万字干货：从0到1，这份Python量化策略编程终极指南请收好（适用于看海量化回测平台khQuant）

技术文档

我是Mr.看海，我在尝试用信号处理的知识积累和思考方式做量化交易，应用深度学习和AI实现股票自动交易，目的是实现财务自由~
目前我正在开发基于miniQMT的量化交易系统——看海量化交易系统（KhQuant 是其核心框架）。

想象一下，当你睡觉的时候，有一个机器人在帮你24小时盯盘，严格按照你的交易逻辑执行买卖操作，不会因为情绪波动而做出错误决策，也不会因为疲劳而错过机会。这就是量化交易的魅力所在。

然而，很多人在刚接触量化交易时都会有这样的困惑：我有一套不错的交易思路，但是怎么把它变成代码呢？如何让电脑理解我的交易逻辑？今天这篇文章，我们就来深入探讨如何从零开始编写一个完整的量化交易策略。

无论你是编程新手，还是有一定编程基础但对量化交易不太了解的朋友，这篇文章都会为你提供一个系统性的指导，让你能够真正理解量化策略的编写逻辑，并动手实现属于自己的交易策略。

什么是量化交易策略框架？

在开始编写代码之前，我们先来理解一个核心概念：什么是策略框架？

假设你是一个手工交易者，每天的工作流程可能是这样的：

早上9点前，查看昨夜的全球市场情况，准备今天的交易计划
开盘后，实时关注行情变化，根据技术指标做出买卖决策
收盘后，复盘今天的交易，记录盈亏和经验总结

这个流程其实就是一个完整的交易\"框架\"。而量化交易的策略框架，就是将这个人工流程用代码的方式实现出来。

策略框架的核心价值

你可能会问：为什么不直接写一个完整的交易程序，而要用框架呢？

这就像盖房子一样。如果每次盖房子都要从挖地基开始，那会非常耗时耗力。框架就像是已经打好的地基和建好的房屋框架，你只需要根据自己的需求进行装修和布置就可以了。

这些底层的技术工作往往占据了90%的开发时间，而真正的交易逻辑可能只占10%。策略框架就是为了让你能够把100%的精力投入到那10%的核心交易逻辑上。

策略框架是什么

对于每一位交易者而言，心中都有一套独特的交易逻辑。量化交易的本质，便是将这套逻辑转化为代码，让计算机去执行。然而，从零开始编写一套完整的交易程序是复杂且耗时的，需要处理数据获取、订单管理、风险控制、事件驱动等一系列繁琐的底层任务。

策略框架正是为了解决这一问题而生。可以将它理解为一个半成品的交易机器人，它已经为开发者搭建好了坚实的骨架，处理了所有与交易逻辑无关的技术细节。开发者只需要专注于策略本身，将交易思想填充到框架预留的接口中，即可快速构建出功能完备、稳定可靠的自动化交易策略。

为了贴近主流的量化实践和用户习惯，khQuant 定义了一套符合直觉的策略框架。它主要包含四个核心部分，分别对应策略生命周期中的不同阶段：

初始化 (init): 策略开始运行时，用于进行全局设置，仅执行一次。
盘前回调 (khPreMarket): 每个交易日开盘前，用于执行每日的准备工作。
主回调 (khHandlebar): 在盘中根据设定的频率被反复调用，是策略逻辑的核心。
盘后回调 (khPostMarket): 每个交易日收盘后，用于执行当日的复盘和清理任务。

这四个部分均以函数的形式存在于策略文件中。框架会在特定的时间点自动调用这些函数，并将包含当前市场行情、账户资金、持仓情况等所有必要信息的 context 对象作为参数传递给它们。在函数中完成逻辑判断后，只需返回标准的交易指令（我们称之为\"信号\"），框架便会自动执行后续的下单操作。这种设计极大地简化了策略编写的复杂度，使开发者可以聚焦于策略逻辑本身，而非底层实现。

12.1 策略框架一览

一个策略文件本质上是一个标准的Python脚本，通过实现框架预定义的一系列函数来完成策略逻辑。以下是一个策略文件的最简化结构，它包含了所有主要的回调函数，可以作为开始编写新策略的模板。

from typing import Dict, Listdef init(stock_list, context): \"\"\" 策略初始化函数，在任务开始时仅执行一次。 用于定义全局变量、加载外部数据等。 \"\"\" passdef khHandlebar(context: Dict) -> List[Dict]: \"\"\" 策略核心逻辑，会被框架根据设定的频率反复调用。 负责行情判断和生成交易信号。 \"\"\" signals = [] return signalsdef khPreMarket(context: Dict) -> List[Dict]: \"\"\" 盘前处理函数（可选）。 在每日开盘前的指定时间点调用。 \"\"\" signals = [] return signalsdef khPostMarket(context: Dict) -> List[Dict]: \"\"\" 盘后处理函数（可选）。 在每日收盘后的指定时间点调用。 \"\"\" signals = [] return signals

