q core量化怎么操作

量化回测速度太慢，想使用外部数据调用不了？专业级别的量化软件是哪一个？之前一直都介绍 ptr 的， 就有很多投资者反映 ptr 的 有很多的局限性，比如无法调用三分库，数据对接不了通达性，回测的速度、精度和准度都不够。 我们这边其实一直都是两个连环软件，另一个 qmt 软件才是专业投资者必备的。我们先来看一个直观的案例，我们做了两个软件的回测，用大模型生成了两个软件对应的双均线策略， 在选择相同的时间周期，也就是二零二三年到二零二五年两年的数据，这里就有区别了。 ptr 的 只有日线级别的回测和分钟级别的回测，而且可选参数是没有现成的，需要自己编写在策略里面。但是 qmt 的 回测参数可以直接在这里填写，不用全部写在策略里面， 并且回测的周期从一分钟到月线都是支持的，甚至还可以手动设置 tik 级别的数据回测，我们现在运行一下试下，效果很明显， qmt 的 速度比 tree 的 要快非常多，因为 qmt 的 数据是全内存架构，基于本地数据的调用起来就很快。 而且从品类方面， p 雀的主要支持股票和 etf， 做不了期货期权，但 qmt 从股票两融到期货期权，甚至港股通、北交所全市场覆盖。如果你想玩期限套利， etf 期权对冲，没有 qmt 基本玩不转。 如果你是量化新手，量化策略逻辑对三方库依存度不高，主要依赖条件、单网格、工具匹配等非常友好，他也是非常容易上手的量化软件。 但如果你是专业投资者、高频交易者，或者对策略深度、代码保密有极致要求的人， qmt 绝对是你的不二之选。

嗨，大家今天想跟你们聊一个特别有意思的话题，刚学量化的朋友，是不是经常被各种策略名字绕晕？什么趋势跟踪、均值回归、网格交易、统计、套利，听着都头大对不对？其实啊，把这些策略搞明白，就像认识不同性格的朋友， 今天我就用一个特别简单的方式，给你讲清楚量化的四大门派，顺便你也可以看看自己更适合哪一派。先来说说第一大派，趋势跟踪派。这个门派的核心思想特别简单，就四个字，顺势而为。它的逻辑是，趋势一旦形成了，就会延续一段时间， 涨的还会涨，跌的还会跌。你有没有听说过双均线策略，金叉买入，死叉卖出。这就是最典型的趋势跟踪。这个门派适合什么样的市场呢？单边行情，比如大牛市或者大熊市， 牛市里它能帮你抓住主升浪，熊市里它能让你空仓避险。但它的缺点也很明显，遇到震荡事就惨了，今天金叉，明天死叉，左右打脸，来回亏钱。什么样的人适合趋势跟踪？ 相信强者很强的人，能接受一定回撤，不追求买在最低点的人。如果你觉得跟着趋势走总没错，那你可能就是这一派。接下来是第二大派，均值回归派。这个门派和趋势跟踪完全相反，它的核心思想是涨多了会跌，跌多了会涨。 就像一根皮筋，拉的太长了总会弹回来，价格也是偏离价值太远了总会弹回来，价格也是偏离。价值太远了，百分之二十以上 他就买入，等反弹了再卖。这个门派适合什么市场？震荡式，就是那种上上下下的行情，他能在里面反复赚钱。但是缺点也很明显，遇到大单边行情就惨了，牛市里他早早卖飞，熊市里他一路抄底一路亏， 这就是所谓的逆势死扛。什么样的人适合均值回归？喜欢高抛低吸的人，有耐心等价格回归的人。如果你常说涨这么多了，该跌了吧，那你可能就是这一派。 第三大派叫网格交易派，这个门派很有意思，它有点像机械化的高抛低吸，怎么玩呢？就是先划一个价格区间，然后在这个区间里织一张网，跌了就买一格，涨了就卖一格， 像渔夫一样等着鱼自己撞上来。这个策略特别适合做 etf 和可转债，波动不大，心里不慌。优点是什么？完全机械化，不用预测涨跌， 正当时理，能持续赚小钱，而且心态特别友好，越跌越买，反正知道迟早会涨回来。缺点呢，遇到大单边行情就麻烦了，单边上涨会早早卖飞，单边下跌会越套越深。什么样的人适合网格交易？不想太烧脑求稳的朋友， 如果你喜欢稳稳的，幸福这一派可能很适合你。