同一段代码，先在国信上跑回测，先获取可转债的1分钟的分笔数据，发现一些时间段里的成交额居然是0. （数据已经先下载好了）

点击打开大图





上面的amount字段（成交额），返回的是0。

看了一下对应的转债，没有停牌，是有正常数据交易的。

然后用国金的QMT记性交叉验证。同样的代码
点击打开大图




 
国金的是正常的。只是成交量的小数浮点位是不是有点多了？ 可能用的numy的默认9位，没有做处理而已。

【在写这个文章的时候发现国信的qmt的volume成交量是有数据的，那么其实可以用价格x成交量=成交额，间接获取成交额，大坑】

点击打开大图




 
附测试源码：
 # coding:gbk
# 公众号:可转债量化分析
DEBUG = True
import time
def get_datetime(ContextInfo):
# 获取当前时间
index = ContextInfo.barpos
realtime = ContextInfo.get_bar_timetag(index)
date = timetag_to_datetime(realtime, "%Y-%m-%d %H:%M:%S")
if DEBUG:
print('当前日期 ', date)
return date

def init(ContextInfo):
print("==============start==========")
ContextInfo.start = '2024-03-27 10:00:00'
ContextInfo.end = '2024-03-29 10:00:00'
#
#ContextInfo.end = '2023-01-05'
#ContextInfo.start = '2023-01-16'
print('init')

def handlebar(ContextInfo):
# 回测的时候不需要
#if not ContextInfo.is_last_bar():
# print('return')
# return
get_datetime(ContextInfo)
print('handlebar')
data = ContextInfo.get_market_data(['quoter'], stock_code = ['123167.SZ'], skip_paused = True, period = 'tick', dividend_type = 'front')

#data = ContextInfo.get_market_data(['close'], stock_code = ['113567.SH'], skip_paused = True, period = '1d', dividend_type = 'front')
#print(type(data))
print(data)

def stop(ContextInfo):
print( 'strategy is stop !') 查看全部

# coding:gbk

# 公众号:可转债量化分析

DEBUG = True

import time

def get_datetime(ContextInfo):

    # 获取当前时间

    index = ContextInfo.barpos

    realtime = ContextInfo.get_bar_timetag(index)

    date = timetag_to_datetime(realtime, "%Y-%m-%d %H:%M:%S")

    if DEBUG:

        print('当前日期 ', date)

    return date

    

def init(ContextInfo):

    print("==============start==========")

    ContextInfo.start = '2024-03-27 10:00:00'

    ContextInfo.end = '2024-03-29 10:00:00'

    # 

    #ContextInfo.end = '2023-01-05'

    #ContextInfo.start = '2023-01-16'

    print('init')

    

def handlebar(ContextInfo):

    # 回测的时候不需要

    #if not ContextInfo.is_last_bar():

    #    print('return')

    #    return

    get_datetime(ContextInfo)

    print('handlebar')

    data = ContextInfo.get_market_data(['quoter'], stock_code = ['123167.SZ'], skip_paused = True, period = 'tick', dividend_type = 'front')

    

    #data = ContextInfo.get_market_data(['close'], stock_code = ['113567.SH'], skip_paused = True, period = '1d', dividend_type = 'front')

    #print(type(data))

    print(data)



def stop(ContextInfo):

    print( 'strategy is stop !')

QMT ，iQuant，miniQMT的区别

对于第一次接触的朋友来说，经常会问到几个问题，QMT和iQuant，miniQMT有什么区别。

首先，QMT和iQuant都是有迅投开发的。miniQMT是在QMT底下的运行的一个极简模式。



接下来将详细的讲讲。

QMT vs iQuant

一般券商采购了迅投的QMT，接入行情数据服务器和交易服务器，和用户资金账户，就可以让他成为自己的量化交易软件。



而iQuant是有国信定制开发的。iQuant它的大部分券商的QMT的功能基本一样。 不同的地方有：

iQuant移除了VBA模型

下图是国金QMT，在新建策略下面，有VBA模型和python模型



而在国信的iQuant的策略开发模式下，只支持python模型，VBA编写模型的功能被移除了。



对于VBA而言，实际是一门古老的语言，至少在互联网领域，已经没见过几个人在用的了。

不过我在查询了一下它的在QMT里面的实盘交易代码，其实它还是挺适合熟悉通达信公式的朋友使用，很多语法是从通达信的公式演变而来的。



iQuant支持投资研究，使用jupyter notebook逐行运行，为了便于调试。

而其他的QMT均没有这个功能。 不过这个功能我试了下，它只是调用我系统的jupyter notebook，而且它有严重的bug，居然运行不了任何代码。（ptrade也有个类似这样的功能，可以逐行调用内置的获取行情的函数，ptrade的是可以正常运行的）



少数券商的QMT无法在虚拟机运行

QMT可以在虚拟机运行，大部分券商的QMT可以在虚拟机里面运行，这也意味这可以云主机服务器运行，比如阿里云，腾讯云这种，在云服务器上网络和系统稳定性都要比你在家里放的主机要好，因为QMT需要一台正在运行的Windows系统，且网络畅通。

