随着量化策略复杂度的提升，需要管理多个股票池、多个信号来源以及中间计算结果。QMT的Python环境允许使用任意自定义数据结构，如字典、列表、Pandas DataFrame。本文介绍如何在QMT中高效组织数据。

场景一：多股票池轮动。定义两个列表：stock_pool_1 = ['000001.SZ', '000002.SZ']，stock_pool_2 = ['600001.SH', '600002.SH']。在init中存入context.pool1和context.pool2。在handle_bar中根据条件选择使用哪个池子。

场景二：存储每个股票的技术指标值。可以使用字典：context.signal = {}，在每次计算时更新context.signal[stock] = value。例如，计算RSI后存入，供后续判断使用。注意字典的键必须是字符串（股票代码），值可以是数字、布尔值或列表。

场景三：缓存历史数据以提高性能。QMT的history_bars每次调用都会读取数据，频繁调用会影响速度。可以在init中一次性加载所有历史数据，存入context.hist_data（DataFrame），然后在handle_bar中按日期索引。但要注意数据更新：每天收盘后需要追加新数据。

场景四：信号合并与排序。多因子模型会产生每个股票的得分。可以使用列表套元组：scores = [(stock, value) for stock, value in score_dict.items()]，然后scores.sort(key=lambda x: x[1], reverse=True)，取前N名。

高级用法：使用pickle模块保存中间结果，避免每天重新计算。例如，计算全市场选股因子需要大量时间，可以在盘后计算一次，保存为文件，次日开盘读取。

注意：QMT的context对象不能直接存储大型DataFrame（可能导致性能下降），建议存储文件路径，在需要时再加载。同时，自定义数据结构要确保在回测和实盘中一致性。

国金证券的QMT支持完整的Python语法，10万资金即可开通。量化社群中有许多关于数据结构的经验分享，如如何管理因子库、信号队列等。同时，两融全线上办理，管理信用账户的持仓时需要额外标记。良好的数据结构设计，是策略可维护性和扩展性的基础。