最后是第四大派，统计套利派。这个门派是四个里面最烧脑的，适合高级玩家。它的核心思想是找到两个相关性很高的品种，当它们的价差偏离正常范围时，卖便宜的，卖贵的， 等价格回归了再平仓赚钱。比如股指期货和 e t f 之间，螺纹钢和热卷之间都可以做这种套利。优点是什么？它和市场涨跌关系不大，赚的是价差回归的钱，理论上可以做到市场中性，就是不管大盘涨跌，都有可能赚钱。 缺点呢？首先， a 股市场做空工具少，很多策略玩不了。其次，价差可能长时间不回归，考验耐心。还有这种策略容量有限，钱多了就不好做了。 什么样的人适合统计套利，有金融工程背景，喜欢钻研复杂模型的玩家，如果你是数学系毕业的，这一派可以试试。 好了，四大门派介绍完了，我们来总结一下。趋势跟踪派，顺势而为，适合单边行情，但要能扛住震荡均值。回归派，高抛低吸，适合震荡行情，但要小心单边。网格交易派，机械化操作求稳首选，但怕大单边 同机套利派赚价差的钱，理论上最管，但门槛最高。新手，我建议先从趋势跟踪或网格交易入手， 逻辑简单，容易上手，跑熟了再慢慢尝试其他门派。最后，问大家一个问题，你觉得你更像哪一派？或者你现在在用哪种策略？欢迎在评论区留言，我们一起交流，记得点赞收藏，下期见！

最后一次买入也出来了，那能把我们最后一次买入的时间也给你展示出来，我们来看一下啊， 这就很神了。这个 ok， 然后我看一下。呃，指标的参数是什么？哎呦，我不知道它指标参数是什么，我来看它指标参数是 因为你要对齐啊，对应嘛？所以就要问问它指标参数是什么啊？它是拉长周期的 啊，目前是五和十嘛，五和十 ok， 五和十偏移运行，然后我们这边改成五和十 ok， 然后我们看它的 埋入的时间，是吧？这一系列的你都可以用这个 ai 去 ai 去聊了，这里面调用的回测光源是 ai 自动跑的吗？ ai 调用的数据是从哪里获取的？ ok， 所有的他的调用，所有的他的数据，结果都是用我们的椭圆里面的数据，包括回测也是用了我开始讲的那个框架，他直接去调了运行的，出来结果的啊，出来结果的，然后我们再看看啊，再好一个六零零五幺九 看一下。对，你拿到脚本之后啊，其实就这么用啊，就这么用，没有什么，你要再去理解代码什么的，如果你要理解，你也可以跟他去聊啊， 这个是我，我模拟大家啊，如果拿到这个脚本之后，你去啊任何品种上去跑你的指标，这因为我这用的是最简单的一个 m a 指标，那它对应的其实在软件里面其实就就是这个指标嘛， 标，它在二十七号这边有一个买入信号，对吧？买入信号，然后直线的买入，那回测的结果是多少？但软件端已经有了，它只是 ai 把它数据拿过来，对吧？或者 ai 驱动了你的， 你的软件去运行你的接口去运行你的 python 模块去运行啊？ ok， 那 它这它这数据有点问题，他觉得语法有点问题，对吧？ 让他去跑啊？对，是直接通过查找 count， 查找 count 是 我们里面的一个重要的大家，大家如果对这个感兴趣，我可以去把这个打开啊，把这个代码打开，打开代码我们一起来看一下，就它其实掉的是什么啊？我们看一下啊。 呃，你用的是哪个脚本？ 你甚至你可以跟他说你用的是你用的，你用的是哪边的啊？他用的是这个回测任意指标的 这个脚本儿，对不对？然后他就是把什么把趋势过滤的双肩线改成了我们要的 m a 金叉四叉这个最简单的策略。然后他做了什么事儿？他把这个 stock list 改成了我们要的两个品种啊，单标的，对吧？然后他运行了我们的 啊拍摄环境，然后去跑了这个回测啊，他把整个步骤都告诉你了，我们讲问他在怎么做的步骤也告诉你了。所以我还想开文件，开文件又是很多代码，其实就没有必要，没有必要啊，那 ok， 那 啊，这样子啊，我们回测完了。

