QMT vs Ptrade 速度对比 （一） 历史行情获取速度
众所周知（狗头），QMT是在你本地电脑运行的，包括行情获取，计算指标，选股选债，下单都在你的本地电脑执行。行情数据通过网络去券商服务器或者迅投（QMT）服务器获取，拿到数据在你的本地电脑处理，比如计算涨速，量比，然后再使用下单接口把下单指令通过网络提交到券商柜台，券商柜台接到QMT的委托指令后，再提交给交易所。
Ptrade（恒生电子）则是在券商部署的服务器上执行，你下载的Ptrade在你的本地电脑，只是负责写代码，把代码部署到券商服务器，然后在券商服务其执行你的策略，当然你的代码在券商服务器运行时是被加密的。行情获取，计算指标，下单委托都在券商机房内部执行，属于云策略的类型，策略部署好了，就不需要开着本地电脑观察它的状态。
对比环境均为同一个券商下的QMT和Ptrade，均为生产环境的实盘版本。（PS：温馨提示，平时少用模拟版本，bug多，交易不准，还浪费时间。我平时调试都直接在实盘上调试的，要对自己的策略有信心哈，至少回测过了的嘛O(∩_∩)O~~）
历史行情数据获取
目标：获取2022年到昨天的沪深300所有股票的日线收盘价数据。
QMT
获取行情数据 使用这个函数：ContextInfo.get_market_data()
在fields里面指定只获取close价格即可。
QMT测试代码如下：（需要的也可以后台留言回复获取）
[vscode里面的代码，需要复制到qmt里面执行]
把代码复制到QMT里面，然后切换到模型交易，在中间切换到实盘模式，就会运行上面代码。
注意，这里需要第一次运行上面的代码来计算时间，因为QMT会有个cache缓存机制，它会把曾经跑过的历史数据自动下载下来，保存到你的电脑硬盘里，从而加快QMT后续的读取速度，同样的数据没有必要每次再去网络上拉。
大部分情况下网络IO都会是任何一个量化交易系通最大的性能瓶颈。
运行得到下面的结果：
上面运行时间是22秒。不要惊讶哦，首次获取历史行情数据都是挺慢的。如果你的电脑网速够快，或者但在阿里云，腾讯云之类的云服务上跑，获取历史行情速度会有所提高。
在你运行了上面的代码之后，QMT会在某个时刻，在后台把数据下载到本地QMT安装目录下。
文件按照股票代码作为文件名存储。当然里面不是txt格式，而是QMT做了相应的封装的。上面按照修改日期排序，4月11日多了很多新的DAT数据文件，显然是刚刚生成的。
QMT在获取历史行情数据后，会有个触发器，在后台一次性保存大量的文件，所以QMT会在某一个瞬间，界面会出现卡顿，甚至无响应，而看任务管理器会看到内存飙升甚至爆满100%，有些新人菜鸟就认为QMT太占内存，太垃圾的结论，这也是片面的。实际上在数据完备的情况下，QMT需要的内存4GB就够的了。如果你经常会有扫描全市场股票代码历史数据的话，内存还是尽量选大一点的。如果无法避免内存突然飙升，可以每次把获取行情的股票代码列表减少，细分多几批获取，用时间换空间。
当然 QMT也提供了一个下载历史数据的一个菜单入口，用于在图形界面下手动下载历史行情，从而加速历史行情读取速度。
等数据下载完成后，
第二次跑上面的同一个代码，运行时间明显快了。
但用时还是要7.9秒，反复测试几次，获取时间依然是在6-8秒之间波动。 因为程序读取历史行情数据的一个个独立的文件，所以这里硬盘的性能因素对获取行情影响还是很大的。
笔者感觉7.9秒这个速度还是很慢的，换了台性能好一点的的windows机子，下载了历史数据后再跑了一次：
但用时依然在6秒左右。
所以个人是不推荐大家在tick策略里面，在盘中去获取历史数据的，这个动作应该在盘前就应该完成，把数据保存到内存列表或者dataframe变量中，盘中用的时候去取就可以了。 当然低频策略就无所谓啦。
Ptrade
操作上ptrade相对而言更加简洁，容易上手。
它的API设计和它对应的API文档更加规范，可读性更好。
直接把代码复制到量化->策略，新建策略，然后在交易里面添加策略，直接启动策略。代码设置定时运行，在启动策略后的一分钟后运行。
同样获取沪深300的日线数据，2022年1月到2023年4月10日。
get_price - 获取历史数据 get_price(security, start_date=None, end_date=None, frequency='1d', fields=None, fq=None, count=None)
运行
上面的结果显示，Ptrade获取同样的历史数据耗时只有700毫秒，0.7秒左右。测试多几次，获取时间基本每次都比较平稳，在0.6-0.8秒之间。（下面打印的306不是沪深300的个数，而是获取到的日期的天数，它返回的结构虽然都是panel，但和QMT的轴有点不同）。
结论
总的来说，获取历史行情数据的速度，Ptrade是秒杀了QMT的，不在一个量级上的。
本来想继续对比实时行情，下单延时对比等等，但开盘时间有限，写了一下时间就不够用了。所以把教程拆分为多个系列，下一篇再对比QMT和PTrade的实时行情数据，下单回调等等啦。
如果想要自己测试文中的数据，可以获取代码，公众号 后台回复： 历史行情数据代码
参考API接口文档：
Ptrade： http://ptradeapi.com/
QMT： http://qmt.ptradeapi.com/
公众号：
Ptrade（恒生电子）则是在券商部署的服务器上执行，你下载的Ptrade在你的本地电脑，只是负责写代码，把代码部署到券商服务器，然后在券商服务其执行你的策略，当然你的代码在券商服务器运行时是被加密的。行情获取，计算指标，下单委托都在券商机房内部执行，属于云策略的类型，策略部署好了，就不需要开着本地电脑观察它的状态。
