QMT（Quick Modular Trading System）策略是可以调用机器学习模型的。不过具体实现要考虑多方面因素。

首先要明确的是，QMT提供了一定的编程接口，支持Python等常见编程语言。而很多机器学习模型也是用Python开发的，像用Scikit - learn、TensorFlow或者PyTorch构建的模型，理论上都有在QMT策略里调用的可能。

在操作方面，你需要先选好合适的机器学习模型。比如简单的线性回归模型适合处理一些有线性关系的市场数据；复杂些的神经网络模型则能应对更复杂的市场模式。然后要准备好数据，把数据处理成模型能接受的格式。

调用时，你可以把训练好的机器学习模型封装成函数，再集成到QMT策略代码里。不过要注意QMT的运行环境和资源限制，如果模型过于复杂，可能会导致运行速度变慢甚至无法运行。

你可以先在本地环境对模型和QMT策略的融合进行测试，确保没有问题后再部署到实际交易中。同时，要不断评估模型在QMT策略里的表现，根据结果进行优化和调整。