。
- **创业板**：连续交易时段限价单笔最大30万股，市价单笔最大15万股。100股起，100股递增。
- **主板**（6和0开头）：连续交易时段单笔最大100万股。100股起，100股递增。
6在策略回测时，推荐使用哪种复权方式？为什么？
推荐在回测中使用**等比前复权价**。实际中配股、增发等动作会造成价格异常波动，使用等比前复权可以避免这种波动对回测的影响。它始终以统一标准的价格进行买卖，方便的同时也能得到更贴合历史数据的回测收益和表现。
7`ContextInfo`对象的逐K线保存机制具体是怎样的？
ContextInfo由底层维护并传递给系统函数。同一根K线（bar）内，ContextInfo本质上是同一个变量，对其修改只对本次handlebar调用的下文起作用。handlebar里对ContextInfo的修改在该bar结束后才会保存，在下一个bar体现出来。每次handlebar调用前会对ContextInfo进行深拷贝，如果新的分笔不是新K线的第一个分笔，则判断上一个分笔不是K线最后分笔，ContextInfo对象会被回退为之前深拷贝的那个。此机制目的是模拟K线效果，只在K线结束的分笔生效一次。
8`passorder`函数中的`quickTrade`参数（快速交易参数）有哪几种取值？分别代表什么含义？
quickTrade参数默认为0。
- **传0**：只在K线结束分笔时调用passorder产生有效信号，其他情况调用不产生信号。适用于希望K线结束下单（信号不闪烁）的场景。
- **传1**：在当前K线为最新K线时（ContextInfo.is_last_bar()为True）调用passorder产生有效信号，历史K线调用不产生信号。适用于希望盘中出现信号立即下单，但接受信号闪烁风险的场景。
- **传2**：任何情况下调用passorder都产生有效信号，不会丢弃任何一次调用的信号。**注意**：在定时器回调、行情回调函数、after_init函数中调用下单函数时，必须传2，确保不会漏单。
9为什么调用`passorder`后立刻查询`get_trade_detail_data`，查不到对应委托，可用资金也没变化？
QMT的交易接口是异步的。以quickTrade=2的passorder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。委托、成交、持仓、账号信息的更新是在客户端后台进行的，Python策略无法手动控制。get_trade_detail_data和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，不是实时查询柜台。客户端本地缓存状态定期接收柜台推送刷新（有交易主推的柜台约50ms一次）。因此不能认为查询到的状态与柜**全实时一致。
10实盘策略中如何设计可靠的委托状态管理机制，防止超单
常见的做法是：
- 使用**全局变量字典**保存委托状态。
- 给每一笔委托一个独立的userOrderId（投资备注）作为字典的key，委托状态（如'待报'、'已报'、'部分成交'、'全部成交'、'已撤'等）作为字典的value。
- 下单后，默认将该笔委托的状态设置为'待报'。
- 之后通过交易回调函数或定期查询get_trade_detail_data来获取委托回报，并更新字典中对应委托的状态。
- 如果某品种股票存在'待报'或'已报'状态的委托，则暂停该品种的后续报单，防止发生超单。可参考实盘示例7（调整至目标持仓Demo）的实现。
更多的内容按计划更新，不懂的问我就可以，加我备注入群可以加入量化研究群
量化福利，需要的找我就可以
