【零基础学量化交易】第二篇：ptrade策略运行周期是怎么样的，每日？分钟？tick？

最新推荐文章于 2026-01-07 13:36:22 发布

原创

最新推荐文章于 2026-01-07 13:36:22 发布 · 513 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#python #pandas #numpy

量化交易的运行周期有每日、分钟、tick以及指定运行周期

回测支持日线级别、分钟级别运行，使用handle_data方法

交易支持日线级别、分钟级别、tick级别；日线级别和分钟级别使用handle_data方法，tick级别运行使用run_interval和tick_data方法

1、日线级别

回测和交易都是每天运行一次，回测运行时间为每个交易日的15：00，交易运行时间为尾盘固定时间，默认为14：50分，允许可配置时间

2、分钟级别

回测和交易都是每分钟运行一次，运行时间为每分钟K线结束

3、tick级别

交易频率每三秒运行一次，交易所也是每三秒返回一个t

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

量化交易小刘

关注关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

ptrade从零开始学习量化交易第6期【ptrade策略引擎简介之initialize（必选）】

GJ57017_wx的博客

05-20

1178

ptrade业务流程框架 ptrade量化引擎以事件触发为基础，通过初始化事件（initialize）、盘前事件（before_trading_start）、盘中事件（handle_data）、盘后事件（after_trading_end）来完成每个交易日的策略任务。 initialize和handle_data是一个允许运行策略的最基础结构，也就是必选项，before_trading_start和after_trading_end是可以按需运行的。 handle_data仅满足日线和分钟级别的盘中处理

ptrade从零开始学习量化交易第38期【ptrade获取行情信息之get_snapshot - 取行情快照】

GJ57017_wx的博客

06-07

1589

get_snapshot - 取行情快照参数 security：单只股票代码或者多只股票代码组成的列表，必填字段(list[str]/str)；返回正常返回一个dict类型数据，包含每只股票代码的行情快照信息，其中key为股票代码，value为对应的快照信息。异常返回空dict，如{}(dict[str:dict[...]]) 快照包含以下信息： amount:持仓量(str:int)； avg_px:均价 bid_grp:委买档位(第一档包含委托队列（仅L2支持）)(str:dict[in

参与评论您还未登录，请先登录后发表或查看评论

用户问的比较多的关于ptrade基础问题

06-15

3544

5. 在共享的Ptrade模拟试用账户上，不要保留个人代码记录，跑完后记得删除，否则其他共有同一个账户的人可以进去修改复制你的策略和代码；如果是单独的个人模拟账户，则没有这个问题。3. 国金Ptrade无法回测星球上面的可转债实盘代码，实盘代码是基于当前的实时数据，用来进行回测没有意义，因为获取不到可转债的历史数据（溢价率，规模等），只有历史的价格数据；（之前某个券商的ptrade实盘服务器，因为某个用户开了40多个回测策略，一直在后台运行，而且是关于运算密集型的，导致实盘交易的程序也崩溃了）

简单介绍一下关于PTrade量化交易系统的使用权

Q_2037696191的博客

10-25

1254

该系统采用先进的技术框架，具有功能丰富、风险控制全面、管理灵活、结构简化、高效稳定等核心优势。该功能支持键盘交易、鼠标交易、开盘交易、快速交易等多种功能选项，提高交易方便性和系统可操作性。Ptrade自身携带ETF趋势交易、网格交易、拐点交易、大股东增减持股等一系列交易工具，满足不同交易场景、不同背景客户的需求全方位的交易需求。Ptrade系统自带一系列python量化交易函数，打通了策略研究、编写、回测、仿真到实盘的全链路，可全面覆盖客户的量化交易需求，为客户提供一站式量化投资体验。

