问题描述
解决方案
在 QMT（Quant Trader）平台中，策略运行缓慢通常是由数据获取方式不当、循环计算过多或平台参数设置不合理导致的。
以下是针对 QMT Python 策略性能优化的完整指南，分为平台设置优化、数据接口优化和代码逻辑优化三个维度。
QMT 策略性能优化指南
1. 平台设置优化（最快见效）
在修改代码之前，首先检查策略编辑器的“基本信息”设置，这是最常见的性能瓶颈来源。
1.1 开启“快速计算”
- 原理：默认情况下（值为 0），QMT 会从历史数据的第一根 K 线开始，对每一根 K 线都执行一次
handlebar函数。如果历史数据很长，启动会非常慢。 - 优化方法：在策略编辑器的【基本信息】中，将 “快速计算” 设置为一个合理的整数（例如
100或200）。 - 效果：策略启动时，只会从当前时刻往前推 N 根 K 线开始计算，极大缩短启动时间。
1.2 调整“刷新间隔”
- 原理：默认情况下，行情每变动一个 Tick（分笔），
handlebar就会被触发一次。对于高频策略这是必须的，但对于分钟级或日线级策略，这会造成大量无用计算。 - 优化方法：在【基本信息】中设置 “刷新间隔”（例如
3000毫秒）。或者在代码中控制逻辑执行频率。
2. 数据接口优化（核心瓶颈）
QMT 的底层是 C++，Python API 是通过层级调用的。频繁、细碎的数据交互会严重拖慢速度。
2.1 使用 get_market_data_ex 替代旧接口
- 建议：尽量使用
ContextInfo.get_market_data_ex()。 - 原因：官方文档明确指出旧版
get_market_data已不建议使用。新版接口在处理批量数据时效率更高，且返回格式更统一（Pandas DataFrame）。
2.2 批量获取数据（向量化）
- 错误做法：在循环中逐个获取股票数据。
# ❌ 低效写法 for stock in stock_list: data = ContextInfo.get_market_data_ex(..., [stock], ...) # 处理逻辑... - 优化做法：一次性获取所有股票的数据，利用 Pandas 进行矩阵运算。
# ✅ 高效写法 data_map = ContextInfo.get_market_data_ex(..., stock_list, ...) # 此时 data_map 包含所有股票数据，直接处理
2.3 避免在 handlebar 中重复下载历史数据
- 问题：
get_history_data或download_history_data如果放在handlebar中且没有条件限制，会在每个 Tick 都执行下载/读取 IO 操作。 - 优化：
- 静态历史数据在
init()中一次性获取。 - 动态数据仅在
ContextInfo.is_new_bar()为 True 时获取。
- 静态历史数据在
3. 代码逻辑优化（Python 特性）
3.1 减少 handlebar 的计算负载
handlebar 是高频回调函数。
- 利用
is_last_bar：如果是实盘运行，历史 K 线的handlebar回放通常不需要执行下单逻辑或复杂的信号计算。def handlebar(ContextInfo): # 如果不是最后一根K线（即正在回放历史），直接跳过复杂逻辑 if not ContextInfo.is_last_bar(): return # 下面写实盘逻辑 ...
3.2 使用 Pandas/Numpy 替代 For 循环
Python 的原生循环非常慢。凡是涉及价格计算（如均线、RSI、相关性），务必使用 pandas 或 numpy 的内置函数。
- 示例：计算 100 只股票的均线。
- 低效：遍历 list，手动累加除以 N。
- 高效：
df['close'].rolling(window=10).mean()。
3.3 减少日志输出
- 问题：
print()函数是同步 IO 操作，在大量 Tick 推送时，频繁打印会显著阻塞策略运行。 - 优化：仅打印关键交易信息，或使用 Python 的
logging模块并设置较高的日志级别。
3.4 避免重复创建对象
- 优化：将固定的股票池列表、常量定义、大对象的初始化放在
init(ContextInfo)中，而不是handlebar(ContextInfo)中。
4. 优化代码示例
以下是一个应用了上述优化技巧的框架示例：
# -*- coding: gbk -*-
import pandas as pd
import numpy as np
def init(ContextInfo):
# 1. 在 init 中做一次性设置，避免在 handlebar 中重复操作
ContextInfo.stock_list = ['600000.SH', '000001.SZ', '600519.SH']
ContextInfo.set_universe(ContextInfo.stock_list)
# 2. 预先定义好需要的字段，避免反复创建列表
ContextInfo.fields = ['close', 'open', 'high', 'low']
# 3. 账号设置
ContextInfo.account_id = '您的账号'
ContextInfo.set_account(ContextInfo.account_id)
def handlebar(ContextInfo):
# 4. 【关键优化】如果是回测模式或历史K线回放，且不需要逐K线计算信号，可以直接跳过
# 如果设置了“快速计算”，这里的负担会小很多
if not ContextInfo.is_last_bar():
return
# 5. 【关键优化】使用 get_market_data_ex 批量获取数据
# count=-1 表示获取所有订阅的数据，或者指定 count=200 用于计算指标
data_map = ContextInfo.get_market_data_ex(
ContextInfo.fields,
ContextInfo.stock_list,
period='1d',
count=20,
dividend_type='front'
)
# 6. 【关键优化】避免循环，尽量使用逻辑判断
for stock in ContextInfo.stock_list:
if stock not in data_map:
continue
df = data_map[stock]
if df.empty:
continue
# 使用 pandas 快速计算均线，而不是手写循环
ma5 = df['close'].rolling(5).mean().iloc[-1]
current_price = df['close'].iloc[-1]
# 简单的交易逻辑
if current_price > ma5:
# 检查是否已有持仓等逻辑...
pass
Q&A: 常见性能问题解答
Q: 为什么我的策略在回测时很快，一到实盘就卡顿？
A: 回测时数据是本地读取的，速度极快。实盘时 handlebar 是由实时 Tick 驱动的。如果你的策略逻辑处理时间超过了两个 Tick 之间的间隔（例如 500ms），就会导致积压和卡顿。请检查是否在 handlebar 里做了耗时的网络请求或复杂的数学运算。
Q: get_market_data 和 get_market_data_ex 真的有很大区别吗？
A: 是的。get_market_data 是旧版接口，在处理多标的数据时性能较差。get_market_data_ex 经过优化，且直接对接 Pandas 格式，减少了数据转换的开销。
Q: “快速计算”设置为 0 会发生什么？
A: 设置为 0 意味着全量计算。假设你在日线上运行，且主图品种有 10 年历史，策略启动时会从 10 年前第一天开始，把每一天的 handlebar 都跑一遍。这通常是策略启动慢的罪魁祸首。
Q: 我可以使用多线程来加速吗？
A: 在 QMT 的 Python 环境中，不建议使用 threading 或 multiprocessing 进行复杂的计算或下单操作。因为 QMT 的底层 API 并非完全线程安全，且 Python 的 GIL 锁限制了多线程的计算效率。对于计算密集型任务，优先考虑向量化（Numpy）；对于 IO 密集型任务，尽量减少频率。