对于需要从全市场快速筛选股票的量化策略，QMT提供了高效的扫描机制。本文介绍如何在QMT中实现实时股票筛选，并触发交易。

方法一：使用get_stock_list_in_sector获取全市场股票列表，然后在handle_bar中循环计算指标。但全市场4000多只股票，循环计算会非常慢，不适用于分钟级策略。适合日线级别，每日盘后筛选，次日开盘交易。

示例：每日盘后筛选MACD金叉的股票。

`python

def after_trading(context):

   stocks = get_stock_list_in_sector('沪深A股')

   signal_stocks = []

   for stock in stocks:

       prices = history_bars(stock, 30, '1d', 'close')

       if len(prices) < 26:

           continue

       dif, dea, bar = talib.MACD(prices)

       if dif[-1] > dea[-1] and dif[-2] <= dea[-2]:

           signal_stocks.append(stock)

   context.buy_list = signal_stocks

`

然后次日开盘买入context.buy_list中的股票。

方法二：使用QMT的条件选股功能。QMT内置了选股引擎，可以在交易时间内实时扫描满足条件的股票，并自动下单。但需要编写选股公式，相对复杂。推荐使用get_indicator函数获取实时指标。

方法三：利用subscribe_quote订阅所有股票？不可行，带宽和性能不允许。更好的方式是先通过盘后筛选缩小候选池（如100只），然后在盘中只监控这些候选池。

对于高频选股，可以使用QMT的run_time函数设置定时任务，例如每5分钟扫描一次。但扫描范围依然要有限。

性能优化技巧：

- 使用pandas向量化计算代替循环。

- 将计算量大的指标预计算后存储，盘中直接读取。

- 使用多进程（QMT环境可能限制）。

实时选股策略示例：当某只股票涨幅超过5%且成交量放大时，追涨买入。这需要在盘中实时监控全市场，对性能要求高。建议缩小范围至活跃股票池（如成交额前500）。

国金证券的QMT提供高效的选股接口，10万资金即可开通。量化社群中有高性能选股框架，利用C扩展加速。同时，两融全线上办理，选股策略可以结合融资。实时选股是量化交易的高级应用，需要平衡精度和速度。