hello， 大家好，今天介绍一个目前国内使用最广泛、开发最成熟的量化交易软件 qmt， 这个就是 qmt 的 登录界面，可以看到红框标注的独立交易选项，这个是 qmt 的 特殊功能， mini qmt。 后面我们会讲到 q m t， 不是 简单的交易软件，我们可以看到左侧 q m t 是 集行情交易模型研究模型交易于一体的量化系统，支持沪深港股通、期权、期货、可转债等多品种。 q m t 最核心的功能就是这个 xtqant， 支持链接第三方的数据库，可以跳过 q m t 内置的编辑环境，使用自己喜欢的 python 编辑器，比如 pi charm、 vesgot 等。通过独立交易选项进入 mini q m t 就 可以使用这个功能了。 q m t 单平台可以实现跨市场操作，不用切换多个账户，实时行情、历史数据、财务数据都有，内置标准算法，随机量交易，可以帮我们实现拆单功能，隐藏大额交易。今天就介绍到这里了，我们下期再见哦，记得点个关注。

hello 朋友们，今天咱们聊聊量化软件 qm t 罢的数据结构。用 qm t 做量化罢数据是基础，罢数据其实就是各种频率的行情数据，像 tik， 一 分钟、五分钟、一小时、一天、一周、一月、一年，这些都算，从图形上看就是一根根 k 线。对于习惯用技术指标的投资者，尤其是做量价交易的，罢数据结构是核心基。 点赞关注，下次好翻出来学习。每个 bug 里面都包含了关键信息，时间、开盘价、收盘价、最高价、最低价，这些数据能满足不同投资者的处理需求。 qm t 的 bug 数据分为两种模式，基础周期和合成周期。基础周期包含了 tick 一 分钟、五分钟、一天这几个实际用于储存的原始数据， 其他周期都是合成来的。具体来说，十五分钟、三十分钟、六十分钟都是由五分钟线合成的，周线、月线、年线都是由日线数据合成的。获取合成周期数据有几个关键点需要注意，要历史数据的话，需要先下载对应的基础周期，比如十五分钟历史数据就需要先下载五分钟数据， 要实时数据，直接订阅原始周期就行，比如直接订阅十五分钟。如果要同时用到基础周期和合成周期，只需要下载基础周期，比如同时用到五分钟和十五分钟，因为十五分钟是五分钟合成的，下载一次五分钟就行了，省事又省内存。 compt 里获取这些数据主要用的是 get market data x 函数。 另外， tick 周期的时段比一分钟和一天的多，主要是多了五档行情内容，数据也覆盖的很全。 tick 数据从二零一八年至今都有，一分钟、五分钟、一天，全是历史数据，能满足各种量化交易的需求。以上就是 qmt 大 数据的核心内容，记好这些规则，用数据的时候少走弯路。关注我，带你了解更多量化知识！

真正赚钱的量化代码是这样的，这是一个框架中的 duosrust 策略代码，里面是针对事件引擎中的一系列事件的响应函数。 on tick 是 针对每一个行情 tick 做出响应。 on bar 是 针对每一个一分钟 bar 做出响应。 on order 是 针对每一个订单事件做出响应，包括下单、撤单、修改订单等等。 on trade 是 针对每一笔成交做出响应，其他的还有 on， stop， order 等等。这些事件响应函数都注册在了事件引擎中。 这种代码的范式不止针对这一个策略，而是所有这个类型的策略的统一写法。整套程序运行起来以后，行情源源不断的推送过来，一个一个事件的响应和处理构成了整套策略的持续运转，更多的细节会在后面。

