miniQMT中的委托状态并不是几个相近的文字，而是订单生命周期的不同阶段。只有正确区分已报、已撤、部分成交和废单，程序才能知道是否继续等待、是否需要撤单、是否已经形成持仓，以及能不能发送下一笔订单。“已报”表示订单已经提交到交易系统并处于有效等待状态，但尚未全部成交。它不是失败，也不是成交。价格没有达到、排队靠后或市场流动性不... 阅读全文

345次浏览 2026-6-30 13:35

很多投资者对万二或万三的佣金费率不以为意。但对于高频交易者或日内回转（T+0）交易者来说，费率的微小差异在复利效应下会极其惊人。客观地计算一下：假设一位投资者资金量100万，每天满仓操作1次（买卖各计一笔），一年交易240天。-如果费率是万分之三：年佣金支出约为$100万\times0.03\%\times2\times240=14.4万å$。-如果通... 阅读全文

345次浏览 2026-4-22 13:37

量化交易者在策略开发过程中，最常遇到的问题是回测曲线完美，但实盘表现却大相径庭。这种现象通常源于几个核心的“回测陷阱”：过拟合、幸存者偏差以及忽视交易摩擦。首先是过拟合。在历史数据中，投资者往往会为了追求更高的收益率而不断增加参数限制。例如，将均线参数从20调整到21只因为后者在某段历史中表现更好。这种做法导致策略对历史噪声过度... 阅读全文

344次浏览 2026-3-16 14:00

可转债作为A股市场特有的品种，其“T+0”和“债转股”特性为量化交易提供了极大的发挥空间。其中，折价套利是一种经典的低风险逻辑：当可转债的转股价值高于其二级市场收盘价时，存在理论上的套利空间。人工执行此类套利存在两大难点。第一是“实时计算”，投资者需要同时紧盯转债价格、正股价格，并... 阅读全文

343次浏览 2026-3-27 10:46

在量化回测中，参数寻优是令许多开发者头疼的工作。传统的“网格搜索”（GridSearch）虽然直观，但面临“维度灾难”——随着参数增多，计算量呈几何级增长，且容易陷入局部最优陷阱。为了更高效、更科学地寻找最优参数，贝叶斯优化（BayesianOptimization）成为了一种更具前瞻性的方案。贝叶斯优化... 阅读全文

342次浏览 2026-3-12 11:19

在评价一个量化策略时，回测报告通常是第一参考依据。然而，如果回测中存在“幸存者偏差”，那么这份报告不仅毫无价值，甚至具有误导性。什么是幸存者偏差？简单说，就是你的回测系统只在目前还“活着”的股票中筛选历史机会。例如，你在2026年编写了一个选股策略，回测过去十年的表现。如果你使用的是目前的股票池，系统会自... 阅读全文

342次浏览 2026-3-17 16:09

在A股的历史长河中，特定风格的因子往往会表现出长期的超额收益。其中，最受量化投资者关注的莫过于“小市值因子（SizeFactor）”和“波动率因子（VolatilityFactor）”。理解这两个因子的运作逻辑，是构建选股策略的第一步。小市值因子的逻辑基础是：市值较小的公司往往具有更高的成长潜力和被收购可... 阅读全文

342次浏览 2026-3-27 09:01

PTrade申请成功后，在客户端里看不到策略交易，可能不是一个简单的界面问题。需要先确认申请的是完整策略权限、测试权限还是仅开通了其他智能交易功能。先把问题拆开看。检查顺序可以从账户到客户端。先确认权限审核结果对应的资金账号；再确认登录的是PTrade指定客户端和正确服务器；随后查看当前账号是否进入了量化或策略模块，而不是普通交易界面。部分功能可能需要... 阅读全文

342次浏览 2026-8-3 15:31

很多新手会问：QMT和PTrade都能写Python策略，那是不是随便选一个就行？其实不是。它们都能写策略，但适合的人完全不一样。真正要看的是运行环境、数据来源、维护方式和外部衔接能力。QMT更偏本地客户端环境。它适合需要本地控制、数据导出、外部信号衔接、模型交易执行的用户。如果你有本地数据库、外部Python系统、复杂因子库，或者想把外部策略结果交给... 阅读全文

340次浏览 2026-7-8 12:31

可转债因其T+0交易机制和无涨跌幅限制（在特定区间内），成为了量化策略的热门标的。在QMT系统中实现可转债策略，核心在于捕捉波动率。常见的可转债策略包括低溢价策略和双低策略。利用QMT的实时行情订阅功能，程序可以每秒扫描全市场可转债的转股溢价率和到期收益率。一旦发现指标进入设定的阈值，即可触发交易逻辑。由于QMT支持异步报单，可以在极短时间内完成多只转... 阅读全文

340次浏览 2026-3-25 14:53

在实盘阶段，毫秒级的网络延迟可能导致成交价格的差异。优化实盘系统需要从网络带宽、服务器位置以及代码执行效率三个方面入手。建议将实盘软件部署在靠近券商柜台的机房。此外，系统的异常监控（如心跳检测、自动重连）是保障长期稳健运行的基础。量化者应建立完善的日志系统，记录每一笔委托的反馈。追求极速与稳定的投资者可关注国金证券的硬件支持。除了10万门槛的QMT/P... 阅读全文

339次浏览 2026-3-26 11:06

“明明看到是10块钱买入，为什么最终成交价是10.05元？”这种实际成交价与预期成交价之间的偏差，在量化交易中被称为“滑点”。对于交易频繁或仓位较大的策略，滑点是侵蚀利润的“无声杀手”。滑点产生的原因多种多样。最常见的是流动性缺失，当你的买单大于当前卖一的挂单量时，系统会自动向上成... 阅读全文

339次浏览 2026-3-13 14:41

以前使用miniQMT的人里，有一类用户已经不算纯新手。他们可能有自己的外部策略，有本地数据库，有因子模型，有信号生成程序。miniQMT不能继续使用以后，他们并不想从零重写，只想知道原来的外部策略还能不能继续用。这时可以重点了解QMT执行端思路。所谓执行端，并不是让QMT承担全部策略计算，而是让它负责最后的执行环节。外部系统继续做它擅长的事情：清洗数... 阅读全文

337次浏览 2026-7-8 12:21

多因子模型是量化投资中最经典且应用最广泛的框架。其核心思想是：一支股票的价格波动可以由多个相互独立的“因子”共同解释。构建一个稳健的多因子模型，通常需要经过因子挖掘、因子处理、模型训练和回测验证四个步骤。因子挖掘与分类常见的因子库包括：-价值因子：如市盈率（PE）、市净率（PB），寻找估值洼地。-成长因子：如营业收入增长率、净利... 阅读全文

336次浏览 2026-3-19 14:22

很多量化新手一上来就想写代码。看到别人写策略、做回测、自动下单，自己也想马上复制一份代码运行。但真正进入实操以后才发现，问题不一定出在代码，而是工具路线一开始就选错了。量化不是只有“会不会写Python”。还要看策略在哪里运行，数据从哪里来，交易如何执行，电脑是否需要长期在线，订单状态能不能追踪。这些问题没想清楚，代码写得越多，... 阅读全文

336次浏览 2026-7-8 12:32