学习QMT股票量化系统从回测到模拟交易

很多人对量化不太了解，甚至有些误解，一提到量化，想到的就是高频交易。其实量化就是用数据来说话，当我们想到了一种交易方法，能否盈利呢？我们可以先用代码把它编写成策略，然后用历史行情数据来进行检验，计算它的胜率、年化收益等，如果满意它的收益，我们再用这个方法来投入实战，如果不经过检验就直接投入实战，万一亏损了，就造成了我们真金白银的损失。高频交易只是量化的一种，量化可以高频，也可以低频。

好了，制度上的事，自有人会操心，我们只谈技术。

当我们在回测中取到满意的效果后，是不是一定能在实战也能取得好的收益呢？不一定的。因为回测我们用的是历史数据，可行情每天都在发展变化，每天都有新的事情发生，有句名言说：“每天的太阳都是新的。”所以，慎重起见，我们回测过后，有必要再进行一段时间的模拟交易，回测效果好，模拟效果也好，我们再投入实战。

另外，模拟交易，还可以检验一下代码有无问题，能否按设想下单，能否成交等等问题。

模拟交易，需要对回测代码做一点修改，毕竟它们用的数据是不同，回测是历史数据，而模拟是最新的即时行情。下面我们用“四周法则策略”来进行模拟交易。

一、软件版本的选择

要进行模拟交易，我们有两个选择，一个是迅投官方试用版软件，因为是试用版，我们在策略运行时，选实盘模式，依然还是模拟交易。没有跟自己真实交易账户绑定，自然不会是真实交易，但据说目前试用期只有两个星期。

第二个选择是券商的QMT模拟交易软件，模拟交易无时间限制。在此软件上运行策略，依然要选择实盘模式，虽是实盘模式，但账号资金都是模拟的，赚钱也都只是“纸上富贵”。

为什么要运行在实盘模式而不是模拟模式呢？因为在模拟模式下，它只发出买卖信号，不下单交易。

只有运行在实盘模式下，买卖信号发生后，才会下单，成交。

QMT交易端模拟跟真正的实盘交易端，操作上没太大区别。

二、修改代码

首先我们要新建一个类。

class a():
	pass
A = a() #创建空的类的实例 用来保存委托状态

然后我们要把之前的变量，如stock、accID、MY_period等等，都改成A.stock、A.accID、A.MY_period。

再然后我们需要把C.get_market_data_ex（）这个获取行情数据的函数参数做些修改，加上两句代码，end_time=bar_date（最新的K线数据），count = A.MY_period+1（A.MY_period＝4，即四个交易日之前1天到最新的K线数据。）参数count是用来获取数据的数量。它决定从当前时间点向前回溯，需要获取多少根K线数据。

	data = C.get_market_data_ex(
		['close', 'high', 'low'],
		[A.stock],
		end_time=bar_date,
		period=C.period,
		count = A.MY_period+1,
		dividend_type='none',
		subscribe = True
		)

四周法则模拟交易完整代码如下：

#encoding:gbk
'''
四周法则策略，股价大于前4日最高价，全仓买入，小于前4日最低价，全仓卖出
注意：本策仅用于python量化学习，不用于真实交易
'''

import pandas as pd
import numpy as np

class a():
	pass
A = a() #创建空的类的实例 用来保存委托状态 

def init(C):
	# 设置股票代码和账户ID
	A.stock= C.stockcode + '.' +C.market
	A.accID = 'your accID'
	
	A.acct_type= "stock" 
	A.waiting_list = [] #未查到委托列表 存在未查到委托情况暂停后续报单 防止超单
	# 设置周期
	A.MY_period = 4

def handlebar(C):
	# 计算前4日最高价和最低价，及最新收盘价
	#跳过历史k线
	if not C.is_last_bar():
			return
	bar_date = timetag_to_datetime(C.get_bar_timetag(C.barpos), '%Y%m%d%H%M%S') #当前k线日期
	data = C.get_market_data_ex(
		['close', 'high', 'low'],
		[A.stock],
		end_time=bar_date,
		period=C.period,
		count = A.MY_period+1,
		dividend_type='none',
		subscribe = True
		)
	close = data[A.stock]['close']
	high = data[A.stock]['high']
	low = data[A.stock]['low']
	
	HIGH_4 = pd.Series(high).rolling(window=A.MY_period).max() #计算四日最大值
	LOW_4 = pd.Series(low).rolling(window=A.MY_period).min()   #计算四日最小值

	# 获取账户信息
	account_info = get_trade_detail_data(A.accID, A.acct_type, 'account')

	if not account_info:
		print("无法获取账户信息")
		return

	account_info = account_info[0]
	available_cash = int(account_info.m_dAvailable)  # 可用资金

	holdings = get_trade_detail_data(A.accID, 'stock', 'position')
	holdings = {i.m_strInstrumentID + '.' + i.m_strExchangeID : i.m_nVolume for i in holdings}
	holding_vol = holdings[A.stock] if A.stock in holdings else 0

	# 全仓买入逻辑
	if holding_vol == 0 and close[-1] > HIGH_4[-2]:
		print("此时超过了最高价！")
		# 计算买入数量，向下取整
		buy_volume = available_cash // close[-1]

		# 下单买入
		passorder(23, 1101, A.accID, A.stock, 5, -1, buy_volume,1, C)
		print(f"{bar_date} 开仓")
		print("holding_vol=",holding_vol)
		C.draw_text(1, 1, '买')


	# 全仓卖出逻辑
	elif holding_vol > 0 and close.iloc[-1] < LOW_4.iloc[-2]:
		print("此时低于最低价！")
		# 获取持仓信息
		position_info = get_trade_detail_data(A.accID, 'stock', 'position')
		if not position_info:
			print("无法获取持仓信息")
			return

		
		# 下单卖出
		passorder(24, 1101, A.accID, A.stock, 5, -1, holding_vol, 1,C)
		print(f"{bar_date} 平仓")
		C.draw_text(1, 1, '卖')
		holdings = get_trade_detail_data(A.accID, 'stock', 'position')
		holdings = {i.m_strInstrumentID + '.' + i.m_strExchangeID : i.m_nVolume for i in holdings}
		holding_vol = holdings[C.stock] if A.stock in holdings else 0
		print("现在持股数量为：",holding_vol)
		account_info = get_trade_detail_data(C.accID, 'stock', 'account')
		account_info = account_info[0]
		available_cash = int(account_info.m_dAvailable)  # 可用资金
		print("可用资金为：",available_cash)