只有少数券商的QMT无法在虚拟机里面运行。



之前笔者粗略地对比了下QMT读取的系统信息，异同点字在于磁盘序列号，想要硬刚的读者朋友在可以尝试修改虚拟机的硬盘序列号。



在python编写策略的代码层面，QMT和iQuant的接口文档也基本一致的，可能在一些功能函数上会有些少出入。二者写的python代码可互相在彼此上运行。

QMT 与 miniQMT

miniQMT属于QMT的一个子功能，一个精简功能下的自动交易框架，只支持实盘交易，不支持回测。在miniQMT模式下，你的策略代码将不在固定在自带的那个QMT软件下编写，而是可以自由地使用pycharm,vscode等编辑器，运行的时候直接使用 python xxxx.py 这样的形式启动。

只是券商很少对它进行宣传，以至于用它的人不多。

进入miniQMT的方法： 点击QMT程序，登录时勾选极简模式



注意：极简模式下，需要一直保持者这个miniQMT的登录程序在运行，意味者miniQMT也只能在windows系统下运行。

XtQuant

miniQMT的核心是XtQuant，XtQuant能提供哪些服务？

XtQuant是基于迅投MiniQMT衍生出来的一套完善的Python策略运行框架，对外以Python库的形式提供策略交易所需要的行情和交易相关的API接口。

XtQuant运行依赖环境

XtQuant目前提供的库包括Python3.6、3.7、3.8版本，不同版本的python导入时会自动切换。根据群友反馈，最新的版本可以支持到python3.11。

在运行使用XtQuant的程序前需要先启动MiniQMT客户端。

然后把你的QMT目录下的\bin.x64\Lib\site-packages\xtquant复制到你系统python目录下的site-packages。



然后就可以在你的代码里面导入QMT的函数，包括获取行情数据，下单函数。




它的帮助文档在bin.x64\Lib\site-packages\xtquant\doc 目录下。

从它的帮助文档来看，它是一套和QMT接口函数完全不一样的交易框架。



所以QMT的代码，无法直接拷贝到miniQMT中使用。虽然名字叫miniQMT，但感觉它提供的很多函数功能，要比QMT更为丰富，用户可以掌控的流程更多，更灵活。

iQuant版虽然也有精简版的miniQMT，但它对个人用户不提供下单功能呢，只有获取行情数据，财务数据等的数据权限。

还有一个与之配套的xtdata库，是专门用来获取行情数据的，而xttrade是专门用来交易下单的。



因为xtdata可以获取很多股票，可转债，ETF等等历史数据，所以即使你不用miniQMT做交易，你也可以白嫖它的数据，这比用积分的tushare简直不要太爽。比如可以获取到股票或可转债的日线，分钟线，甚至tick数据。

比如下面的代码就可以获取 众信转债 的某个时间的历史tick数据，并保存到文件。 只要稍微改造下，就可以获取全市场的转债的tick数据。
 import pandas as pd
import datetime


def get_tick(code, start_time, end_time, period='tick'):
from xtquant import xtdata

xtdata.download_history_data(code, period=period, start_time=start_time, end_time=end_time)
data = xtdata.get_local_data(field_list=, stock_code=, period=period, count=10)
result_list = data df = pd.DataFrame(result_list)

df['time_str'] = df['time'].apply(lambda x: datetime.datetime.fromtimestamp(x / 1000.0))
return df


def process_timestamp(df, filename):
df = df.set_index('time_str')
result = df.resample('3S').first().ffill()
result = result[(result.index >= '2022-07-20 09:30') & (result.index <= '2022-07-20 15:00')]
result = result.reset_index()
result.to_csv(filename + '.csv')


def dump_single_code_tick():
# 导出单个转债的tick数据
code='128022'
start_date = '20210113'
end_date = '20210130'

post_fix = 'SZ' if code.startswith('12') else 'SH'
code = '{}.{}'.format(code,post_fix)
filename = '{}'.format(code)
df = get_tick(code, start_date, end_date)

dump_single_code_tick()
 
把上面保存为main.py, 然后执行python main.py , 片刻就可以看到生成的文件数据了。

结语

为了便于读者快速浏览帮助文档，可以在公众号后台回复对应的关键词获取对应的帮助文档：

qmt文档

miniqmt文档

如果想要体验qmt或者miniqmt自动交易的朋友，可以后台回复：开通qmt

即可获取低门槛低费率的开通qmt/iQuant的券商开户方式。
 
 

 

知识星球: 查看全部

import pandas as pd

import datetime





def get_tick(code, start_time, end_time, period='tick'):

    from xtquant import xtdata



    xtdata.download_history_data(code, period=period, start_time=start_time, end_time=end_time)

    data = xtdata.get_local_data(field_list=, stock_code=

, period=period, count=10)

    result_list = data

    df = pd.DataFrame(result_list)



    df['time_str'] = df['time'].apply(lambda x: datetime.datetime.fromtimestamp(x / 1000.0))

    return df





def process_timestamp(df, filename):

    df = df.set_index('time_str')

    result = df.resample('3S').first().ffill()

    result = result[(result.index >= '2022-07-20 09:30') & (result.index <= '2022-07-20 15:00')]

    result = result.reset_index()

    result.to_csv(filename + '.csv')





def dump_single_code_tick():

    # 导出单个转债的tick数据

    code='128022'

    start_date = '20210113'

    end_date = '20210130'



    post_fix = 'SZ' if code.startswith('12') else 'SH'

    code = '{}.{}'.format(code,post_fix)

    filename = '{}'.format(code)

    df = get_tick(code, start_date, end_date)



dump_single_code_tick()