很多量化投资者都会遇到同一个瓶颈：

当同时运行 3 个以上策略时，平台开始卡顿，行情延迟增加，甚至出现漏单、错单。这不是你的电脑配置不够，而是你没有正确使用 QMT 的多进程并行架构。

普通交易软件和大部分第三方量化平台都采用单进程模式，所有策略共享一个 CPU 核心，一旦策略数量增加或计算量增大，就会出现性能瓶颈。

而 QMT 采用了策略单元隔离架构，每个策略单元都运行在独立的进程中，可以分配到不同的 CPU 核心上并行执行，从根本上解决了多策略并发的性能问题。

QMT 多进程架构的核心优势

1. 性能线性提升：每个策略单元独立占用一个 CPU 核心，策略数量增加时，性能可以线性提升。比如 8 核 CPU 可以同时稳定运行 8 个计算密集型策略，延迟保持在微秒级。
2. 故障隔离：单个策略崩溃不会影响其他策略的运行。如果某个策略出现死循环或内存泄漏，只会导致该策略单元退出，其他策略会继续正常执行。
3. 资源可控：可以为每个策略单元单独设置 CPU 和内存限制，避免某个策略占用过多资源影响其他策略。
4. 独立配置：每个策略单元可以有独立的行情订阅、交易通道和风控规则，互不干扰。

实战：如何配置 QMT 多进程策略

1. 打开 QMT 客户端，点击顶部 "策略交易"→"策略单元管理"
2. 点击 "新建策略单元"，输入策略单元名称，选择要运行的策略脚本
3. 在 "高级设置" 中，为该策略单元分配 CPU 核心（建议每个策略单元分配 1 个物理核心）
4. 设置内存上限和最大 CPU 使用率，防止资源过度占用
5. 重复以上步骤，为每个策略创建独立的策略单元
6. 启动所有策略单元，在 "策略单元监控" 中可以查看每个单元的 CPU、内存使用情况和运行状态

进阶：进程间通信与数据共享

虽然策略单元之间是隔离的，但有时候需要在不同策略之间共享数据，比如全局的市场状态、风控指标等。QMT 提供了多种进程间通信方式：

• 共享内存：适合传输大量实时数据，比如行情快照
• 消息队列：适合传输事件和指令，比如交易信号
• 本地文件：适合传输非实时数据，比如每日收盘后的统计数据

以下是一个简单的消息队列通信示例：

python

运行

# 策略A：发送消息
import zmq

context = zmq.Context()
socket = context.socket(zmq.PUB)
socket.bind("tcp://127.0.0.1:5555")

def handlebar(context):
    # 当满足条件时，发送交易信号
    if condition:
        socket.send_string(f"BUY 000001.SZ 1000")

# 策略B：接收消息
import zmq

context = zmq.Context()
socket = context.socket(zmq.SUB)
socket.connect("tcp://127.0.0.1:5555")
socket.setsockopt_string(zmq.SUBSCRIBE, "")

def handlebar(context):
    # 非阻塞接收消息
    try:
        message = socket.recv_string(flags=zmq.NOBLOCK)
        print(f"收到消息：{message}")
        # 执行交易
        order_target_percent(message.split()[1], 0.1)
    except zmq.Again:
        pass




如果你也被多策略卡顿的问题困扰，欢迎点我头像私信。我会免费为你开通 QMT 量化权限，提供多进程架构优化的一对一指导，以及现成的进程间通信模板。

风险提示：多进程架构不能完全消除系统风险，极端情况下仍可能出现故障。量化交易存在市场风险、策略失效风险等。本内容仅为投资者教育目的，不构成任何投资建议。

免责声明：本栏目刊载的信息力求准确可靠，但对信息的准确性或完整性不作任何保证，亦不对因使用该等信息而引发的损失承担责任。