最近在折腾策略跨平台迁移(聚宽 → QMT/miniQMT)和老策略重构,通用大模型(GPT/DS/豆包)生成的代码在 QMT 内置 Python 环境里经常踩坑——passorder 的 quickTrade 参数不对、回调时序搞混、handlebar 非交易时段被触发、异步委托缓存读不到最新数据……改来改去不如自己写。
后来试了一个专门做量化平台代码生成的工具,不是通用聊天机器人,而是把各平台的 API 规范、回测框架、实盘约束都编进了生成逻辑里:
👉 https://qmtai.cn/?wj
一、为什么不用通用大模型直接写?
通用模型写 QMT 代码的通病是把 QMT 当普通 Python 写,忽略了几个关键点:
| 坑点 |
通用模型常见错误 |
该工具的处理 |
passorder下单 |
不传 quickTrade或传错值 |
根据场景自动选 0/1/2,定时器/回调中默认传 2 |
handlebar回调 |
不考虑非交易时段被触发 |
生成代码自带交易时间判断,跳过非交易时段执行 |
| 行情数据 |
混用本地/全推/订阅数据 |
明确区分 get_full_tick、订阅数量限制、五档盘口权限 |
| 回测复权 |
用错复权方式 |
默认等比前复权,与迅投文档建议一致 |
| 异步委托 |
下单后立即查持仓/资金 |
提示缓存延迟,建议用交易回调或轮询 |
二、我实际用的三个场景
1. 聚宽 → QMT 策略迁移
把聚宽的双均线+仓位管理策略贴进去,选“聚宽转 QMT”,出来的代码直接用了 get_history + passorder + ContextInfo 的骨架,因子计算部分保留了 pandas,只改了数据接口和下单函数,半小时搞定原来要半天的活。
2. 老策略加止损/改逻辑
现有 QMT 策略贴进去,说“加一个 5% 移动止损,调仓周期改成每周五收盘”,它直接给出补丁版,连 after_init 里设定时器都写好了。
3. 报错排查
把 NameError: name 'pandas' is not defined 或 not in whitelist 的报错贴回去,它会提示检查 Python 路径是否指向 bin.x64、是否需要联系券商开白名单——这些在 QMT 社区里都是高频问题。
三、边界说明(很重要)
- 生成的是代码初稿,不是直接可实盘的黑箱,回测和仿真必须自己跑;
- 不连券商账户、不代下单,纯本地代码生成;
- 内置 Python 环境已知的库(numpy/pandas/talib 等)它知道,但第三方库仍需券商白名单;
- 目前支持 QMT / miniQMT / PTrade / 聚宽 / SuperMind / 掘金 / 天勤等,跨平台转换还在内测。
四、想跟圈子里的朋友探讨
- 你们在做因子研究或策略迭代时,最耗时的环节是写代码、调 API,还是回测参数优化?
- 有没有人试过用 AI 辅助写 VBA 因子(论坛里那个比 Python 快 100 倍的帖子)?跟这个工具生成的 Python 策略比,实盘延迟差距大吗?
- 如果大家感兴趣,我可以整理几个针对 QMT 内置 Python 的提示词模板(选股+择时+风控),回来发出来。
工具地址:https://qmtai.cn/?wj
版本:V1.21.2(内测功能:代码转换、PTrade 回测、聚宽-QMT 中转站) |