股票金融市场中的tick，分钟，日线数据

weixin_39346529的博客

10-12

5413

在金融市场中，股票数据的分析对于投资者来说至关重要。股票数据可以根据时间粒度的不同，分为几种不同的类型，包括Tick数据、分钟数据和日线数据。下面将详细介绍这些数据类型，并对比它们之间的差别。

ptrade 量化交易平台API文档

大白菜代码的博客

08-14

2647

本文介绍了量化交易策略开发的全流程指南，包括策略创建、回测设置、实盘交易等核心功能。系统支持股票、期货、基金等多种金融产品的日线、分钟线和tick级交易，提供丰富的API接口和策略模板。详细说明了策略运行的三个关键时段（盘前、盘中、盘后）及其对应的函数调用机制，并以实际代码示例演示了从简单策略到实用策略的开发过程。特别强调了模拟盘和实盘中的持久化处理注意事项，指导开发者使用pickle模块保存关键交易数据，确保策略中断后能正确恢复运行状态。

【零基础学量化交易】第一篇：ptrade获取历史行情

qq_29301281的博客

07-09

809

get_history用于获取最近历史行情K线数据，支持多股票、多行情字段获取。

ptrade从零开始学习量化交易第8期【ptrade策略引擎简介之handle_data（必选）】

GJ57017_wx的博客

05-21

2102

handle_data（必选） handle_data(context, data) 使用场景该函数仅在回测、交易模块可用接口说明该函数在交易时间内按指定的周期频率运行，是用于处理策略交易的主要模块，根据策略保存时的周期参数分为每分钟运行和每天运行，是策略运行的唯二必须定义函数之一。注意事项：该函数每个单位周期执行一次如果是日线级别策略，每天执行一次。股票回测场景下，在15:00执行；股票交易场景下，执行时间为券商实际配置时间。如果是分钟级别策略，每分钟执行一次，股票回测场景下，执

ptrade从零开始学习量化交易第29期【ptrade获取行情信息之get_history - 获取历史行情】

GJ57017_wx的博客

05-31

1361

使用场景该函数仅在回测、交易模块可用接口说明该接口用于获取最近N条历史行情K线数据。支持多股票、多行情字段获取。注意事项：该接口只能获取2005年后的数据。针对停牌场景，我们没有跳过停牌的日期，无论对单只股票还是多只股票进行调用，时间轴均为二级市场交易日日历，停牌时使用停牌前的数据填充，成交量为0，日K线可使用成交量为0的逻辑进行停牌日过滤。

[ptrade交易实战 ]第三篇快速入门

vv_LCJL319的博客

06-24

1588

ptrade的渠道可以通过《ptrade开通详则》

kbt_:高性能，分钟等级回测系统，参照了N个开源回测系统源码，参照了某券商系统源码。

03-23

kbt_ 高性能，分钟等级回测系统，参照了N个开源回测系统源码，参照了某券商系统源码。模拟Ptrade分钟等级系统。这个本地回测引擎经过近半年的打磨，撸了N个开源回测系统和某系统的代码。设计理念是时间向量回测，非事件驱动回测，所以为了验证股票策略回测是专用定制版高效利器，即使考虑复杂场景预计至少快5倍以上，正常估计应该是10倍以上。回测仿造Ptrade框架，所以原理上ptrade的策略不需要修改就可以直接运行（目前我自己的策略都是这样的，无缝兼容），实操中如果有回测尺寸的函数，可以自行编写仿ptrade函数就可以进行回测。（在此叹息股票量化圈某些。。，无脑使用那些事件驱动，不兼容的期货交易所框架，连分红派息模块都有问题还传播那么久。。。。，那么多用户使用，却很少提出问题。】代码个人思考沉淀，，，问题贼多。有问题欢迎喷我，发现代码问题和有争议，欢迎质疑，我合理一一交流回答修正提高。

ptrade从零开始学习量化交易第22期【ptrade定时周期性函数之run_interval - 按设定周期处理】

GJ57017_wx的博客

05-27

757

run_interval - 按设定周期处理 run_interval(context, func, seconds=10) 使用场景该函数仅在交易模块可用接口说明该函数用于以设定时间间隔（单位为秒）周期性运行指定函数，可对运行触发时间间隔进行指定。注意事项： 1、该函数只能在初始化阶段initialize函数中调用。 2、该函数可以多次设定，会以多个线程并行运行，但要小心不同线程之间的逻辑关联处理 3、seconds设置最小时间间隔为3秒，小于3秒默认设定为3秒。参数 cont