12.2 核心回调函数详解

框架通过在特定时机调用策略文件中的特定函数来驱动策略运行。开发者需要根据需求实现这些函数。为了更好地理解，可以参考我们提供的 strategies/MACD.py 策略示例文件，它展示了如何实现一个完整的策略。

12.2.1 `init(stock_list, context)` - 初始化函数

执行时机：在整个回测或交易任务开始时，被框架调用一次。
核心作用：用于执行策略的全局初始化任务，如设置参数、加载数据等。
参数说明：
- stock_list (list): 框架传入的股票池列表，例如 [\'000001.SZ\', \'600000.SH\']。
- context (dict): 一个包含初始化时刻上下文信息的字典。其内部详细结构如下：
  - __current_time__ (dict): 包含当前时间信息的字典。
    - timestamp: (int) 标准Unix时间戳。
    - datetime: (str) 格式为 \"YYYY-MM-DD HH:MM:SS\" 的日期时间字符串。
    - date: (str) 格式为 \"YYYY-MM-DD\" 的日期字符串。
    - time: (str) 格式为 \"HH:MM:SS\" 的时间字符串。
  - __account__ (dict): 包含账户资金信息的字典。
    - account_type: (str) 账户类型 (例如, \'STOCK\')。
    - account_id: (str) 账户ID。
    - cash: (float) 当前可用资金。
    - frozen_cash: (float) 冻结资金。
    - market_value: (float) 持仓市值。
    - total_asset: (float) 总资产。
    - benchmark: (str) 基准指数代码。
  - __positions__ (dict): 包含持仓信息的字典，在初始化时通常为空 {}。
  - __framework__ (object): 框架核心类的实例。它包含了最全面的框架信息和功能接口。如果其他上下文参数不包含所需信息，可以尝试通过此对象获取。

12.2.2 `khHandlebar(context)` - 策略主逻辑函数

执行时机：根据主界面\"运行驱动区\"设置的触发方式，被框架反复、高频地调用。
核心作用：这是实现交易策略核心逻辑的地方，包括行情判断、信号生成、下单等。
参数说明：
- context (dict): 包含当前时间点所有可用信息的字典，其结构为：
  - __current_time__ (dict): 包含当前时间信息的字典。
    - timestamp: (int) 标准Unix时间戳。
    - datetime: (str) 格式为 \"YYYY-MM-DD HH:MM:SS\" 的日期时间字符串。
    - date: (str) 格式为 \"YYYY-MM-DD\" 的日期字符串。
    - time: (str) 格式为 \"HH:MM:SS\" 的时间字符串。
  - __account__ (dict): 包含账户资金信息的字典。
    - account_type: (str) 账户类型。
    - account_id: (str) 账户ID。
    - cash: (float) 当前可用资金。
    - frozen_cash: (float) 冻结资金。
    - market_value: (float) 持仓市值。
    - total_asset: (float) 总资产。
    - benchmark: (str) 基准指数代码。
  - __positions__ (dict): 包含当前持仓信息的字典。其结构为 {股票代码: 持仓详情}。持仓详情是一个字典，包含了该股票的详细持仓信息，其内部字段如下：
    - account_type: (int) 账户类型。
    - account_id: (str) 账户ID。
    - stock_code: (str) 股票代码。
    - volume: (int) 持仓数量。
    - can_use_volume: (int) 可用数量（可卖出数量）。
    - open_price: (float) 当日开盘价。
    - market_value: (float) 持仓市值。
    - frozen_volume: (int) 冻结数量。
    - on_road_volume: (int) 在途数量。
    - yesterday_volume: (int) 昨日持仓数量。
    - avg_price: (float) 持仓成本价。
    - current_price: (float) 当前市价。
    - direction: (int) 持仓方向。
    - profit: (float) 持仓浮动盈亏。
    - profit_ratio: (float) 持仓盈亏率。
  - __framework__ (object): 框架核心类的实例。它包含了最全面的框架信息和功能接口。如果其他上下文参数不包含所需信息，可以尝试通过此对象获取。
  - [股票代码] (pandas.Series): 以股票代码（如\'000001.SZ\'）为键，值为一个Pandas Series对象，包含了该股票在当前时间点的所有行情字段（如open, high, low, close, volume等）。
返回值:
- 该函数需要返回一个交易信号列表 (List[Dict])。框架在收到返回的列表后，会自动解析其中的每一条指令，并调用底层的交易接口去执行。如果列表为空，则框架认为当前时间点无任何操作。
- 一个标准的交易信号字典包含以下键值对：

键 (Key) 类型 (Type) 必填说明 code str 是股票代码，必须是标准的QMT格式，例如\'000001.SZ\' 或 \'600036.SH\'。 action str 是交易动作。可选值为 \'buy\' (买入) 或 \'sell\' (卖出)。 price float 是交易价格。 volume int 是交易数量，必须是100的整数倍。 reason str 否交易原因或备注。此信息会显示在日志和交易记录中。 timestamp int 否信号生成时的时间戳。

