前言
在QMT里用AI写策略,大家应该都踩过这些坑:
- 把策略描述丢给DeepSeek/豆包/GPT,生成的代码看着工整,粘进QMT直接
NameError 或 AttributeError——因为通用模型根本不知道 ContextInfo 的生命周期,也不知道 passorder 的 quickTrade 参数在不同上下文该传几;
- 想让AI帮你改老策略,它给你重写一整个新类,原来的仓位管理逻辑全丢了;
- 聚宽写的策略想搬到QMT实盘,接口从
get_price 到 get_market_data 全得手工映射,AI还经常混用本地数据和全推数据的API;
- 最头疼的是回调时序问题——
handlebar 非交易时间被触发、after_init 里下单没回报,通用模型对这些几乎一无所知。
最近在用的这个工具,定位不是"通用聊天机器人加个量化皮肤",而是把QMT/PTrade/聚宽等平台的API规范、回测框架约束、实盘运行陷阱直接编进了生成逻辑里:
👉 https://qmtai.cn/?wj
一、它"懂"QMT的地方在哪
说几个实测下来差异最明显的点:
| 场景 |
通用大模型 |
这个工具 |
passorder调用 |
经常漏 quickTrade参数,或在不该传2的地方传2 |
根据上下文(定时器/回调/行情触发)自动判断 |
| 复权方式 |
不提或随便写个"前复权" |
明确标注回测建议等比前复权,与迅投文档一致 |
| 行情数据选择 |
混用本地/全推/订阅,不做区分 |
按场景提示:历史回测用本地,实盘快照用全推或订阅 |
| 异步委托查询 |
写完 passorder紧接着 get_trade_detail_data查持仓 |
知道这是异步接口,会加延迟或回调读取的注释 |
| 多策略阻塞 |
完全不提 |
会提示内置Python单线程风险,建议极简模式+xtquant |
二、实际能干什么
- 从零生成:描述选股条件+择时信号+风控规则,直接出带
init / handlebar / 交易回调的完整策略骨架,不是伪代码,是能粘进去跑的;
- 改老代码:把现有
.py 贴进去,说"加一个ATR动态止损"或"把调仓周期从日线改成60分钟",它在原结构基础上改,不推翻重来;3. 跨平台迁移:聚宽→QMT、QMT→PTrade、通达信公式→Python策略,AI会做接口映射而不是简单翻译语法;
- 报错排查:把QMT日志(
userdata\log 下的 XtClient_FormulaOutput)贴进去,它能定位是白名单问题、Python路径问题还是逻辑错误。
三、边界说清楚
- 生成的是策略初稿,不是"粘进去就能跑实盘"的成品。回测务必自己跑,手续费/滑点/撮合口径逐一对过;
- 不连券商账户,不代下单,不涉及任何资金操作;
- 目前代码转换和PTrade回测是内测功能,稳定性还在迭代;
- 内置Python的第三方库白名单限制仍然存在,它生成的代码如果用了非内置库(比如
scikit-learn),你还是得找券商开权限。
结语
量化经典板块的各位应该都认同一个观点:策略的Alpha在逻辑里,不在代码搬运里。 把API对接、接口适配、平台迁移这些重复劳动交给更懂平台的AI,把精力留给因子研究和风控设计,这才是正道。
有同样在折腾"AI+QMT"工作流的,欢迎贴你踩过的坑或攒的提示词,一起交流。 |