ptrade从零开始学量化第2期【了解策略运行周期，运行时间，及委托下单时间】

GJ57017_wx的博客

05-17

1522

策略运行周期回测支持日线级别、分钟级别运行，详见handle_data方法。交易支持日线级别、分钟级别、tick级别运行，日线级别和分钟级别详见handle_data方法，tick级别运行详见run_interval和tick_data方法。频率：日线级别当选择日线频率时，回测和交易都是每天运行一次，运行时间为每天盘后。频率：分钟级别当选择分钟频率时，回测和交易都是每分钟运行一次，运行时间为每根分钟K线结束。频率：tick级别当选择tick频率时，交易最小频率可以达到3秒运行一

PTrade获取交易日期——时间相关函数1

码农甲的博客

10-04

1588

本系列文章将笔者平时在使用ptrade进行策略开发中使用到的与日期相关的函数进行记录，以便大家参考并一同改进优化。如果读者还有其他日期相关的函数实现需求，也可以留言，大家一起讨论补充。首先看一下ptrade提供的get_trading_day函数的用法，后面的函数大多要用到它。

【金融量化】Ptrade中如何获取各类回测数据？

BetterBench的博客

03-04

2265

列出了Ptrade软件中，获取回测数据的常用API

ptrade从零开始学习量化交易第10期【ptrade策略引擎简介之tick_data（可选）】

GJ57017_wx的博客

05-22

4001

可调用接口 get_trading_day(研究/回测/交易) get_all_trades_days(研究/回测/交易) get_trade_days(研究/回测/交易) get_cb_list(交易) get_history(回测/交易) get_price(研究/回测/交易) get_individual_entrust(交易) get_individual_transaction(交易) get_tick_direction(交易) get_sort_msg

量化交易平台Ptrade、QMT框架，入门

weixin_48607379的博客

08-04

8826

Ptrade，QMT入门

使用Python进行人工智能（AI）网页抓取：综合指南

最新发布

SmartGarret的博客

01-07

820

使用Python进行人工智能（AI）网页抓取通过让模型解释页面内容而不是依赖脆弱的HTML规则来简化提取。Python仍然处理获取、验证和存储，而人工智能（AI）即使在布局更改时也能提供一致的结构化数据。随着工作流程的增长，用于抓取的MCP服务器和n8n自动化等工具使扩展、处理重试和将结果移至下游变得更容易，而无需为脚本添加复杂性。这种方法同样适用于快速实验和生产就绪的管道。人工智能（AI）网页抓取是使用语言模型而不是刚性解析规则从网页提取结构化数据的一种方法。