关于信号字典的更详细说明，请参考 12.7 交易信号详解。

12.2.3 `khPreMarket(context)` - 盘前处理函数（可选）

执行时机：在每个交易日的指定盘前时间点（如09:00）被调用一次。该功能需要在主界面\"盘前盘后触发设置\"中勾选\"触发盘前回调\"才会生效。
参数 context：其结构与 khHandlebar 函数的 context完全相同。它包含了当天第一个行情数据点的所有信息，包括账户、持仓、以及股票池内所有股票在该时刻的行情数据。
返回值：与 khHandlebar 类似，返回一个交易信号列表 (List[Dict])。
常见用途：
- 每日选股、计算因子。
- 重置当日的交易状态或计数器。
- 提前下达一些集合竞价阶段的预埋单。

12.2.4 `khPostMarket(context)` - 盘后处理函数（可选）

执行时机：在每个交易日的指定盘后时间点（如15:30）被调用一次。该功能需要在主界面\"盘前盘后触发设置\"中勾选\"触发盘后回调\"才会生效。
参数 context：其结构与 khHandlebar 函数的 context完全相同。它包含了当天最后一个行情数据点的所有信息，包括账户、持仓、以及股票池内所有股票在该时刻的行情数据。
返回值：与 khHandlebar 类似，返回一个交易信号列表 (List[Dict])。
常见用途：
- 当日交易复盘、业绩归因分析。
- 保存当日的策略状态或数据到本地文件。
- 清理当日持仓，或为下一个交易日做准备。

12.3 获取时间数据

在策略中，所有时间相关的信息都储存在 context[\'__current_time__\'] 这个字典中。通过访问它，可以获取到策略当前执行点的精确时间。

context[\'__current_time__\'][\'timestamp\']: 返回一个整数形式的Unix时间戳。
context[\'__current_time__\'][\'datetime\']: 返回 YYYY-MM-DD HH:MM:SS 格式的字符串，最常用。
context[\'__current_time__\'][\'date\']: 返回 YYYY-MM-DD 格式的日期字符串。
context[\'__current_time__\'][\'time\']: 返回 HH:MM:SS 格式的时间字符串。

示例：实现简单的择时逻辑

def khHandlebar(context: Dict) -> List[Dict]: time_info = context[\'__current_time__\'] # 获取当前时间字符串，如 \'09:31:00\' current_time = time_info[\'time\'] # 简单的交易时间控制：只在上午10点后、下午2点半前进行交易判断 if \"10:00:00\" < current_time < \"14:30:00\": # 在这里编写主要的策略逻辑... print(\"处于交易时间段，执行策略。\") else: # 非交易时间段，不执行任何操作 print(\"非交易时间段，跳过。\") return []

12.4 获取账户数据

账户的资金状况信息储存在 context[\'__account__\'] 字典中，它提供了账户资产的实时快照。

context[\'__account__\'][\'cash\']: (float) 当前可用于交易的现金。
context[\'__account__\'][\'market_value\']: (float) 所有持仓按当前市价计算的总市值。
context[\'__account__\'][\'total_asset\']: (float) 总资产，即 cash + market_value。
context[\'__account__\'][\'frozen_cash\']: (float) 因挂单而冻结的资金。

示例：根据资金动态计算买入量

def khHandlebar(context: Dict) -> List[Dict]: account = context[\'__account__\'] # 获取当前可用资金 available_cash = account[\'cash\'] # 设定一个目标仓位：使用当前可用资金的20% cash_to_use = available_cash * 0.2 # 获取 \'000001.SZ\' 的当前价格 stock_data = context.get(\'000001.SZ\') if stock_data is not None and not stock_data.empty: stock_price = stock_data[\'close\'] # 计算理论上可以买入多少股，并向下取整到100的倍数 if stock_price > 0: volume_to_buy = int(cash_to_use / stock_price / 100) * 100 if volume_to_buy > 0: print(f\"资金充足，计划以 {stock_price} 元的价格买入 {volume_to_buy} 股 000001.SZ\") # 此处可以构建并返回一个买入信号 return []

12.5 获取持仓数据

持仓信息 context[\'__positions__\'] 是一个字典，键为股票代码，值为该股票的详细持仓信息字典。这使得检查特定持仓、获取持仓细节变得非常方便。

