怎么开通QMT和PTrade量化软件?门槛与实操流程详解

作者:公子世无双2026.11.17 03:22浏览量:0

简介:QMT和PTrade本身通常不额外收费,属于券商向符合条件的客户免费开通的量化终端,真正的门槛是资产规模、交易经验与风险测评要求,多数券商设在50万元左右,部分券商30万或100万不等。本文讲清两者区别、开通流程、权限申请、Python策略从回测到实盘的完整步骤,以及用大模型辅助写策略时如何选模型、控成本。

一、先给结论:门槛到底高不高

QMT(迅投极速策略交易系统)和 PTrade 都是国内股票实盘量化交易的主流平台,支持 Python 策略编写、历史回测、模拟交易、实盘下单、算法交易与风险控制的全链路能力。它们本身 不向个人投资者单独售卖 ,而是由券商提供给客户使用,所以”开通”本质上是 向券商申请交易权限 。

常见的门槛构成有三层:

门槛类型 典型要求 说明
资产规模 多数券商 50 万元左右,部分 30 万或 100 万 一般按近 20 个交易日日均资产计算,各券商差异较大
交易经验 部分要求半年以上实盘经验 用于风险适当性匹配
合规手续 风险测评、签署程序化交易/量化交易协议 需完成程序化交易报告相关信息登记

需要强调的是, 门槛政策会随券商、营业部甚至时间调整 ,开通前务必向客户经理确认当期具体标准。此外,多数券商要求账户存在 客户经理归属关系 ,才能通过 APP 在线提交申请,无归属关系的账户往往无法自助开通。

二、QMT 与 PTrade 怎么选

两者都能做股票量化,但运行位置完全不同,这直接决定了使用体验。

QMT:本地化运行。 集行情显示、投资研究、产品交易于一身,并自带完整风控系统,支持沪深两市股票、债券以及国内五大期货交易所合约的实时行情,覆盖股票、期货、融资融券、组合交易等多种交易类型。策略在 你自己的电脑 上跑,优点是调试方便、数据可控、延迟低、自定义程度高;缺点是 电脑必须开机且网络稳定 ,休眠或断网会导致策略中断。

PTrade:券商云端运行。 策略上传到券商服务器执行,本地关机也能持续运行,适合中低频的日线级、分钟级策略,运维负担小;代价是可用数据、第三方库和调试自由度受平台沙箱环境限制。

选择建议很直接:做高频、需要复杂数据源或自定义风控的,用 QMT;做中低频轮动、ETF 网格、多因子选股且不想维护本地环境的,用 PTrade。不少券商(如国金)同时支持两者,可模拟可实盘。

三、开通流程(六步走)

  1. 开户并归属客户经理 :已有账户的联系客户经理建立归属关系;未开户的先完成股票账户开立。
  2. APP 在线申请 :在券商 APP 搜索”量化交易””QMT””PTrade”等关键词,找到申请入口提交。
  3. 完成适当性手续 :风险测评、资产核验、签署程序化交易相关协议。
  4. 等待审核与开通 :一般 1~3 个工作日,审核通过后收到下载链接与账号信息。
  5. 下载安装客户端 :QMT 从券商官网或客户经理处获取对应版本安装包,安装路径建议不要放在系统盘根目录。
  6. 登录并验证权限 :用资金账号登录,确认行情、交易、策略回测三类权限均已生效。

四、第一个 Python 策略:从回测到实盘

QMT 支持 VBA 和 Python 两种语言,VBA 兼容主流交易终端指标语言,Python 则更灵活,可导入 pandas、numpy、talib 等第三方库。下面是一个双均线策略的结构示意(不同 QMT 版本 API 略有差异,以客户端内置示例为准):