秋叶SD-Trainer中缺少包的问题解决方式，例如onnxruntime

hello000w的博客

01-07

321

解决sd-trainer安装包的问题

迁移过程中如何处理PTrade特有的自定义指标函数？

06-27

<think>我们正在处理PTrade策略迁移到QMT时特有的自定义指标函数问题。根据之前的讨论，我们知道PTrade和QMT在API、运行机制等方面存在差异。自定义指标函数通常涉及历史数据获取、计算逻辑和实时更新。在迁移过程中，需要关注以下几点：1.数据获取方式：PTrade和QMT获取历史数据的API不同，需要调整数据获取代码。2.计算频率：PTrade可能是事件驱动（如tick级别），而QMT主要是K线驱动（如on_bar），因此需要将指标计算放入合适的回调函数中。3.指标更新机制：自定义指标可能需要维护状态（如中间变量），在迁移时需考虑状态保存的位置（例如，使用ContextInfo对象或全局变量）。具体步骤建议：步骤1：分析PTrade自定义指标函数的输入和输出-确定指标函数依赖的数据（如开盘价、收盘价、成交量等）-确定指标计算周期（如每tick更新，每根K线更新）步骤2：重构指标计算逻辑以适应QMT的K线驱动-如果原PTrade策略在`handle_data`中计算指标，则迁移到QMT的`on_bar`函数中-如果指标需要多周期数据，需在QMT中通过`get_market_data`获取足够的历史数据步骤3：处理数据格式转换-PTrade返回的数据结构可能是DataFrame，而QMT返回的数据结构可能是列表或自定义Bar对象-例如，QMT获取历史K线数据：```python#获取最近100根日K线bars=ContextInfo.get_market_data(period='1d',stock_code='SHSE.600519',count=100)#bars是一个对象，包含open,close,high,low,volume等属性列表```步骤4：重写指标计算函数-将原PTrade指标计算函数中的Pandas操作转换为对列表或数组的操作（因为QMT返回的数据可能不是DataFrame）-如果原函数使用了PTrade特有的技术指标库，需要寻找替代方案（如使用MyTT、TA-Lib或自行实现）步骤5：状态管理-如果自定义指标需要维护状态（例如递归计算的指标），需要在QMT的初始化函数`init`中定义这些状态变量，并存储在ContextInfo中，以便在`on_bar`中更新。示例：迁移一个自定义的移动平均指标（MA）假设在PTrade中有如下自定义指标函数（在handle_data中调用）：```pythondefmy_ma(data,window):returndata[-window:].mean()```在QMT中，我们可以这样实现：```pythondefinit(ContextInfo):#初始化状态：用于存储收盘价序列ContextInfo.close_list=[]#在ContextInfo中存储，以便在on_bar中访问defon_bar(ContextInfo):#获取当前K线的收盘价current_close=ContextInfo.get_market_data(period='1d',stock_code='SHSE.600519',count=1).close[0]ContextInfo.close_list.append(current_close)#保持固定长度，比如保留1000个数据点iflen(ContextInfo.close_list)>1000:ContextInfo.close_list.pop(0)#计算20日均线iflen(ContextInfo.close_list)>=20:ma20=sum(ContextInfo.close_list[-20:])/20#使用ma20进行交易逻辑...```如果指标计算复杂（例如MACD、布林带等），可以使用第三方库（如TA-Lib）或者使用QMT内置的指标函数（如果存在）。如果必须使用原PTrade中的自定义计算方式，则需将计算过程用Python重新实现。对于复杂的自定义指标，例如涉及递归计算（如EMA）：```pythondefmy_ema(close_list,period,prev_ema=None):ifprev_emaisNone:returnsum(close_list[-period:])/periodelse:k=2/(period+1)returnclose_list[-1]*k+prev_ema*(1-k)```在QMT中，我们需要在ContextInfo中存储上一次计算的EMA值，然后在每次K线更新时计算新的EMA。步骤6：性能优化-如果指标计算量很大，注意避免在每次on_bar中重复获取大量历史数据，可以通过缓存机制优化。-在QMT中，可以使用ContextInfo来缓存指标计算结果，避免重复计算。注意事项：-时间序列的一致性：确保数据顺序正确（QMT返回的历史数据是时间倒序还是正序？通常为最近的数据在最后）。-复权处理：如果策略需要复权数据，在获取历史数据时需指定复权方式（QMT中`get_market_data`的`dividend_type`参数）。如果原PTrade策略使用了自定义的复杂指标（例如机器学习模型），则迁移工作可能更复杂，需要将模型序列化/反序列化，并在QMT中加载使用。确保QMT环境支持所需的机器学习库（如scikit-learn、tensorflow等），并注意版本兼容性。最后，在迁移完成后，务必进行回测验证，确保指标计算结果与PTrade中一致。引用说明：QMT智能量化交易系统提供了高效、精准、自动化的交易环境，在迁移策略时需充分利用其特性[^1]。相关问题：1.如何在QMT中实现动态调整指标参数？2.QMT支持哪些第三方技术分析库？3.如何处理QMT和PTrade在历史数据复权方式上的差异？