在量化交易中，数据是策略研发的基石 —— 从基本面分析到盘口挖掘，从回测验证到实盘落地，高质量、多维度的数据支撑直接决定了量化策略的有效性与稳定性。PTrade 作为券商级量化交易平台，不仅具备全面的数据获取能力，更通过 “数据 - 回测 - 交易” 的一体化设计，为量化投资者提供了高效的策略研发闭环。今天我们来讲一讲PTrade如何转化聚宽的代码进行回测，进一步降低了跨平台策略迁移的成本，也可以利用 QMT捕捉聚宽模拟交易信号的进行是实盘。首先先讲一下PTrade可以提供的数据行情。

一、PTrade：全场景数据获取能力

PTrade 的数据体系围绕 “量化策略全生命周期” 设计，从基础交易日历、市场结构，到实时行情、证券属性，再到持仓交易记录，全方位覆盖股票、期货、可转债、ETF、融资融券等多品种的数据源，且所有数据均可通过简洁的 API 直接调用，无需额外对接第三方数据源。

1. 基础交易信息：

基础信息是量化策略基石，PTrade 提供了精准的交易日历与市场结构数据，确保策略在时间维度和市场维度的准确性。

· 交易日历数据：通过get_trading_day(day)获取当前日期前后的交易日（如get_trading_day(1)获取下一交易日），get_all_trades_days()获取 2005 年以来的全部交易日，get_trade_days(start_date, end_date)获取指定区间的交易日，解决非交易日策略暂停、定期调仓日期校准等核心需求。

· 市场结构数据：通过get_market_list()获取上海、深圳、中证指数等核心市场列表，get_market_detail(finance_mic)查询特定市场的产品明细（如上海证券交易所的指数成分、交易规则），为跨市场策略（如沪深 300 与创业板轮动）提供市场边界定义。

2. 多维度行情数据：

行情数据方面，PTrade 支持从日线、分钟线到 tick 级的全频率行情，满足不同策略的颗粒度需求。

· 历史行情：get_history(count, frequency, field, security_list)可获取多品种的历史 K 线数据（如近 100 个交易日的日线收盘价、近 60 分钟的分钟线成交量），支持前复权、后复权、动态前复权等多种复权方式，适配技术分析与趋势策略。

· 实时行情快照：get_snapshot(security)获取标的实时盘口数据，包括买一至买五、卖一至卖五档位价格与委托量、内盘外盘成交量、换手率、量比等，可用于盘口异动监控（如突放巨量、档位跳空）。

· 逐笔数据：get_individual_entrust(security)获取逐笔委托记录，get_individual_transaction(security)获取逐笔成交数据（需 Level2 行情权限，免费赠送），可深入分析市场微观结构（如大单成交分布、委托队列变化），支撑高频策略研发。

· 板块与行业行情：get_sort_msg(sort_type_grp, sort_field_name)获取行业、概念板块的涨幅排名（如沪深 300 成分股按涨跌幅排序），get_trend_data()获取集中竞价期间的行情数据，为板块轮动、行业配置策略提供数据支撑。

3. 证券属性数据：

证券属性数据是基本面分析、标的筛选的核心，PTrade 覆盖股票、ETF、可转债、期货等品种的基础属性与财务数据。

· 基础属性：get_stock_name(security)获取证券名称，get_stock_info(security)查询上市日期、退市状态，get_index_stocks(index_code)获取指数成分股（如沪深 300 成分股），get_etf_stock_list(etf_code)获取 ETF 成分券，解决标的池构建需求。

· 财务数据：get_fundamentals(security, table, fields)支持查询资产负债表、利润表、现金流量表及各类财务指标（如净资产收益率 ROE、毛利率、净利润增长率），可用于基本面因子选股（如低 PE、高 ROE 策略）。

· 特殊品种数据：针对可转债，get_cb_info()获取转股价格、溢价率、到期日；针对期货，get_dominant_contract(contract)获取主力合约代码，get_margin_rate(transaction_code)查询保证金比例，适配多品种策略研发。