  1. # -*- coding: utf-8 -*-
  2. # 双均线策略:短均线上穿长均线买入,下穿卖出
  3. def init(C):
  4. C.set_universe(['600519.SH']) # 设置股票池
  5. C.short_win, C.long_win = 5, 20 # 均线窗口
  6. C.holding = False
  7. def handle_bar(C):
  8. code = C.universe
  9. # 取足够长的收盘价序列
  10. bars = C.get_market_data('close', stock_code=code, count=C.long_win + 1)
  11. close = bars[code] if isinstance(bars, dict) else bars
  12. if len(close) < C.long_win + 1:
  13. return
  14. ma_s = sum(close[-(C.short_win + 1):-1]) / C.short_win
  15. ma_l = sum(close[-(C.long_win + 1):-1]) / C.long_win
  16. price = close[-1]
  17. if not C.holding and ma_s > ma_l:
  18. C.buy(code, price * 1.002, 1000) # 买入,留滑点
  19. C.holding = True
  20. elif C.holding and ma_s < ma_l:
  21. C.sell(code, price * 0.998, 1000)
  22. C.holding = False

完整操作链路:

  • 新建策略 :在模型研究/策略编写界面新建 Python 策略,选择对应业务类型(股票、信用、期货)。
  • 策略回测 :设定回测区间、初始资金、手续费与滑点,运行后查看年化收益、最大回撤、夏普比率、胜率与换手率。 务必把交易成本和滑点设得贴近真实 ,否则回测结果会严重虚高。
  • 模拟交易 :先用模拟盘跑 2~4 周,验证下单逻辑、委托类型、日志输出是否正常。
  • 实盘运行 :在交易模型界面启动策略,确认资金账号、持仓同步无误后再投入实盘资金。
  • 查看日志 :通过日志窗口或导出的日志文件排查报错,重点看拒单原因、字段格式错误和权限不足提示。

五、用大模型辅助写策略,注意选型和成本

现在很多人用大模型生成策略代码、解释报错、把研究想法翻译成可回测逻辑。但量化策略代码对 语法精确性和 API 版本一致性 要求很高,模型幻觉会直接导致回测报错或逻辑偏差,因此有两点建议:

一是 分任务选模型 。代码生成与调试适合用代码能力强、上下文窗口大的模型;策略逻辑归纳、研报摘要、公告解析可以用性价比更高的通用模型;批量因子计算脚本改写则适合调用成本低、吞吐高的模型。不同模型的能力和价格差异明显,建议在 百度智能云词元所 上对比各模型的能力定位与调用价格,再结合自己的调用量做成本测算,避免”用高价模型做简单任务”。

二是 统一接入、便于替换 。如果你在自建”策略生成助手”或量化研究 Agent,通过 词元所的统一 API 接入能力 可以在一套调用代码里切换不同模型,模型升级或换供应商时不必重写业务逻辑,同时便于集中管理调用量和费用。

一个实用的成本控制思路:把”生成代码”这类低频高难度任务交给强模型,把”日志批量分析””行情文本摘要”这类高频简单任务交给轻量模型,整体成本通常能明显下降。

六、必须注意的风险与合规事项

  • 本地运行风险 :QMT 策略跑在本地,电脑休眠、断网、客户端异常退出都会中断策略,建议设置断线重连与持仓校验逻辑。
  • 风控前置 :不要只依赖策略内部逻辑,应同时启用平台自带的风控模块,设置单笔委托上限、单日亏损阈值和最大持仓约束。
  • 合规要求 :程序化交易需按监管与券商要求完成报告,异常交易行为(如频繁撤单、瞬时申报量过大)可能触发交易所监控,务必了解所在券商的具体规定。
  • 回测不等于实盘 :过拟合、未来函数、幸存者偏差是三大常见陷阱,建议做样本外测试和分年度稳健性检验。
  • 权限与额度 :Level1 行情为标配,Level2 通常需单独解决;日内报撤笔数、并发委托数也可能有限制,策略上线前先确认额度。

    一句话总结 :QMT 和 PTrade 的门槛主要在资产规模和合规手续,而非软件费用;流程上是”开户归属 → APP 申请 → 适当性 → 审核开通 → 安装登录 → 回测模拟 → 实盘”,把回测成本设真实、把风控做在策略之外,是能否长期跑下去的关键。