</think>### 处理PTrade自定义指标迁移到QMT的方法在将PTrade策略迁移到QMT时，处理特有的自定义指标函数需要重点关注以下关键步骤和技术要点： #### 一、指标函数迁移框架 ```mermaid graph TD A[PTrade自定义指标] --> B[分析计算逻辑] B --> C{指标类型} C -->|向量化计算| D[使用QMT内置函数重写] C -->|递归计算| E[状态管理重构] C -->|复杂算法| F[第三方库移植] D --> G[QMT兼容实现] E --> G F --> G ``` #### 二、具体迁移方法 1. **向量化指标迁移**（如移动平均类） ```python # PTrade 自定义MA def custom_ma(data, period): return data.rolling(period).mean() # QMT迁移方案 from MyTT import MA # QMT内置库 closes = [bar.close for bar in bars] ma_value = MA(closes, period) # 直接调用优化函数 ``` 2. **状态依赖指标迁移**（如MACD,RSI） ```python # PTrade 状态维护方式 context.ema_prev = 0 # 存储状态 # QMT迁移方案（使用ContextInfo对象） def init(ContextInfo): ContextInfo.ema_values = {} # 状态存储字典 def on_bar(ContextInfo): symbol = "SHSE.600519" close = ContextInfo.get_market_data(...).close # 计算EMA(12) alpha = 2/(12+1) if symbol not in ContextInfo.ema_values: ContextInfo.ema_values[symbol] = close else: ContextInfo.ema_values[symbol] = alpha*close + (1-alpha)*ContextInfo.ema_values[symbol] ``` 3. **复杂算法移植**（如机器学习模型） ```python # PTrade 自定义模型 from sklearn.ensemble import RandomForestRegressor # QMT迁移步骤： # 1. 将训练好的模型保存为.pkl文件 # 2. 复制到QMT的bin/x64/QuantLib目录 # 3. QMT中加载： import joblib model_path = ContextInfo.get_res_path('model.pkl') model = joblib.load(model_path) features = prepare_features(ContextInfo) prediction = model.predict([features]) ``` #### 三、关键技术要点 1. **数据格式转换** - PTrade返回`DataFrame` → QMT返回`BarData`对象列表 - 转换示例： ```python # 获取收盘价序列 closes = [bar.close for bar in ContextInfo.get_market_data( period='1d', stock_code='SHSE.000001', count=100)] ``` 2. **计算性能优化** - 使用`numba`加速循环计算（需预装到QMT环境） ```python from numba import jit @jit(nopython=True) def custom_indicator(values): # 高性能计算逻辑 return result ``` 3. **多周期处理** ```python # 获取多周期数据 daily_bars = ContextInfo.get_market_data(period='1d', ...) hourly_bars = ContextInfo.get_market_data(period='60m', ...) # 同步时间轴处理 daily_close = daily_bars[-1].close hourly_ma = MA([bar.close for bar in hourly_bars[-30:]], 30) ``` #### 四、特殊场景处理 1. **实时更新指标** ```python def on_bar(ContextInfo): # 每次K线更新时重新计算 if ContextInfo.is_last_bar(): update_custom_indicator(ContextInfo) ``` 2. **避免未来函数** ```python # 错误方式（使用当前K线数据） current_close = bars[-1].close # 正确方式（使用已完成K线） if not ContextInfo.is_new_bar(): return completed_close = bars[-2].close ``` 3. **可视化验证** ```python # 在QMT中绘制指标曲线 ContextInfo.plot(custom_values, 'Custom_Indicator', 'line', 'red') ``` #### 五、迁移验证流程 1. **单元测试**：使用历史数据验证单指标计算一致性 2. **回测对比**：运行3个月历史数据，对比PTrade/QMT收益曲线 3. **边界测试**：验证开盘/收盘/跳空等特殊场景 4. **实盘验证**：用小资金测试实时计算准确性 > 实践表明，通过MyTT库可覆盖70%常见指标需求[^1]，剩余复杂指标建议分阶段迁移，优先保证核心策略逻辑正确性。