我的 QMT 实战笔记（开篇）：从 0 到可用的量化策略，实战中的 3 个关键误区

我的 QMT 实战笔记（开篇）：从 0 到可用的量化策略，实战中的 3 个关键误区

回顾半年前编写的 QMT 均线策略，其回测年化收益 300% 的结果，如今看来充满了未来函数的典型误区。

作为从 "对着 API 文档调试" 到 "实盘运行近一年" 的实践者，发现许多朋友与我初期经历相似：具备 Python 基础，能理解基础策略逻辑，但在实际落地时，常陷入 "理论可行，实操失效" 的困境。

因此计划开设系列分享，系统拆解实战中遇到的问题、验证有效的逻辑及可复用的代码片段。量化研究中，群体经验的交流远胜于独自摸索。

以下梳理初期实践中影响较大的 3 个核心问题，供参考避坑：

01 警惕 "完美回测陷阱"，先掌握 QMT 策略基础架构

初期使用 QMT 时，过度关注指标复杂度，反而忽视了策略运行的基础逻辑。实际上 QMT 策略的核心架构可简化为两部分：

• init函数：负责初始化配置，仅需定义股票池与初始资金等必要参数，避免冗余代码
• on_bar函数：按 K 线周期触发，是实现交易逻辑的核心模块

分享一套精简的基础框架（较官方示例精简 50% 冗余代码）：

def init(context):    # 核心初始化参数    context.stock_list = ["600036.sh", "000858.sz"]  # 标的池：招行+五粮液    context.init_cash = 500000  # 初始资金50万元def on_bar(context, bar_dict):    # 日线级信号判断（避免盘中波动干扰）    for stock in context.stock_list:        # 过滤停牌标的        if not bar_dict[stock].is_trading:            continue        # 交易逻辑嵌入区（后续详解）        close_price = bar_dict[stock].close

初期阶段，能稳定运行基础框架，已可超过 60% 的入门者。

02 指标计算无需过度依赖外部库，QMT 原生函数足以支撑进阶需求

曾花费大量时间研究 TA-Lib 的参数配置，后发现 QMT 内置的get_price函数已能满足多数指标计算需求，以均线为例：

# 获取20日收盘价数据，计算5/10日均线df = get_price(stock, end_date=context.now, frequency='1d', fields=['close'], count=20)ma5 = df['close'].tail(5).mean()  # 近5日收盘价均值ma10 = df['close'].tail(10).mean()  # 近10日收盘价均值

关键注意点：end_date=context.now是确保数据实时性的核心参数，若使用固定日期会导致未来函数问题（本人初期曾因此导致回测与实盘结果严重偏离）。

03 下单逻辑需完善前置校验，3 项基础检查不可少

初期实盘时，因未完善下单前的校验逻辑，多次出现 "信号触发但无法成交" 的情况。目前实盘必做的三项检查：

# 买入前的基础校验if context.positions.get(stock, 0) > 0:  # 避免重复持仓    continueif close_price * 100 > context.cash:  # 验证资金充足性（100股为最小单位）    continueif bar_dict[stock].volume == 0:  # 过滤零成交标的    continue# 执行下单（小仓位试错）order_shares(stock, 100)

这些基础校验虽简单，却有效避免了多数实盘执行层面的问题。

若您在 QMT 实践中遇到特定问题，欢迎在评论区留言 —— 后续内容可能会针对高频问题进行专题解析。量化实践中，集体避坑远比独自试错更高效。