4. 持仓与交易数据：

持仓与交易数据是策略实盘监控、绩效复盘的关键，PTrade 实时同步账户状态，无需手动对接柜台数据。

· 持仓数据：get_position(security)查询单只标的持仓（可用数量、成本价），get_all_positions()获取账户全部持仓（含股票、期货、可转债等），支持实时监控持仓市值、盈亏情况。

· 交易记录：get_trades()获取当日成交记录，get_deliver(start_date, end_date)查询历史交割单，get_fundjour(start_date, end_date)获取资金流水，可用于策略绩效分析（如胜率、盈亏比）与合规复盘。

二、研究模块的聚宽代码转换：

对于习惯使用聚宽（JoinQuant）研发策略的用户，PTrade 研究模块提供了check_jq_code('策略名.py')与trans_jq_code('策略名.py')两个核心函数，可快速将聚宽策略代码转换为 PTrade 兼容格式，大幅降低跨平台迁移的工作量。

1. 功能用法：简单两步实现代码转换

· 步骤 1：代码检查（check_jq_code）：在 PTrade 研究模块中输入check_jq_code('你的聚宽策略.py')并运行，系统会自动扫描聚宽代码中的语法、函数、因子库依赖，输出兼容性报告（如 “发现聚宽专属函数 q.get_bars，PTrade 建议替换为 get_history”）。

· 步骤 2：代码转换（trans_jq_code）：运行trans_jq_code('你的聚宽策略.py')，系统会将聚宽的核心语法（如initialize、handle_data函数结构）、基础数据接口（如get_price）自动转换为 PTrade 格式，生成可直接在 PTrade 回测 / 实盘中运行的代码文件。

2. 注意事项：聚宽专属功能的兼容局限

由于聚宽与 PTrade 的底层架构、因子库设计存在差异，转换功能无法支持聚宽的部分 “专属特性”，主要包括两类：

· 聚宽专属因子库：如聚宽的jqfactor.factors模块（含动量因子、价值因子等预制因子）、jqfactor_analyzer（因子分析工具），PTrade 暂无直接对应的内置因子，转换后需手动用 PTrade 的基础数据接口重构（如用get_fundamentals计算 ROE 替代聚宽的ROE()因子）。

· 聚宽特有函数与语法：如聚宽的q.fundamentals财务数据查询语法、get_bars的特殊参数（如end_date='2024-01-01'的格式差异）、set_universe的不同用法，这些需要根据 PTrade 的 API 文档手动调整。

3. QMT 的替补方案：解决聚宽专属功能兼容问题

QMT 解决聚宽实盘问题的核心思路，是 “绕开代码转换”，直接捕捉聚宽策略运行时生成的模拟交易信号，再将信号转化为实盘委托。其实现路径与 PTrade 的 “代码重构” 完全不同，具体流程如下：

1. 聚宽生成模拟信号：在聚宽回测环境中运行策略，通过修改聚宽策略代码（如在order函数后增加信号输出逻辑），将每次模拟买卖的标的代码、数量、价格、委托方向等信号，以文件（如 CSV）或网络接口（如 Socket）的形式输出到本地或共享路径；

2. QMT 捕捉信号：在 QMT 策略中编写信号监听逻辑，实时读取聚宽输出的信号文件或接收网络信号，解析出 “买卖标的、数量、价格” 等关键信息；

3. QMT 自动实盘下单：QMT 调用自身的实盘交易接口（如股票下单order_stock、期货下单order_future），将解析后的聚宽信号转化为真实委托，完成实盘交易。

三、总结：PTrade 的数据价值与生态协同

总的来说PTrade 的核心竞争力，在于从全面获取数据到自动下单交易的深度融合 —— 不仅能为量化策略提供从宏观到微观、从历史到实时的全维度数据，更能通过简洁的 API 设计、贴近实盘的回测模拟，让数据快速转化为策略生产力。而研究模块的聚宽代码转换功能，进一步降低了跨平台迁移的门槛，对于量化投资者而言，ptrade 从数据挖掘、策略编写，到回测验证、实盘落地，无需在多平台间切换，大幅提升量化交易的效率与稳定性。无论是高频交易、基本面选股，还是跨品种套利，PTrade 的数据分析能力都能成为策略成功的重要支撑。