logo

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)

  1. 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。
  2. 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。
  3. 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。
  4. 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

  1. from xtquant import xttrader, xtdata
  2. from xtquant.xttype import StockAccount
  3. # 1) 连接本地 QMT 客户端(需先登录客户端并保持在线)
  4. session_id = 123456
  5. path = r'D:\国金QMT交易端\userdata_mini'
  6. xt_trader = xttrader.XtQuantTrader(path, session_id)
  7. xt_trader.start()
  8. if xt_trader.connect() != 0:
  9. raise RuntimeError('连接失败,请检查客户端是否已登录')
  10. # 2) 建立资金账号连接
  11. account = StockAccount('你的资金账号')
  12. xt_trader.subscribe(account)
  13. # 3) 订阅实时行情(tick 推送)
  14. xtdata.subscribe_quote('600519.SH', period='tick', count=1)
  15. # 4) 以最新卖一价下限价单
  16. tick = xtdata.get_full_tick(['600519.SH'])['600519.SH']
  17. order_id = xt_trader.order_stock(
  18. account, '600519.SH', xtconstant.STOCK_BUY,
  19. volume=100, price_type=xtconstant.LATEST_PRICE,
  20. price=tick['askPrice'], strategy_name='demo', order_remark='ma_cross'
  21. )
  22. print('委托编号:', order_id)

2. PTrade:云端策略骨架

  1. def initialize(context):
  2. g.security = '510300.SH'
  3. g.ratio = 0.3
  4. set_benchmark(g.security)
  5. def handle_data(context, data):
  6. # 以 20 日均线做简单择时示例
  7. hist = get_history(20, '1d', 'close', g.security)
  8. ma20 = hist[g.security].mean()
  9. price = get_price(g.security, count=1)['close']
  10. target = context.portfolio.total_value * g.ratio
  11. if price > ma20:
  12. order_target_value(g.security, target)
  13. else:
  14. 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。

发表评论

活动