q m t 是专业的量化策略系统，并且免费，相信量化小白们都听说过，今天就带大家了解一下。大家好，我是马力十足学量化，然后的话我们可以直接在这边进行一个策略命名，然后的话策略的一个位置，然后的话这边还有一个回特参数， 有一个回测周期，参照基准护身三百初始资金，这里面一个保证金比例，股票是没有的，杠杆账户的话会有一个保证金比例，然后的话划点买卖印花税佣金最大成交比例，完成这个的话我们就可以直接进行一个回测， 这个直接点变异，然后的话运行回测就可以了，然后的话要进行示范运行的话，就直接新建策略就可以了。但这里面的话有一个问题，就是说我们这个 qmt 这个客户单的话，它底层逻辑是私语延禧的，如果我们本身 在这里面运行的一个策略的数据量比较大，策略逻辑比较复杂，而且同时运行多个策略的话，会导致比较卡，跟我们发挥的空间不是特别足。

今天我们分享 kmt 跟匹配的基础界面操作，前面也是跟大家讲过的，但是很多朋友不会去看 a p i 文档，这里我就简单的跟大家过一遍吧，刷到什么学什么， kmt 这边有一二三四 五六七八九十十个基本的流程，这边相对于匹配来说稍微有一点复杂。 第一步我们要用于做交易，肯定是选择咱们 kmt 的 券商版，至于投研端这里不太建议用投研端去做，咱们只用于交易的话，就使用咱们的券商端几乎就能够满足了。需要 kmt 的 在我这边也可以帮大家去联系申请，申请完成之后，券商会把 咱们的账号跟下载地址发送给大家，拿到软件之后点击安装就行了。这里需要注意的就是咱们安装的最好是不要安装在 c 盘，不然因为一些权限的问题，导致有一些关键的文件都写不进去，这里官方也有一定的视频，咱们可以参考， 有不懂的一方也欢迎多多交流。讲一下这咱们的主要几个文件夹，这个就是咱们程序的文件夹，这边就是咱们数据文件夹， 下面的 logo 就是 咱们的 logo。 文件夹安装好了之后，咱们就进入通信的设置，首先是行情方面的设置，就是交易交易中心的设置，咱们选择最常用的， 速度最快的就行了，选择完成之后咱们就有给出的账号密码，按照登录就行了。这里需要讲的一点就是咱们在勾选 独立交易的时候，咱们登录的就是迷你 qm t， 在 没有勾选的时候，咱们登录的就是正常的大 qm t， 进入页面之后，我们就会有一个拍声库的下载，这里我们看在这里腾讯里面有 的这个位置选择下载拍声库，选择下载路径还有趣头库的位置，我们之前讲的是我用康大做的这个拍声库已经下载好了，找到我们的路径选择好就行。 还有一些咱们使用 mini com 要使用到的三方库，咱们之前也讲过用这个翠直接让他帮我们下载就行了，因为翠有一定的 aint 功能，之前我们讲到使用翠，让他直接帮我们下载安装翠秀库也几乎就能够完成了， 这里就不再退缩。下一步就是我们的行情设置，找到这个行情位置，进一步的选择我们比较快的行情主站就行了，你常用的问题跟一些解决方案都在这里。 第七步就是咱们的数据下载，这是 kmt 必须要完成的动作，我们在做回测的时候需要用到的历史行情数据都需要我们下载之后他才能够去做回测的， 这里一二三四五按照这个步骤找到我们需要回收的数据时间段以及回收周期去做下载就行了。还有就是自动更新历史行情数据，按照步骤咱们去操作也就行了。 第三就是可以用 ip 去下载，按照这个使用方法去下载我们使用的数据也能够完成好。剩下的就是咱们的策略指标，简单的用法，咱们按照上面的指示去操作，剩下的就是回测跟实盘的 回头，这里有一点参考视频实盘，我们不要把咱们的测试账号跟真正的账号给搞混淆了，这些日制跟他的一些 vip 函数，咱们按照需求去寻找就行了。好，我们接着讲一下皮脆， 因为匹配的是在云端的运行，所以说就不需要我们去安装拍摄环境跟下载历史数据了，就相对来说比较简单，就只有策略回测跟交易了，这就是几步简单的问题，我们需要做什么按照这几个简单的点去做就行了。 还有就是咱们的业务框架之前也不在于对数了，还有什么不懂的地方，我们在评论区交流。