对比环境均为同一个券商下的QMT和Ptrade，均为生产环境的实盘版本。（PS：温馨提示，平时少用模拟版本，bug多，交易不准，还浪费时间。我平时调试都直接在实盘上调试的，要对自己的策略有信心哈，至少回测过了的嘛O(∩_∩)O~~）
历史行情数据获取
目标：获取2022年到昨天的沪深300所有股票的日线收盘价数据。
QMT
获取行情数据 使用这个函数：ContextInfo.get_market_data()
用法： ContextInfo.get_market_data(fields, stock_code = , start_time = '',
end_time = '', skip_paused = True, period = 'follow',
dividend_type = 'follow', count = -1)
open -- 开盘价(str:numpy.float64)；
high -- 最高价(str:numpy.float64)；
low --最低价(str:numpy.float64)；
close -- 收盘价(str:numpy.float64)；
volume -- 交易量(str:numpy.float64)；
money -- 交易金额(str:numpy.float64)；
price -- 最新价(str:numpy.float64)；
preclose -- 昨收盘价(str:numpy.float64)(仅日线返回)；
high_limit -- 涨停价(str:numpy.float64)(仅日线返回)；
low_limit -- 跌停价(str:numpy.float64)(仅日线返回)；
unlimited -- 判断查询日是否无涨跌停限制(1：该日无涨跌停限制；0：该日有涨跌停限制)(str:numpy.float64)(仅日线返回)；
在fields里面指定只获取close价格即可。
QMT测试代码如下：（需要的也可以后台留言回复获取）
[vscode里面的代码，需要复制到qmt里面执行]
把代码复制到QMT里面，然后切换到模型交易，在中间切换到实盘模式，就会运行上面代码。
注意，这里需要第一次运行上面的代码来计算时间，因为QMT会有个cache缓存机制，它会把曾经跑过的历史数据自动下载下来，保存到你的电脑硬盘里，从而加快QMT后续的读取速度，同样的数据没有必要每次再去网络上拉。
大部分情况下网络IO都会是任何一个量化交易系通最大的性能瓶颈。
运行得到下面的结果：
上面运行时间是22秒。不要惊讶哦，首次获取历史行情数据都是挺慢的。如果你的电脑网速够快，或者但在阿里云，腾讯云之类的云服务上跑，获取历史行情速度会有所提高。
在你运行了上面的代码之后，QMT会在某个时刻，在后台把数据下载到本地QMT安装目录下。
文件按照股票代码作为文件名存储。当然里面不是txt格式，而是QMT做了相应的封装的。上面按照修改日期排序，4月11日多了很多新的DAT数据文件，显然是刚刚生成的。
QMT在获取历史行情数据后，会有个触发器，在后台一次性保存大量的文件，所以QMT会在某一个瞬间，界面会出现卡顿，甚至无响应，而看任务管理器会看到内存飙升甚至爆满100%，有些新人菜鸟就认为QMT太占内存，太垃圾的结论，这也是片面的。实际上在数据完备的情况下，QMT需要的内存4GB就够的了。如果你经常会有扫描全市场股票代码历史数据的话，内存还是尽量选大一点的。如果无法避免内存突然飙升，可以每次把获取行情的股票代码列表减少，细分多几批获取，用时间换空间。
当然 QMT也提供了一个下载历史数据的一个菜单入口，用于在图形界面下手动下载历史行情，从而加速历史行情读取速度。
等数据下载完成后，
第二次跑上面的同一个代码，运行时间明显快了。
但用时还是要7.9秒，反复测试几次，获取时间依然是在6-8秒之间波动。 因为程序读取历史行情数据的一个个独立的文件，所以这里硬盘的性能因素对获取行情影响还是很大的。
笔者感觉7.9秒这个速度还是很慢的，换了台性能好一点的的windows机子，下载了历史数据后再跑了一次：
但用时依然在6秒左右。
所以个人是不推荐大家在tick策略里面，在盘中去获取历史数据的，这个动作应该在盘前就应该完成，把数据保存到内存列表或者dataframe变量中，盘中用的时候去取就可以了。 当然低频策略就无所谓啦。
Ptrade
操作上ptrade相对而言更加简洁，容易上手。
它的API设计和它对应的API文档更加规范，可读性更好。
直接把代码复制到量化->策略，新建策略，然后在交易里面添加策略，直接启动策略。代码设置定时运行，在启动策略后的一分钟后运行。
同样获取沪深300的日线数据，2022年1月到2023年4月10日。
get_price - 获取历史数据 get_price(security, start_date=None, end_date=None, frequency='1d', fields=None, fq=None, count=None)
运行
上面的结果显示，Ptrade获取同样的历史数据耗时只有700毫秒，0.7秒左右。测试多几次，获取时间基本每次都比较平稳，在0.6-0.8秒之间。（下面打印的306不是沪深300的个数，而是获取到的日期的天数，它返回的结构虽然都是panel，但和QMT的轴有点不同）。
结论
总的来说，获取历史行情数据的速度，Ptrade是秒杀了QMT的，不在一个量级上的。
本来想继续对比实时行情，下单延时对比等等，但开盘时间有限，写了一下时间就不够用了。所以把教程拆分为多个系列，下一篇再对比QMT和PTrade的实时行情数据，下单回调等等啦。
如果想要自己测试文中的数据，可以获取代码，公众号 后台回复： 历史行情数据代码
参考API接口文档：
Ptrade： http://ptradeapi.com/
QMT： http://qmt.ptradeapi.com/
公众号：