示例：实现持仓股票的止盈止损

def khHandlebar(context: Dict) -> List[Dict]: positions = context[\'__positions__\'] signals = [] # 检查是否持有 \'600519.SH\' (贵州茅台) if \'600519.SH\' in positions: # 获取该持仓的详细信息 pos_info = positions[\'600519.SH\'] volume = pos_info[\'volume\'] profit_ratio = pos_info[\'profit_ratio\'] # 获取持仓盈亏率 print(f\"持有 {volume} 股 600519.SH，当前盈利 {profit_ratio*100:.2f}%\") # 止盈逻辑：如果盈利超过10%，就全部卖出 if profit_ratio > 0.10: sell_signal = { \'action\': \'sell\', \'code\': \'600519.SH\', \'volume\': volume, # 卖出全部持仓 \'remark\': \'盈利超过10%，止盈\' } signals.append(sell_signal) # 止损逻辑：如果亏损超过5%，就全部卖出 elif profit_ratio < -0.05: sell_signal = { \'action\': \'sell\', \'code\': \'600519.SH\', \'volume\': volume, # 卖出全部持仓 \'remark\': \'亏损超过5%，止损\' } signals.append(sell_signal) return signals

12.6 获取当前运行配置

在某些复杂的策略场景中，可能需要在策略逻辑内部获取在GUI界面上配置的参数，例如获取设置的基准合约代码，或者根据不同的手续费配置调整交易行为。

这些配置信息可以通过 context 中的 __framework__ 对象进行访问。

context[\'__framework__\'].config: 这是一个 khConfig.KhConfig 类的实例，持有本次运行的所有配置信息。

示例：在策略中获取基准合约和手续费配置

def init(stock_list, context): # 从框架对象中获取配置实例 config = context[\'__framework__\'].config # 读取回测配置中的 \'benchmark\' 参数 benchmark_code = config.get_config(\'backtest.benchmark\') print(f\"当前配置的基准合约为: {benchmark_code}\") # 读取交易成本中的佣金比例 commission_rate = config.get_config(\'backtest.trade_cost.commission_rate\') print(f\"当前配置的佣金比例为: {commission_rate}\")

12.7 交易信号详解

交易信号是策略与交易执行模块沟通的唯一方式。它是一个包含了所有交易必要信息的Python字典。khHandlebar、khPreMarket、khPostMarket的返回值以及__framework__.trade()的参数都是交易信号。

一个标准的交易信号字典包含以下键值对：

示例：

# 以10.5元的价格买入100股平安银行signal_1 = { \'code\': \'000001.SZ\', \'action\': \'buy\', \'price\': 10.5, \'volume\': 100, \'reason\': \'MACD金叉买入\'}# 以18.5元的价格卖出200股贵州茅台signal_2 = { \'code\': \'600519.SH\', \'action\': \'sell\', \'price\': 18.50, \'volume\': 200, \'reason\': \'达到止盈位卖出\'}

12.8 在策略中使用日志

为了方便调试和监控策略的内部状态，可以在策略代码中直接调用日志输出功能，将信息发送到看海量化交易系统的日志系统（包括界面和文件）。

核心机制：框架已经对Python内置的 logging 模块进行了配置。因此，开发者无需关心日志的底层实现，只需在策略代码中导入 logging 模块，然后直接调用其标准函数即可。

使用方法：

在策略文件顶部添加 import logging。
在代码中调用 logging.info(), logging.warning(), logging.error() 等函数。

日志级别与界面上显示的颜色直接对应：

普通信息 (INFO): 使用 logging.info(\"进入长仓条件判断\") 输出常规的流程信息或变量状态。这对应界面上的白色文本。
调试信息 (DEBUG): 如果需要输出更详细的、仅在调试时关心的变量值或中间计算结果，可以使用 logging.debug(f\"当前ATR值: {atr_value}\")。这对应界面上的 浅紫色 文本。（注意：默认配置下，DEBUG级别的日志可能不会显示，需在设置中调整）
警告信息 (WARNING): 当策略遇到一些非致命但需要注意的情况时，比如某个数据获取失败但有备用方案，可以使用 logging.warning(\"无法获取最新行情，使用上一周期数据代替\")。这对应界面上的橙色文本，比较醒目。
错误信息 (ERROR): 当策略发生严重错误，可能导致后续逻辑无法正常执行时，应使用 logging.error(\"计算指标时出现除零错误\") 。这对应界面上最醒目的红色文本，强烈提示需要检查问题。

示例：

import loggingfrom typing import Dict, Listdef khHandlebar(context: Dict) -> List[Dict]: # 检查账户现金 cash = context[\'__account__\'][\'cash\'] logging.info(f\"当前可用资金: {cash}\") if cash < 10000: logging.warning(\"可用资金不足1万元，跳过本次交易机会。\") return [] # ...后续策略逻辑... try: # 可能会出错的代码 risky_value = 1 / 0 except Exception as e: logging.error(f\"计算风险值时发生严重错误: {e}\", exc_info=True) # exc_info=True会记录完整的错误堆栈 return []