好，我们再来看关于系统测试的案例， 系统测试的案例啊，其实这一个我们可以分析的维度会更多啊，比如说缺陷、滞留时间，你找出来 bug 了，这些 bug 多长时间，对吧？能够这个去修复，你可以去做缺陷滞留时间的一个分析， 那你也可以去看一看，对吧？不同级别的缺陷它的滞留时间有什么差别？ 那我们前面也看到过啊，类似的案例就对缺陷去做了分类之后，你可以去做八十二十的分布分析，看看不同类型的 bug 它的分布是什么样的，找到关键的少数，然后呢，我们可以去采取相关的有针对性的专项的一个什么治理， 那这是对原因啊，你可以对现象去分类分布，也可以对原因去做一个分布分析啊，你看一看，哎，究竟都是哪种原因造成的？ 那你也可以按找这个 bug 的 重灾区去看一看，按模块的去看，看一看究竟是哪个模块的这个质量啊，比较差，那对于如果某一个模块质量比较差，那我们要集中力量，对吧？去提升这两个模块的质量， 那你也可以按照开发人员来分析，你看一看谁是 bug 王，对吧？谁是这个出错最多，那 出错最多的人，这可能是我们要重点关注的，我们有啥质量这一个措施啊？我们都往这一帮人这一个身上来去招呼， 对吧？那这就是什么？这就是通过历史数据我们证明了啊，就你们几个人出错最多，那我们需要对你们重点来去采取一些这一个手段，对吧？代码查单元测试都得往你们身上招呼， ok， 我们也可以对测试人员单位时间内检测的 bug， 对 吧？来去做一个这一个分析，看一看，谁呀？善于找找问题，对吧？谁发现问题的效率比较高啊？这是测试小能手啊，我们也可以去做这样的分析， 那你也可以去对你们这一个团队里面的员工去做一个分类，对吧？他有老手，有新手，你可以看一看老手和新手的缺陷密度的差别， 如果差别很大，那意味着什么？意味着我们要去啊，这一个重点来去培养新员工，要去提升新员工的能力，要快速的去缩小，对吧？新员工和老员工之间要编程的这一个能力，编程的水平要缩小这个差距， 那你也可以对测试人员的生产率啊，他的测试用力的生产率来去做一个对比分析啊，你看一看，哎，大家写测试用力，对吧？谁写的更快， ok， 谁写的比较慢，你也可以看一看，对两头的人员去做一个调查。哎，你们俩为什么找问题写用力写的慢，你们理解需求的时候障碍很多吗？ 这两个人，对吧？找找写用力写的很快，对吧？他的原因在什么地方？可以通过这样的一个对比，那我们可以去思考一下，我们如何来去提升我们测试用力的这个生产率。 好，那这一个呢？是来去对比了。在一家公司里边有三个产品线，这三个产品线当提交测试的时候，一次测试通过率， 那我们可以来去做这样一个对比，那我们通过对比我们发现，哎，产品二是很，对吧？一次测试通过率是是比较低的，对吧？这个产品是我们重点要去关注的，它的这个质量啊，有问题， 每次提交测试的时候，对吧？它这个失败的概率啊比较高，那我们要看一看在这个产品线当中究竟发生了什么事情，为什么他们的这一个质量差？ 好，那当我们来去监控缺陷的时候，监控这个缺陷的状态的时候，我们也可以去画这个累积面积图，是吧？那么这是我们在测试这一个环节常画的一张图，横坐标是时间，随着时间的推移， 我们累累计，对吧？发现了多少个 bug， 报告了多少 bug， 对 吧？已经修复的 bug 有 多少？还有多少未修复的，那我们可以看到它的一个变化的趋势。 那对于这一个在公司里边，如果说我们去采取了措施去提升我们缺陷修复的基石率， 我们希望啊报了错之后啊，能够快速去修复，那我们也可以通过这种横向对比来去看一看我们这个措施啊，随着时间的推移啊，是不是有显著的一个变化， 那通过这个图我们可以看到啊，一五年、一六年、一七年，对吧？连续三年，我们的这个缺陷修复基石率啊，是逐年再去什么上升的，我们可以看到啊，这个好的变化， 好，那如果我们对于测试的过程去做了改进了，我们也可以来去看一看，改进前，改进后，我们的这一个测试的缺陷密度是不是发生了变化，是不是我们这个改进措施是有效的？ 对于缺陷密度，我们可以去建立它的一个分布规律，看一看它的中位数、十分之一位数、十分之三位数分别是多少，对吧？