1. 开户流程

开户方式多样，线下操作效率较低。建议通过地图查找附近券商，然后联系客户经理，通过企业微信沟通。在开户前，建议提前准备好以下问题：

• 股票和ETF的手续费是多少？是否包含规费？
• 量化交易的股票和ETF手续费是多少？是否包含规费？
• 开户需要多长时间？银证转账需要多久？
• QMT 和 PTrade 对资金账户有什么要求？
• 是否支持 miniQMT？是否支持同花顺？
• 仅开通API需要什么条件？
• 新用户有哪些权益？是否包含Level2行情？

这些问题可以帮助你更清晰地了解开户流程和相关费用。

2. 技术选型：QMT vs. PTrade

QMT 的策略运行在本地客户端，适合本地开发与测试；而 PTrade 则是运行在服务器端，性能更高，适合对实时性要求较高的策略。根据个人需求选择即可。

本人采用的是 miniQMT + xtquant 的组合，将 QMT 作为数据传输通道使用。xtquant 与 miniQMT 之间通过本地 TCP Socket（127.0.0.1）进行通信，采用私有二进制协议，属于本地 IPC 服务，具有高效、低延迟的特点。

3. 测试环境与生产环境

在开发过程中，通常分为 测试环境 和 生产环境。券商一般也提供两套环境，例如国金 QMT 的模拟交易环境，会将券商到交易所的 API 进行 mock 处理，便于测试。

建议先在测试环境中进行策略开发和验证，确保逻辑无误后再部署到生产环境。

4. 数据准备

基础K线数据包括：

• 1分钟K线
• 5分钟K线
• 日K线

这些数据可以合成更长周期的K线，如：

• 1分钟K线可合成2、3、4分钟K线
• 5分钟K线可合成15、30、60分钟K线
• 日K线可合成周、月、年K线

根据实际需求，我一般下载 5分钟K线 和 日K线。在 QMT 中下载的数据也可以直接供 miniQMT 使用，只需指定路径即可：

xtdata.data_dir = "D:\\GJQMTTEST\\datadir"

数据准确性至关重要，任何计算都依赖于数据质量。对于大模型来说，数据同样关键，模型结构虽公开，但数据却往往保密。

5. 开发环境搭建

推荐使用 WSL（Windows Subsystem for Linux） 搭建企业级开发环境，以贴近生产环境。对于 QMT，建议使用 Windows + Conda + IDE（如 PyCharm 或 VSCode），方便调试和部署。

6. 依赖包安装

参考官方文档：https://dict.thinktrader.net/

安装 xtquant 包

将 xtquant 安装到 Conda 环境对应的第三方包目录中：

envs\quant_env_py312\Lib\site-packages

安装 TA-Lib 包

从 TA-Lib GitHub 页面 下载对应版本的 .whl 文件，并使用 pip 安装。

7. 量化策略开发

7.1 基于大模型的策略开发

使用大模型（如 DeepSeek、Qwen）辅助开发量化策略时，建议结合 QMT 自带的知识库，提升策略的准确性和实用性。虽然直接使用大模型也能编写代码，但官方平台提供的 Demo 更具参考价值。

7.2 趋势跟踪策略示例

选择趋势向上的股票，且市值大于 200 亿。获取股票详细信息，包括流通股本：

stock_detail = xtdata.get_instrument_detail(stock_code, iscomplete=True)
float_volume = stock_detail.get('FloatVolume')

7.3 打板策略示例

涉及集合竞价的判断，需订阅 tick 数据：

# 下载集合竞价tick数据（9:24:30 - 9:26:00）
start_tick = f"{today_str}092430"
end_tick = f"{today_str}092600"

for i, stock in enumerate(stock_list, 1):
    try:
        xtdata.download_history_data(
            stock, period="tick",
            start_time=start_tick,
            end_time=end_tick,
            incrementally=False
        )
    except Exception as e:
        logger.warning(f"⚠️ {stock} tick下载失败: {e}")
    if i % 100 == 0:
        logger.info(f"   已触发 {i}/{len(stock_list)} 只股票tick下载")

# 读取tick数据
tick_data = xtdata.get_market_data_ex(
    field_list=["lastPrice", "volume"],
    stock_list=stock_list,
    period="tick",
    start_time=start_tick,
    end_time=end_tick,
    count=-1,
    fill_data=False
)

7.4 游资点火策略

也需要订阅 tick 级别的行情数据：

xtdata.subscribe_quote(
    stock_list=selected_stocks,
    period='tick',
    callback=on_market_data
)

8. 大模型量化项目

目前市场上已有多个基于大模型的量化项目，如币圈和美股的案例。现在尝试开发一个适用于 A 股市场的 大模型量化项目，核心部分基于 大模型 + miniQMT 实现。

虽然整体产品思路可能不同，但交易逻辑基本一致，主要依靠模型生成交易信号，再通过 miniQMT 执行交易指令。

总结：
从开户、技术选型、环境搭建、数据准备到策略开发与大模型应用，整个量化交易开发流程较为完整。合理选择工具和方法，能够有效提升开发效率与交易效果。

（注：点我红色头像旁边有个咨询TA，加我微或者电话联系我）