fengzhuqiaoqiu的博客

看海量化交易系统运行效率对比

从上表可以看出，虽然KhQuant和Supermind在参数的配置方式和展示细节上有所不同（例如KhQuant倾向于通过配置文件和GUI进行更细致的暴露，而Supermind则更多依赖API和平台默认设置），但在本次对比中涉及的核心策略参数，如回测区间、初始资金、涨跌幅触发阈值、手续费率、滑点的大致水平以及核心买卖逻辑等方面，我都已尽力确保两者在数值和目标效果上是基本对齐的。在之前的分享中，我们曾通过一个相对简单的双均线策略，对KhQuant回测引擎的基础准确性进行了初步的验证。投资者据此操作，风险自担。

使用打板策略测试khquant框架

这次 KhQuant 与聚宽的对比测试，虽然中间出了点小插曲，但最终结果令人满意，也很有启发。此次遇到的问题再次提醒我们，不能迷信任何平台，尤其是涉及到钱的时候。写策略的时候一定要多留个心眼，对关键的函数最好做点测试验证，发现不对劲的地方要知道怎么在自己的代码里去修正，这样才能保证回测结果靠谱。而 KhQuant 这次能和修正后的聚宽结果对得这么严丝合缝，也说明了我当初设计它的一些想法是对路的。比如，在框架底层就内置了精确的成本计算和下单量控制逻辑，这样用户写策略时就不用太操心这些细节。

看海量化交易系统回测第一篇

量化交易研究，尤其在策略回测阶段，通常涉及大量的代码编写和反复实验。许多研究者初期采用零散脚本验证想法，虽然看似快捷，但随着策略复杂度和研究深入，很快会遇到瓶颈：代码结构混乱、难以维护、重复工作多、实验结果难以精确复现。

日志系统是任何复杂软件不可或缺的组成部分，它记录着软件运行过程中的关键信息、用户交互、潜在问题以及发生的错误。尤其在量化交易这样对稳定性、精确性和可追溯性有着严苛要求的领域，一个设计精良的日志系统更是至关重要。看海量化交易系统（KhQuant）构建了一套全面且用户友好的日志体系，旨在帮助用户实时监控策略动态、高效诊断系统问题，并为优化交易流程提供数据支持。

本篇要讲到量化的核心了——策略。说白了每个投资者在股市中都是有一套自己的经验模式的，策略代码是把这些经验的固化，在排除掉人的情感的程序系统中运行。对于AI炒股，策略是实现人类思想与机器精密执行的桥梁，这就需要一个既符合用户使用直觉，又能精确衔接量化交易系统的标准化框架。

一直关注我的朋友们都知道，目前我正在开发量化回测系统，前期看海量化交易系统开源了数据获取的模块，不过大家在使用过程中也反馈了一些问题：一是数据在下载过程中，程序会进入未响应的状态，影响软件使用体验。二是数据下载过程中没办法操作停止，只能通过退出软件停止下载。三是对于“数据下载”和“数据补充”的区别不甚了解。本篇将解决上述问题。同时数据模块将会正式作为组件嵌入到量化主系统当中。

之前文章讲到了评价回测效果的量化指标，不过仅靠指标数字来评估策略，往往会忽略掉至关重要的细节，如同盲人摸象，只知其一不知其二。量化指标，比如年化收益率、最大回撤、夏普比率等，本质上是对策略在整个回测期间表现的高度概括和总结。它们就像给策略拍了一张“证件照”，能看到大概轮廓，但很多生动的细节、动态的过程都被“压缩”掉了。对此需要更多工具揭示这些细节的“放大镜”和“显微镜”。下图就是回测结果分析模块，当策略运行完后，这个模块会自动弹出。

之前在测试单股订阅 subscribe_quote时，仅订阅了10只股票进行测试，测试发现这种订阅方式，由于每只股票数据都要单独触发一次回调函数，该过程变得有些低效。对于少量股票订阅该效率尚可，股票数量多了后，可能会带来不能接受的低效。对于非研投版的MiniQMT，单股订阅的上线是300只，那么就需要测试一下在订阅了300只股票时，单股订阅的实际表现了。

之前开发过程中，对于回测结果有一个初步的评估（主要是看收益率），为进一步丰富评估指标体系，又加入了本文中所提到的这些指标。为了便于大家理解和查阅，在本文中一并进行介绍。