如何输出醒目的内容？

如果希望某条日志信息在界面上特别突出，最直接的方式是使用 logging.warning() 或 logging.error()。ERROR 级别（红色）最为醒目，通常用于指示发生了必须处理的问题。WARNING 级别（橙色）也比较突出，适合用于提示潜在风险或需要关注的状态。请根据信息的重要性和紧急程度，审慎选择合适的级别进行输出。

12.9 策略工具箱：`khQTTools` 模块详解

为了进一步简化策略开发，khQuant 提供了一个名为 khQTTools.py 的工具模块，其中包含了一系列高效实用的辅助函数。这些工具涵盖了时间判断、交易计算、数据获取等多个方面，能够帮助开发者快速实现复杂的逻辑，避免重复造轮子。

要使用这些工具，只需在策略文件的顶部从 khQTTools 模块导入所需的函数即可。

# 在策略文件顶部导入工具函数from khQTTools import ( KhQuTools, calculate_max_buy_volume, generate_signal, get_stock_names, khHistory)

12.9.1 时间工具 (`KhQuTools`)

KhQuTools 是一个封装了常用时间判断功能的类。使用前需要先进行实例化。

# 在init函数或策略的全局部分实例化tools = KhQuTools()

`is_trade_time()`

功能：判断当前时间是否处于A股的常规交易时间段内（09:30-11:30, 13:00-15:00）。
返回值：bool，是则返回 True，否则返回 False。
使用场景：确保交易逻辑只在开盘时段执行。

示例：

def khHandlebar(context: Dict) -> List[Dict]: if not tools.is_trade_time(): return [] # 非交易时间，直接返回 # ... 在此编写交易时间内的策略逻辑 ... logging.info(\"交易时间内，执行策略。\") return []

`is_trade_day(date_str)`

功能：判断指定日期是否为A股的交易日（会剔除周末和法定节假日）。
参数：
- date_str (str, 可选): YYYY-MM-DD 格式的日期字符串。如果留空，则默认判断当天。

返回值：bool，是交易日则返回 True，否则返回 False。

示例：

# 判断2024年10月1日是否是交易日is_trading = tools.is_trade_day(\"2024-10-01\") print(f\"2024-10-01 是交易日吗? {\'是\' if is_trading else \'否\'}\")# 判断今天是否是交易日is_today_trading = tools.is_trade_day()print(f\"今天是交易日吗? {\'是\' if is_today_trading else \'否\'}\")

`get_trade_days_count(start_date, end_date)`

功能：计算两个日期之间的A股交易日天数。
参数：
- start_date (str): YYYY-MM-DD 格式的开始日期。
- end_date (str): YYYY-MM-DD 格式的结束日期。

返回值：int，两个日期之间的交易日总数。

示例：

# 计算2024年全年的交易日天数days = tools.get_trade_days_count(\"2024-01-01\", \"2024-12-31\")print(f\"2024年共有 {days} 个交易日。\")

12.9.2 交易辅助函数

`calculate_max_buy_volume(data, stock_code, price, cash_ratio)`

功能：一个非常实用的函数，用于根据可用资金和股价，计算出理论上可以买入的最大股票数量（会自动向下取整到100的倍数）。
参数：
- data (dict): 即策略回调函数中的 context 对象。
- stock_code (str): 计划买入的股票代码。
- price (float): 计划买入的价格。
- cash_ratio (float, 可选): 计划使用的资金比例，默认为 1.0 (即全部可用资金)。

返回值：int，可以买入的最大股数。

示例：

def khHandlebar(context: Dict) -> List[Dict]: # 计划用50%的资金买入平安银行 stock_to_buy = \'000001.SZ\' current_price = context.get(stock_to_buy)[\'close\'] # 获取当前价 # 计算最多能买多少股 max_volume = calculate_max_buy_volume(context, stock_to_buy, current_price, cash_ratio=0.5) if max_volume > 0: logging.info(f\"资金足够，计划以 {current_price} 的价格买入 {max_volume} 股 {stock_to_buy}\") # ...后续可以生成并返回交易信号 return []

`generate_signal(data, stock_code, price, ratio, action, reason)`

功能：高级信号生成函数。对于买入操作，它会自动计算最大可买股数；对于卖出操作，它会自动计算最大可卖股数。极大简化了信号的创建过程。
参数：
- data (dict): 即 context 对象。
- stock_code (str): 交易的股票代码。
- price (float): 交易价格。
- ratio (float): 比例。当 action 为 \'buy\' 时，这是资金使用比例；当 action 为 \'sell\' 时，这是持仓卖出比例。
- action (str): 交易动作，\'buy\' 或 \'sell\'。
- reason (str, 可选): 交易原因。

