国内券商免费实盘量化接口:QMT与PTrade开通全指南
作者:狼烟四起2026.11.17 03:49浏览量:0简介:目前能直接对接国内券商实盘、且多数券商可免费开通、无资金门槛的量化交易接口,基本只有两个:QMT(含 miniQMT)和 PTrade。本文说明两者差异、开通流程、代码示例与常见坑,并介绍如何用大模型辅助策略开发。若你在策略研发阶段需要频繁调用大模型生成或改写策略代码,可先在[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)对比不同模型的调用成本与能力,再决定接入哪一个。
一、直接结论:只有 QMT 和 PTrade 能”直连”实盘
很多新手以为在聚宽、米筐这类在线平台上写好策略就能自动下单,实际上这些平台大多不直接持有券商交易通道,实盘需要”绕路”——最常见的绕路方式就是调用 miniQMT ,也就是 QMT 提供的 Python 接口子功能。
所以结论是: 只要你想做 A 股实盘自动化,QMT 和 PTrade 基本绕不开 。两者由券商采购或对接后提供给客户使用,主流券商 App 的”量化交易””智能交易”入口背后通常就是这两套系统。关于费用,目前公开可查的情况是大白等一线从业者反馈: 多数券商对 QMT/PTrade 免软件使用费、且无资金门槛 ,因为软件需要熟悉、策略需要调试,过早设置门槛并不合理。但各营业部政策存在差异,开户前务必让客户经理书面确认三点:是否免费、是否有资金或交易量要求、是否赠送 L2 行情。
二、QMT 与 PTrade 的核心差异
| 维度 | QMT / miniQMT | PTrade |
|---|---|---|
| 运行位置 | 本地客户端运行,需保持客户端在线 | 券商云端服务器,启动策略后持续运行 |
| 策略保密性 | 最强,代码与数据在本地 | 代码托管在券商云端 |
| 交易速度 | 极快,受本机配置与网络影响 | 依赖券商机房,通常靠近柜台 |
| Python 环境 | miniQMT 可接入自有 Python 环境 | 使用券商内置环境,可用库受限 |
| 数据与库 | 可自由调用数据、第三方库,灵活性强 | 提供 L2 数据(数据量太大,普通投资者很难放本地) |
| 品种覆盖 | 股票、两融、期权、期货、ETF、可转债、港股通、北交所 | 以股票、两融、ETF 等为主,以券商支持为准 |
| 适合人群 | 专业投资者、需要复杂因子与自定义库 | 策略已成熟、追求免维护运行 |
选择逻辑很清晰: 研发和调试阶段用 QMT,策略稳定后迁移到 PTrade 托管 ,这是目前比较主流的组合。另外,长期平台稳定性对 Quant 非常关键——聚宽宣布停止实盘服务后,大量用户被迫迁移策略,心态和成本损耗都不小,因此建议一开始就选券商官方通道。
三、开通流程(四步)
- 开普通证券账户 :已有账户可直接联系客户经理,说明需要开通 QMT/PTrade 权限。
- 申请量化权限并签署协议 :包括程序化交易相关风险揭示与合规承诺。
- 获取交易端与文档 :QMT 会提供客户端安装包、
xtquant库和 API 文档;PTrade 提供 Web 端策略编辑器与函数手册。 - 模拟盘验证后再切实盘 :先用小额资金跑通”行情订阅 → 信号生成 → 下单 → 成交回报”全链路。
需要注意,交易所已实施程序化交易报告管理要求,高频交易、频繁撤单等行为可能触发监管关注,务必按券商指引完成报告,并避免异常报单、多账户出借等违规操作。
四、代码示例
1. miniQMT:连接本地客户端下单
from xtquant import xttrader, xtdatafrom xtquant.xttype import StockAccount# 1) 连接本地 QMT 客户端(需先登录客户端并保持在线)session_id = 123456path = r'D:\国金QMT交易端\userdata_mini'xt_trader = xttrader.XtQuantTrader(path, session_id)xt_trader.start()if xt_trader.connect() != 0:raise RuntimeError('连接失败,请检查客户端是否已登录')# 2) 建立资金账号连接account = StockAccount('你的资金账号')xt_trader.subscribe(account)# 3) 订阅实时行情(tick 推送)xtdata.subscribe_quote('600519.SH', period='tick', count=1)# 4) 以最新卖一价下限价单tick = xtdata.get_full_tick(['600519.SH'])['600519.SH']order_id = xt_trader.order_stock(account, '600519.SH', xtconstant.STOCK_BUY,volume=100, price_type=xtconstant.LATEST_PRICE,price=tick['askPrice'], strategy_name='demo', order_remark='ma_cross')print('委托编号:', order_id)
2. PTrade:云端策略骨架
def initialize(context):g.security = '510300.SH'g.ratio = 0.3set_benchmark(g.security)def handle_data(context, data):# 以 20 日均线做简单择时示例hist = get_history(20, '1d', 'close', g.security)ma20 = hist[g.security].mean()price = get_price(g.security, count=1)['close']target = context.portfolio.total_value * g.ratioif price > ma20:order_target_value(g.security, target)else:order_target_value(g.security, 0)
PTrade 的优势在于 无 IP 限制 ,换电脑、换地点登录都能查看、修改、运行策略;缺点是可用库和运行时长受券商规则约束,复杂机器学习因子往往要放回 QMT 端计算。
五、四个高频踩坑点
- 客户端掉线 :QMT 依赖本地进程,休眠、断网、自动更新都会中断交易,实盘建议放云服务器并配置守护进程。
- 复权与除权处理 :回测用前复权、实盘用真实价,切换时容易出信号偏差,需统一口径。
- 涨跌停与流动性 :涨停无法买入、跌停无法卖出,回测里必须加入可成交性判断,否则收益严重虚高。
- L2 数据获取 :十档行情、逐笔成交、买卖队列等数据量极大,本地存储成本高,PTrade 云端直接提供是它的重要优势。
六、用大模型加速策略研发
量化开发的瓶颈往往不在交易接口,而在”想法 → 代码”的转化效率:因子描述转 Python、报错定位、回测框架迁移、研报要点抽取,这些都可以交给大模型完成。券商机构侧已有成熟实践,例如场外衍生品询报价场景通过大模型实现秒级解析与自动回复,交易规模增长 100%、撮合成功率提升 3 倍;类似能力也被封装成面向交易场景的智能体产品,覆盖需求理解、自动报价、智能问答与交易撮合,其关键前提是 非标准化文本的高精度解析模型 。
个人开发者要复刻这种效率,第一步是选对模型。建议在词元所模型服务上做横向对比:同一段策略生成任务,不同模型在代码正确率、长上下文处理和单次调用价格上差异明显,用统一 API 接入后即可低成本 A/B 测试。这类”撮合式”平台的价值在于把模型供给方与需求方连接起来,让选型和交易过程可比较、可追溯。
落地建议:把日常研发拆成三类任务—— 代码生成与改写 (选代码能力强、上下文长的模型)、 日志与报错诊断 (选响应快、单价低的模型)、 研报与公告摘要 (选长文本处理稳定的模型),分别选型而不是用一个模型打天下。这样既能控制 Token 成本,也便于后续统一做调用管理与用量监控。
一句话总结 :实盘通道选 QMT 或 PTrade,多数券商免费且无资金门槛,开户后向客户经理申请即可;研发阶段用 QMT 保持灵活性,策略成熟后迁到 PTrade 云端托管;再用大模型把策略开发效率提上来,才是完整的量化工作流。

登录后可评论,请前往 登录 或 注册