然后呢，根据这一个中位数、十分之一位数、十分之三位数算出来它的上下限啊，看一看我们的这个缺陷密度都在什么样的一个区间内分布。 ok， 那 这这个例子呢？我们这里不去，不去看它具具体的计算了啊。 好，那么我们也可以啊，是这一个啊，对，这一个采用控制图法来去分析我们数据的分布规律。 那刚才呢，是用镶线图，那我们也可以去画控制图，求出来这一组数据的平均值啊，求出来它的标准差，算出来均值加三倍标准差，均值减三倍标准差，得到这个数据的分布规律，那也是可以的， 我们对于系统测试的过程也可以去建立它的因果规律啊。这是我们杭州有一个客户，他们的一个模型 啊，他去统计了每千行代码测试的投入啊，每千行代码发现的 bug 啊，然后呢发现，哎，它实际上是一个曲线，当这一个我们的投入多到一定程度之后，我们就不需要再去加大投入了。为什么呢？你再加大投入，它找到的 bug 啊，它已经基本上找尽了啊， 那有的公司可能就不是我们刚才看到的那个曲线，那有的公司可能就是直线啊，这是我们济南有一个客户的一个数据，对吧？他分了两类系统，一类是系统，一类叫软件系统，一类是终端系统叫终端，这两类项目它的规律不一样，可以看到它的规律是不一样的啊。 好，那么另外一个客户呢，去分析了测试用力的这一个密度，测试用力的密度和曲线密度之间的相关性，那我们这里呢能够看到，对吧？它，嗯， 不是不太像一根直线啊，实际上差不多是一根曲线的一个这样的一个趋势，我们可以把这个趋势呢给它迷惑出来啊，把这个曲线给它迷惑出来。 ok， 那这是另外一个公司，这一个，嗯，缺陷率啊，就是这一个基于工作量的这个缺陷密度和这一个在这个团队当中啊，中高级人员的占比 啊，中高级人员啊，越多水平越高，对吧？这一个其实他的这个犯错的，这个犯的错误越少，这个呢也可以去这一个符合我们的这一个认知的， 只不过呢这个亮门点呢，不是特别多啊，这个规律呢有一个弱相关在这里，但是总而言之呢，我们能够看到这个趋势啊。

大家好，我是春哥，今天给大家分享一个我在优化量化策略过程中使用的方法，就是大家在做量化策略回测的时候，经常都能够导出他的交易记录， 然后我是怎么做的呢？我把这个交易记录导出来之后，我发给我的 ai 助理，然后他就会给我去分析一下这个策略，包括他的收益啊，回测啊，然后 哪里做的好，哪里做的不好啊，怎么去优化，然后他还会形成一个比较完整的报告，现在把我一个策略回测的报告给大家看一下。 嗯，这个是有一个版本的 etf 流动策略的回测报告， 大家可以看到这些各个指标，这里就不细究然后有什么优缺点啊，他这里都有详细的分析， 然后还有一些这个资金曲线回测分析，这些都比较直观吧，如果是你光只看那个回测记录的话，有时候可能看不出来 回车区间标注与雪下图，这个我觉得是比较好的，比较直观，嗯，也比较形象，这种回车颜色比较深的地方，就是回车比较大的地方。呃，我比较 在意的事情是他这里能够给你把这个回测的区间比，像这个二月份他回测了百分之十三，其实这个回测说高也不高，但是他恢复的时间六十七天，这个 你如果光只看亏损报告，你可能看不出这个数字，六十七天两个多月，相当于就是你两个月白干了，就是亏损，大家还是要控控制好，有时候你亏多了，你要赚回来还是不是那么容易的。 还有这个月度收益分析啊，这些就论归论据了，大家可以参考一下哪些收益盈利比较多啊，哪些亏得比较多啊，他这里都有统计 亏损原因，深度分析啊，这些大家都可以结合自己的实际情况去看一下， 多一个视野，我们可能就多一种优化的可能，回车原因归类呀这些他也会给你一些改进的建议。 这个建议啊比上第一条增加市场环境过滤，就是因为这个 etf 轮动策略，他可能市场好的时候他确实也能亏， 如果是说能够把这个市场的环境稍微过滤一下，效果应该会更好。 其他优化建议大家可以看一下，如果感兴趣的话，春哥可以把这个回测报告发给大家。