返回值：List[Dict]，一个包含单个交易信号的列表，如果条件不满足（如无钱可买或无仓可卖），则返回空列表。

示例：

def khHandlebar(context: Dict) -> List[Dict]: signals = [] # 假设 is_rsi_low 和 is_rsi_high 是已经计算好的布尔值 is_rsi_low = True is_rsi_high = True # 1. 如果RSI指标小于30，使用30%的资金买入平安银行 if is_rsi_low and \'000001.SZ\' in context: # 只需指定买入比例，函数会自动计算股数 buy_signals = generate_signal(context, \'000001.SZ\', price=context.get(\'000001.SZ\')[\'close\'], ratio=0.3, action=\'buy\', reason=\'RSI  70\') signals.extend(sell_signals) return signals

12.9.3 数据获取与处理

`khHistory(symbol_list, fields, bar_count, fre_step, current_time=None, skip_paused=False, fq=\'pre\', force_download=False)`

功能：（核心功能） 获取指定证券的历史K线数据，是计算各种技术指标的基础。
入口参数 (Input):
- symbol_list (list): 证券代码列表。必须是包含标准QMT格式（如\'600000.SH\'）的字符串列表。
- fields (list): 希望获取的行情字段列表。常用的字段包括 \'time\', \'open\', \'high\', \'low\', \'close\', \'volume\' (成交量), \'amount\' (成交额)。返回的DataFrame将包含这些列。
- bar_count (int): 希望获取的K线数量。例如，bar_count=30 和 fre_step=\'1d\' 将获取过去30个交易日的日K线数据。
- fre_step (str): K线周期。支持 \'1m\', \'5m\', \'15m\', \'30m\', \'60m\' 等分钟线周期，以及 \'1d\' (日线), \'1w\' (周线), \'1mon\' (月线)。
- current_time (str, 可选): 获取历史数据的结束时间点，格式为 \'YYYYMMDDHHMMSS\'。如果设为 None 或不提供，则数据截止到当前最新时间。这对于回测中模拟特定时间点的情景非常重要。
- skip_paused (bool, 可选): 是否跳过停牌日。默认为 False。如果设为 True，返回的 bar_count 根K线将不包含该股票的停牌日，K线是连续的。
- fq (str, 可选): 复权类型。默认为 \'pre\' (前复权)。可选值为 \'back\' (后复权) 或 \'none\' (不复权)。
- force_download (bool, 可选): 是否强制从远程服务器下载新数据，忽略本地缓存。默认为 False。在进行数据补全或怀疑本地数据有误时，可设为 True。

输出参数 (Output):
- 返回值: 一个Python字典。
- 字典结构:
  - 键 (Key): 股票代码字符串 (e.g., \'000001.SZ\')。
  - 值 (Value): 一个pandas.DataFrame对象，或者在获取失败时为None。
- DataFrame结构:
  - 索引 (Index): 默认的整数索引。
  - 列 (Columns): 与输入的 fields 参数完全对应。例如，如果 fields=[\'time\', \'open\', \'close\']，DataFrame就会有这三列。time列是 datetime 对象，方便进行时间序列分析。

示例：在 init 中预加载数据，在 khHandlebar 中计算5日均线

import pandas as pdimport loggingfrom khQTTools import khHistory# 在全局范围定义一个缓存，用于存储计算好的指标g = {\'sma5\': {}}def init(stock_list, context): \"\"\" 在初始化时，一次性获取所有股票过去30天的日线数据，用于后续计算。 \"\"\" logging.info(\"开始获取历史数据用于初始化...\") history_data = khHistory( symbol_list=stock_list, fields=[\'time\', \'open\', \'close\'], bar_count=30, fre_step=\'1d\' ) for stock in stock_list: df = history_data.get(stock) if df is not None and not df.empty: # 计算5日均线并存入全局缓存 g[\'sma5\'][stock] = df[\'close\'].rolling(window=5).mean().iloc[-1] logging.info(f\"{stock} 的初始5日均线值为: {g[\'sma5\'][stock]}\")def khHandlebar(context: Dict) -> List[Dict]: signals = [] # 假设股票池里有 \'000001.SZ\' stock_code = \'000001.SZ\' if stock_code in context: current_price = context.get(stock_code)[\'close\'] sma5_value = g[\'sma5\'].get(stock_code) if sma5_value and current_price > sma5_value: logging.info(f\"{stock_code} 当前价格上穿5日线，产生买入信号。\") # 此处可构建买入信号 # 注意：在实盘中，需要每日更新缓存的指标值，可以在khPreMarket中实现 return signals

`get_stock_names(stock_codes, stock_list_file)`

功能：根据股票代码列表，查询并返回对应的股票名称。
参数：
- stock_codes (list/str): 一个或多个股票代码。
- stock_list_file (str): 包含股票代码和名称映射关系的CSV文件路径。通常是 data/stock_list.csv。

返回值：一个字典，键为股票代码，值为股票名称。

示例：

# 假设 stock_list.csv 在 data 目录下stock_list_path = \"data/stock_list.csv\" names_dict = get_stock_names([\'000001.SZ\', \'600519.SH\'], stock_list_path)# 返回: {\'000001.SZ\': \'平安银行\', \'600519.SH\': \'贵州茅台\'}print(names_dict)

