一、前期准备

（一）了解开通条件

1. 资金要求：QMT 标准版资金门槛较高，通常 50 万 - 300 万不等，不同券商要求有差异。miniQMT 相对亲民，多数券商 10 万左右日均资产即可，如国金证券、华西证券等。资金要求主要是考量投资者风险承受能力与潜在交易活跃度。
2. 风险测评：需达到 C4（积极型）或 C5（激进型）。风险测评旨在评估投资者对量化交易风险的认知与承受能力，因量化交易策略复杂，波动可能较大。若测评不达标，可通过券商 APP 重新测评。
3. 交易经验：一般要求 6 个月以上 A 股交易经验，帮助投资者对市场有基础认识，理解交易逻辑与风险，部分券商对活跃投资者或有特殊渠道放宽要求。

（二）选择券商

不同券商在 QMT/miniQMT 服务、佣金政策、通道速度等方面有区别。大券商如中信建投、华泰证券等，服务专业，通道稳定；部分中小券商为吸引客户，可能在佣金上有优惠。可咨询客户经理，了解券商对 QMT/miniQMT 支持程度、培训服务等。

二、入门阶段 - 熟悉软件与基础功能

（一）安装与登录

1. 下载安装：通过券商提供链接下载 QMT 或 miniQMT 安装包。安装时，建议选非系统盘英文路径，避免安装路径含中文导致兼容性问题。miniQMT 安装包小，安装快，因功能精简，对电脑配置要求低于 QMT 标准版。
2. 登录设置：安装完成后，打开软件，输入券商提供账号密码登录。首次登录可设置个性化参数，如界面风格、快捷键等。miniQMT 界面简洁，核心功能突出，易上手；QMT 标准版功能多，布局复杂，但提供丰富分析工具。

（二）基础功能认知

1. 行情数据查看：QMT/miniQMT 提供实时与历史行情数据。可在行情界面查看股票、期货等品种价格走势、成交量等信息。miniQMT 需通过代码调用 xtquant 库中 xtdata 模块获取特定数据，如xtdata.download_history_data获取历史 K 线；QMT 标准版除代码获取，还有图形化界面便捷查看与分析数据。
2. 交易下单操作：两者都支持多种交易指令，如市价单、限价单、止损单等。在交易界面，输入证券代码、交易数量、价格等，选择下单类型提交订单。可查看订单状态，进行撤单等操作。miniQMT 适合手动简单交易操作与程序化交易结合；QMT 标准版支持更复杂交易策略下单，如组合交易、算法交易。

三、进阶阶段 - 策略开发与回测

（一）策略开发语言选择

1. Python：QMT/miniQMT 都支持 Python 开发，Python 简单易学，有丰富量化交易库。如使用numpy进行数值计算，pandas处理数据，matplotlib绘制图表。在策略开发中，可利用xtquant库实现行情获取与交易操作。例如，编写简单均线策略，通过获取历史价格计算均线，判断买卖时机。
2. VBA：QMT 标准版支持 VBA 开发，适合熟悉 Excel VBA 投资者。VBA 与 Excel 结合紧密，便于处理表格数据，开发基于 Excel 数据的量化策略，但在跨平台与开源库支持上不如 Python。

（二）策略编写与实现

1. 确定策略逻辑：根据市场分析与投资理念确定策略，如趋势跟踪策略，利用移动平均线交叉判断买卖点；均值回归策略，基于价格围绕均值波动特性操作。
2. 代码编写：以 Python 为例，在 PyCharm、VSCode 等 IDE 编写代码。导入必要库，初始化交易环境，编写策略逻辑，如获取数据、计算指标、判断交易信号、下达交易指令。如简单双均线策略：

python

运行

from xtquant import xtdata, xttrader

def double_ma_strategy():
    # 获取历史数据
    history_data = xtdata.download_history_data('600000.SS', period='1d', start_time='20230101', end_time='20240101')
    short_ma = history_data['close'].rolling(window = 5).mean().iloc[-1]
    long_ma = history_data['close'].rolling(window = 20).mean().iloc[-1]
    # 判断交易信号
    if short_ma > long_ma:
        # 下单买入
        xttrader.order_stock(acc, '600000.SS', 100, 'buy', 'limit', 10.0)
    else:
        # 下单卖出
        position = xttrader.query_stock_positions(acc, '600000.SS')
        if position:
            xttrader.order_stock(acc, '600000.SS', position['amount'],'sell', 'limit', 10.0)

