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。

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。