四、下一步工作

软件内测发布前的测试工作已经基本完成了，剩下的是一些收尾工作，包括使用手册撰写，软件封装等等。不会让大家等太久了，内测很快就要开始！

内测计划说明:

在完成上述更充分的验证测试之后，我计划启动\"看海量化交易系统 (KhQuant)\"的 Beta 内测阶段。

优先体验: 为了感谢大家的支持，通过我推荐的渠道开通MiniQMT账户的朋友，在内测开始后将获得优先体验 Beta 版本软件，可以加入内部讨论群第一时间得到作者的问题解答，后续的一些策略也在内部讨论群小范围分享。
公开与开源: 请暂时不方便通过推荐渠道开户的朋友放心，内测结束后，软件将会公开发布，核心代码也计划进行开源，届时所有人都可以使用和参与改进。

五、关于开通 MiniQMT

什么是 MiniQMT？

MiniQMT 是迅投（QMT）系统提供的一个程序化交易接口（API）。QMT 是目前国内许多券商采用的主流柜台系统之一，而 MiniQMT 允许用户通过编程方式（主要是 Python）连接到证券公司的交易服务器，进行行情获取、策略计算、下单交易等操作。它通常由支持 QMT 的券商免费提供给客户使用（可能需要满足一定的资产要求），以其稳定性和执行效率受到不少量化交易者的青睐。

看海量化交易系统 (KhQuant) 与 MiniQMT

我正在开发的\"看海量化交易系统 (KhQuant)\"正是基于 MiniQMT 接口进行构建的。这意味着，使用该软件需要一个 MiniQMT 账户作为底层支持。

推荐开通渠道

如果您还没有 MiniQMT 账户，并希望未来能够顺利使用\"看海量化交易系统 (KhQuant)\"进行策略回测，或者希望支持我的开发工作，请大家关注一下我的公众号“看海的城堡”，在公众号页面下方点击相应标签即可获取开通方式。