1. 调试优化：编写完成后调试，检查语法错误，分析策略逻辑问题。通过打印中间变量、使用断点调试功能找出问题并优化，如调整指标参数、优化交易信号判断条件。

（三）策略回测

1. QMT 标准版回测：在 QMT 标准版中，有专门回测界面。设置回测参数，如回测时间范围、初始资金、手续费率等。导入编写策略代码，运行回测，生成回测报告，包含收益率、最大回撤、夏普比率等指标，评估策略表现。
2. miniQMT 回测（借助外部工具）：miniQMT 本身无内置回测功能，需借助外部工具，如backtrader库。安装backtrader，将策略代码适配其框架，进行回测。虽然增加操作难度，但能灵活选择回测方法与指标。例如，将上述双均线策略适配backtrader：

python

运行

import backtrader as bt

class DoubleMaStrategy(bt.Strategy):
    params = (('short_window', 5), ('long_window', 20))

    def __init__(self):
        self.short_ma = bt.indicators.SimpleMovingAverage(self.data.close, period=self.p.short_window)
        self.long_ma = bt.indicators.SimpleMovingAverage(self.data.close, period=self.p.long_window)

    def next(self):
        if self.short_ma[0] > self.long_ma[0] and not self.position:
            self.buy()
        elif self.short_ma[0] < self.long_ma[0] and self.position:
            self.sell()

cerebro = bt.Cerebro()
data = bt.feeds.GenericCSVData(dataname='600000.SS.csv', dtformat=('%Y%m%d'), openinterest=-1)
cerebro.adddata(data)
cerebro.addstrategy(DoubleMaStrategy)
cerebro.run()
cerebro.plot()

四、精通阶段 - 实盘交易与持续优化

（一）实盘交易部署

1. 模拟转实盘：回测表现良好的策略，可先在模拟盘进一步验证，确保策略在接近实盘环境稳定运行。在 QMT/miniQMT 模拟交易界面，设置模拟交易参数与实盘一致，运行策略一段时间，观察策略表现与市场符合度。
2. 实盘交易准备：确认策略稳定后，切换实盘。在券商 APP 或 QMT/miniQMT 软件提交实盘申请，签署风险协议。检查交易账户资金、权限，确保能进行相关交易。配置交易服务器，选择合适交易通道，确保交易快速准确执行。

（二）实时监控与风险管理

1. 实时监控：实盘交易中，实时监控策略运行。在 QMT/miniQMT 界面查看订单状态、持仓变化、资金余额等。设置预警机制，如价格波动超过设定范围、仓位达到阈值等，及时通知投资者。
2. 风险管理：量化交易有风险，需设置风险管理措施。如设定止损止盈点，控制单笔交易与总资金风险比例。根据市场变化调整策略参数，如市场波动大时，扩大止损范围，避免频繁止损。

（三）策略持续优化

1. 数据分析与评估：定期分析实盘交易数据，评估策略效果。使用 QMT/miniQMT 提供分析工具或导出数据到外部软件分析。分析指标包括胜率、盈亏比、交易频率等，找出策略优势与不足。
2. 策略改进与升级：基于数据分析结果，改进升级策略。如优化交易信号判断逻辑，引入新指标或因子，提高策略盈利能力与适应性。关注市场变化、政策调整，及时调整策略，保持策略有效性。

股票/量化开户找我！股票佣金万0.854（满足条件）！无门槛国债逆回购一折 (百万分之一）！ETF佣金万0.5！优惠多多！免费量化使用量化软件QMT+miniQMT+ptrade!