最佳方法：订阅全推行情 subscribe_whole_quote次选方法：单股订阅subscribe_quote也就是两种方式可兼具，根据订阅的股票数量和策略场景自由选择。其实所谓“订阅全推行情”，并不是一定要把沪深的股票全部订阅，是可以指定要订阅的股票代码的。

盘前时间是交易者准备当日交易计划、分析隔夜数据和市场情绪的黄金时段，而盘后则适合总结当日表现、调整策略参数并为次日交易做准备。本文将详细介绍盘前盘后回调机制的设计与实现过程，探讨如何在量化交易框架中优雅地集成这一功能，使策略开发者能够充分利用非交易时段进行策略优化和执行。

触发模式设置了4种：tick触发、1分钟触发、5分钟触发、自定义触发时间。

最近很多朋友问我回测系统开发的怎样了，目前我正以最快的速度把它肝出来。今天我们来聊一个看似枯燥但实际上关乎每一分收益的重要话题——A股交易成本。这些成本就像是股市里的"隐形税收"，不知不觉中侵蚀着我们的投资回报。本文将详细解析量化交易框架中的交易成本计算机制，包括佣金、印花税、过户费以及滑点等各项成本的计算方法，帮助投资者更全面地理解交易成本对策略绩效的影响。

我现在所做的工作，是为AI量化搭桥铺路，当前的技术路径中，实时数据获取免费、深度学习工具足够开放、并且代码完全开源，我希望能真正让大家使用较低的学习成本，就能开发属于自己的量化交易策略。

看海量化交易系统正式开源！

近期主要做了两项工作：1.我根据大家的使用反馈，将当前系统进行了完善。感谢提供反馈的朋友们，系统在大家共同的建议下将会越来越完善和易用。2.同时我为数据下载模块添加了一个重要功能——数据补充。

MiniQMT是一种轻量级的量化交易解决方案，使用MiniQMT可实现对交易过程的完全控制，借此优势实现最灵活的系统构建和最前沿的算法应用。然而，MiniQMT也有其挑战，它要求用户具有较强的编程能力，因为很多功能需要自己开发。在之前的工作中，我介绍了“看海量化交易系统”的开发进展，即目前已经开发完成数据下载、数据清洗和可视化的工作。（如下图演示）我开发的此系统免费向大家开放使用，获取方式在文末此外我还用五篇文章的内容详细介绍了一下miniQMT的行情接口和。

XtTrade是XtQuant中专门用于交易的模块。系统设置接口:用于创建API实例、注册回调、启动交易线程等基础功能操作接口:提供下单、撤单、订阅等交易操作功能查询接口:用于查询账户资产、持仓、委托、成交等信息回调接口:用于接收交易推送信息创建API实例并注册回调启动交易线程并建立连接订阅账户信息进行交易操作(下单、撤单等)接收交易推送信息程序结束时取消订阅并断开连接。

使用miniQMT获取基本面数据

使用miniQMT进行实时行情获取的教程

这篇文章我将着重介绍其中的历史数据获取功能，其他功能我将在后续系列文章中介绍。

基于miniQMT的量化交易平台

之前写到，目前我已经完成了数据下载、数据清洗和数据可视化三个模块的开发。期间一直有朋友问，毕竟通过该手段获取到的股市数据是免费的，且质量也不错。并且目前开发的清洗和可视化模块也能为数据分析预处理提供一些便利。这段时间我主要瞄向需要这个软件系统的朋友，为更加稳定和方便地使用，做了一些易用性的提升和功能完善，并且对于开通券商QMT的朋友开放此软件的使用。下边来讲一讲目前软件系统可以实现的功能，有需要的朋友在文末可以获取软件~

第一，确认一下下载的数据的总体概况，比如总共有多少只股票的数据、占用的空间等基本信息。第二，任意选取其中的某一只股票，绘制其数据文件中的各类数据的图线，也就是数据的可视化。

现在我们继续量化交易系统开发旅程，近期完成的部分是——数据清洗。

这篇开始正式介绍我开发的量化交易系统，量化交易的第一步就是获取历史数据，用于后续的数据处理、训练以及回测。

一晃三个多月时间过去了，十一前后股市突然爆火，行情也像过山车一样，笔者在其中靠直觉辗转腾挪，勉强落得个不赔不赚。此事也给我打了一针鸡血，加快了量化交易研究和系统开发进度。

今天开始，我将一步步记录后续做量化交易的实现过程，既是对纷繁的思路的归纳梳理，也是为推动这项一个人的赚钱大业增加一些鞭策激励。读者朋友们如果有好的想法欢迎一起讨论~