选择推荐渠道并非强制要求，但这样做一方面能确保您开通的账户类型与 KhQuant 兼容，另一方面也能对我正在进行的开发工作提供支持和肯定。再次感谢大家的关注！

六、免责声明

本文所有内容仅供学习和技术交流使用，不构成任何投资建议。所述策略及回测结果仅为历史数据模拟，不代表未来实际表现。投资者据此操作，风险自担。

【深度学习量化交易1】一个金融小白尝试量化交易的设想、畅享和遐想

【深度学习量化交易2】财务自由第一步，三个多月的尝试，找到了最合适我的量化交易路径

【深度学习量化交易3】为了轻松免费地下载股票历史数据，我开发完成了可视化的数据下载模块

【深度学习量化交易4】量化交易历史数据清洗——为后续分析扫清障碍

【深度学习量化交易5】量化交易历史数据可视化模块

【深度学习量化交易6】优化改造基于miniQMT的量化交易软件，已开放下载~（已完成数据下载、数据清洗、可视化模块）

【深度学习量化交易7】miniQMT快速上手教程案例集——使用xtQuant进行历史数据下载篇

【深度学习量化交易8】miniQMT快速上手教程案例集——使用xtQuant进行获取实时行情数据篇

【深度学习量化交易9】miniQMT快速上手教程案例集——使用xtQuant获取基本面数据篇

【深度学习量化交易10】miniQMT快速上手教程案例集——使用xtQuant获取板块及成分股数据篇

【深度学习量化交易11】miniQMT快速上手教程——使用XtQuant进行实盘交易篇（八千字超详细版本）

【深度学习量化交易12】基于miniQMT的量化交易框架总体构建思路——回测、模拟、实盘通吃的系统架构

【深度学习量化交易13】继续优化改造基于miniQMT的量化交易软件，增加补充数据功能，优化免费下载数据模块体验！

【深度学习量化交易14】正式开源！看海量化交易系统——基于miniQMT的量化交易软件

【深度学习量化交易15】基于miniQMT的量化交易回测系统已基本构建完成！AI炒股的框架初步实现

【深度学习量化交易16】韭菜进阶指南：A股交易成本全解析

【深度学习量化交易17】触发机制设置——基于miniQMT的量化交易回测系统开发实记

【深度学习量化交易18】盘前盘后回调机制设计与实现——基于miniQMT的量化交易回测系统开发实记

【深度学习量化交易19】行情数据获取方式比测（1）——基于miniQMT的量化交易回测系统开发实记

【深度学习量化交易20】量化交易策略评价指标全解析——基于miniQMT的量化交易回测系统开发实记

【深度学习量化交易21】行情数据获取方式比测（2）——基于miniQMT的量化交易回测系统开发实记

【AI量化第22篇】如何轻松看懂回测结果——基于miniQMT的量化交易回测系统开发实记

【AI量化第23篇】数据下载/补充模块升级，并与回测系统正式集成——基于miniQMT的量化交易回测系统开发实记

【AI量化第24篇】KhQuant 策略框架深度解析：让策略开发回归本质——基于miniQMT的量化交易回测系统开发实记

【AI量化第25篇】看海量化交易系统日志系统详解

【AI量化第26篇】以配置为核心的工程化研究管理——基于miniQMT的量化交易回测系统开发实记

【AI量化第27篇】看海量化 vs. 同花顺回测横评！以“双移动均线”策略为例的量化回测结果深度对比分析

大量化平台也有坑？khQuant回测横评第二弹，一次“排雷”实录【AI量化第28篇】

打板策略实战对比，khQuant回测横评第三弹【AI量化第29篇】

回测效率提升500%！khQuant打板策略回测性能深度剖析——基于miniQMT的回测系统深度优化【AI量化第30篇】

万字干货：从0到1，这份Python量化策略编程终极指南请收好（适用于看海量化回测平台khQuant）

什么是量化交易策略框架？

策略框架是什么

12.1 策略框架一览

12.2 核心回调函数详解

12.2.1 `init(stock_list, context)` - 初始化函数

12.2.2 `khHandlebar(context)` - 策略主逻辑函数

12.2.3 `khPreMarket(context)` - 盘前处理函数（可选）

12.2.4 `khPostMarket(context)` - 盘后处理函数（可选）

12.3 获取时间数据

12.4 获取账户数据

12.5 获取持仓数据

12.6 获取当前运行配置

12.7 交易信号详解

12.8 在策略中使用日志

如何输出醒目的内容？

12.9 策略工具箱：`khQTTools` 模块详解

12.9.1 时间工具 (`KhQuTools`)

`is_trade_time()`

`is_trade_day(date_str)`

`get_trade_days_count(start_date, end_date)`

12.9.2 交易辅助函数

`calculate_max_buy_volume(data, stock_code, price, cash_ratio)`

`generate_signal(data, stock_code, price, ratio, action, reason)`

12.9.3 数据获取与处理

`khHistory(symbol_list, fields, bar_count, fre_step, current_time=None, skip_paused=False, fq=\'pre\', force_download=False)`

`get_stock_names(stock_codes, stock_list_file)`

四、下一步工作

五、关于开通 MiniQMT

六、免责声明

相关文章

公告

DeepSeek全套部署资料免费下载

免费可商用字体批量下载

标签

万字干货：从0到1，这份Python量化策略编程终极指南请收好（适用于看海量化回测平台khQuant）

什么是量化交易策略框架？

策略框架是什么

12.1 策略框架一览

12.2 核心回调函数详解

12.2.1 init(stock_list, context) - 初始化函数

12.2.2 khHandlebar(context) - 策略主逻辑函数

12.2.3 khPreMarket(context) - 盘前处理函数（可选）

12.2.4 khPostMarket(context) - 盘后处理函数（可选）

12.3 获取时间数据

12.4 获取账户数据

12.5 获取持仓数据

12.6 获取当前运行配置

12.7 交易信号详解

12.8 在策略中使用日志

如何输出醒目的内容？

12.9 策略工具箱：khQTTools 模块详解

12.9.1 时间工具 (KhQuTools)

is_trade_time()

is_trade_day(date_str)

get_trade_days_count(start_date, end_date)

12.9.2 交易辅助函数

calculate_max_buy_volume(data, stock_code, price, cash_ratio)

generate_signal(data, stock_code, price, ratio, action, reason)

12.9.3 数据获取与处理

khHistory(symbol_list, fields, bar_count, fre_step, current_time=None, skip_paused=False, fq=\'pre\', force_download=False)

get_stock_names(stock_codes, stock_list_file)

四、下一步工作

五、 关于开通 MiniQMT

六、 免责声明

相关文章

相关问题

公告

DeepSeek全套部署资料免费下载

免费可商用字体批量下载

标签

12.2.1 `init(stock_list, context)` - 初始化函数

12.2.2 `khHandlebar(context)` - 策略主逻辑函数

12.2.3 `khPreMarket(context)` - 盘前处理函数（可选）

12.2.4 `khPostMarket(context)` - 盘后处理函数（可选）

12.9 策略工具箱：`khQTTools` 模块详解

12.9.1 时间工具 (`KhQuTools`)

`is_trade_time()`

`is_trade_day(date_str)`

`get_trade_days_count(start_date, end_date)`

`calculate_max_buy_volume(data, stock_code, price, cash_ratio)`

`generate_signal(data, stock_code, price, ratio, action, reason)`

`khHistory(symbol_list, fields, bar_count, fre_step, current_time=None, skip_paused=False, fq=\'pre\', force_download=False)`

`get_stock_names(stock_codes, stock_list_file)`

五、关于开通 MiniQMT

六、免责声明