QMT是迅投开发的量化交易平台，支持多种Python策略机制，包括逐K线驱动handlebar、定时任务run_time、订阅推送subscribe），可以满足不同策略需求，灵活度高。

但很多朋友在QMT实操中常会遇到行情触发异常、信号错乱、代码无报错但不下单等问题，多数情况并不是策略逻辑出错，而是对QMT底层运行机制不熟悉，今天我们详细介绍一下QMT三大运行机制。

一、量化软件QMT运行机制

QMT 系统提供两大类(事件驱动与定时任务)，共三种运行机制。

1、逐 K 线驱动：handlebar

handlebar是主图历史 k 线+盘中订阅推送。

当你运行策略时，它会从主图的第一根K线开始，逐根调用handlebar，直到最新的一根K线。

在盘中，最新的一根K线会随着每一个新tick的到来而不断变化，因此handlebar会被多次调用（每个tick一次）。

只有在最后一根K线的最后一个tick（即K线确定时）触发的交易信号，才会被认为是有效信号，并在下一根K线的第一个tick发送下单指令。这是为了避免在K线形成过程中因价格频繁波动产生虚假信号。

逐K线驱动测试示例：

#coding:gbk#导入常用库import pandas as pdimport numpy as npimport talib#示例说明：本策略，通过计算快慢双均线，在金叉时买入，死叉时做卖出 点击回测运行 主图选择要交易的股票品种def init(C):#init handlebar函数的入参是ContextInfo对象 可以缩写为C#设置测试标的为主图品种 C.stock= C.stockcode + '.' +C.market#line1和line2分别为两条均线期数 C.line1=10   #快线参数 C.line2=20   #慢线参数#accountid为测试的ID 回测模式资金账号可以填任意字符串 C.accountid = "testS"def handlebar(C):#当前k线日期 bar_date = timetag_to_datetime(C.get_bar_timetag(C.barpos), '%Y%m%d%H%M%S')#回测不需要订阅最新行情使用本地数据速度更快 指定subscribe参数为否. 如果回测多个品种 需要先下载对应周期历史数据  local_data = C.get_market_data_ex(['close'], [C.stock], end_time = bar_date, period = C.period, count = max(C.line1, C.line2), subscribe = False) close_list = list(local_data[C.stock].iloc[:, 0])#将获取的历史数据转换为DataFrame格式方便计算#如果目前未持仓，同时快线穿过慢线，则买入8成仓位if len(close_list) <1:print(bar_date, '行情不足 跳过') line1_mean = round(np.mean(close_list[-C.line1:]), 2) line2_mean = round(np.mean(close_list[-C.line2:]), 2)print(f"{bar_date} 短均线{line1_mean} 长均线{line2_mean}") account = get_trade_detail_data('test', 'stock', 'account') account = account[0] available_cash = int(account.m_dAvailable) holdings = get_trade_detail_data('test', 'stock', 'position') holdings = {i.m_strInstrumentID + '.' + i.m_strExchangeID : i.m_nVolume for i in holdings} holding_vol = holdings[C.stock] if C.stock in holdings else 0if holding_vol == 0 and line1_mean > line2_mean:  vol = int(available_cash / close_list[-1] / 100) * 100#下单开仓  passorder(23, 1101, C.accountid, C.stock, 5, -1, vol, C)print(f"{bar_date} 开仓")  C.draw_text(1, 1, '开')#如果目前持仓中，同时快线下穿慢线，则全部平仓elif holding_vol > 0 and line1_mean < line2_mean:#状态变更为未持仓  C.holding=False#下单平仓  passorder(24, 1101, C.accountid, C.stock, 5, -1, holding_vol, C)print(f"{bar_date} 平仓")  C.draw_text(1, 1, '平')

2、订阅推送（subscribe）

QMT系统中的订阅推送 subscribe 是一种事件驱动的运行机制，主要用于盘中实时获取指定品种的分笔行情数据。

触发方式为盘中订阅指定品种的分笔数据，每当有新分笔到达时，会触发指定的回调函数，适用于盘中需要随分笔行情进行实时判断交易的需求。

与handlebar的区别： handlebar 虽然也是事件驱动，但其基于主图K线，默认采用逐K线生效模式（信号需等待K线确认后才发出）；但subscribe 直接在分笔数据到达时触发回调，可实现更实时、精细的响应。

事件驱动（subscribe）示例：

#coding:gbkclass a():passA = a()A.bought_list = []account = 'testaccount'def init(C):#下单函数的参数需要 ContextInfo对象 在init中定义行情回调函数 可以用到init函数的入参 不用手动传入  def callback_func(data):#print(data)for stock in data:   current_price = data[stock]['close']   pre_price = data[stock]['preClose']   ratio = current_price / pre_price - 1print(stock, C.get_stock_name(stock), '当前涨幅', ratio)if ratio > 0 and stock not in A.bought_list:    msg = f"当前涨幅 {ratio} 大于0 买入100股"print(msg)#下单函数passorder 安全起见处于注释状态 需要实际测试下单交易时再放开#passorder(23, 1101, account, stock, 5, -1, 100, '订阅下单示例', 2, msg, C)    A.bought_list.append(stock) stock_list = ['******.SH', '******.SZ']for stock in stock_list:  C.subscribe_quote(stock, period = '1d', callback = callback_func)

3、定时任务（run_time）

QMT系统中的定时任务  run_time  是一种基于固定时间间隔触发的运行机制，主要适用于盘中需要在固定时间间隔进行判断或交易的场景，比如每5分钟检查一次持仓状态、每分钟执行一次条件判断等。

定时任务（run_time）示例：

#coding:gbkimport time, datetimeclass a(): passA = a()def init(C): A.hsa = C.get_stock_list_in_sector('沪深A股') A.vol_dict = {}for stock in A.hsa:  A.vol_dict[stock] = C.get_last_volume(stock) A.bought_list = [] C.run_time("f", "1nSecond", "2019-10-14 13:20:00")def f(C): t0 = time.time() now = datetime.datetime.now() full_tick = C.get_full_tick(A.hsa) total_market_value = 0 total_ratio = 0 count = 0for stock in A.hsa:  ratio = full_tick[stock]['lastPrice'] / full_tick[stock]['lastClose'] - 1if ratio > 0.09 and stock not in A.bought_list:   msg = f"{now} {stock} {C.get_stock_name(stock)} 当前涨幅 {ratio} 大于5% 买入100股"#下单示例 安全起见处于注释状态 需要实际测试下单时可以放开 #passorder(23, 1101, account, stock, 5, -1, 100, '示例策略', 2, msg, C)   A.bought_list.append(stock)  market_value = full_tick[stock]['lastPrice'] * A.vol_dict[stock]  total_ratio += ratio * market_value  total_market_value += market_value  count += 1 total_ratio /= total_market_value total_ratio *= 100print(f'{now} 当前A股加权涨幅 {round(total_ratio, 2)}% 函数运行耗时{round(time.time()- t0, 5)}秒')

三种机制对比

QMT不同机制匹配不同场景需求:

使用建议：如果策略逻辑不需要依赖每一笔行情的变化，而是在固定时间点执行（比如定时检查、定时调仓），使用   run_time   更为高效。

如果需要结合实时分笔行情做高频判断，建议使用   subscribe   或   handlebar  。

以上就是今天分享的全部内容，有任何疑问可以评论区交流！