QMT 策略编辑器中的参数优化功能如何使用？

在 QMT 平台中，要测试不同的参数组合（如均线周期）以找到最优解，通常不需要编写复杂的循环代码来反复运行回测。QMT 客户端内置了**参数优化（Optimization）**功能，可以直接在界面上设置参数的范围和步长，系统会自动遍历所有组合并给出绩效对比。

以下是实现参数优化的具体步骤和代码示例。

核心步骤

1. 代码编写：在策略代码的全局位置（通常是文件开头）定义变量，作为你的策略参数。
2. 界面设置：在 QMT 策略编辑器的右侧或下方的“参数设置”面板中，找到对应的变量名，设置其最小值、最大值和步长。
3. 运行优化：点击编辑器工具栏上的“优化”按钮（通常在“回测”按钮旁边），系统将自动运行多次回测并生成结果列表。

策略代码示例

下面是一个基于双均线策略的完整代码示例。在这个例子中，SHORT_PERIOD（短期均线）和 LONG_PERIOD（长期均线）就是需要优化的参数。

# -*- coding: gbk -*-
import pandas as pd
import numpy as np

# ==============================================================================
# 策略参数定义 (供参数优化面板调用)
# 在QMT界面的【参数设置】面板中，可以设置这些变量的 最小值、最大值 和 步长
# 例如：SHORT_PERIOD 最小5，最大20，步长5； LONG_PERIOD 最小30，最大60，步长10
# ==============================================================================
SHORT_PERIOD = 5   # 短期均线周期默认值
LONG_PERIOD = 20   # 长期均线周期默认值

def init(ContextInfo):
    # 设置账号 (请替换为您的实际账号)
    ContextInfo.accid = '6000000000'
    ContextInfo.set_account(ContextInfo.accid)
    
    # 设置股票池 (示例使用 沪深300 ETF)
    ContextInfo.set_universe(['510300.SH'])
    
    # 设置回测参数 (仅回测模式有效)
    ContextInfo.set_commission(0, [0.0001, 0.0001, 0.0003, 0.0003, 0, 5]) # 设置费率
    ContextInfo.capital = 1000000 # 初始资金

def handlebar(ContextInfo):
    # 获取当前K线位置
    index = ContextInfo.barpos
    
    # 获取当前图表的股票代码
    stock_code = ContextInfo.get_universe()[0]
    
    # 获取历史行情数据
    # 注意：获取的数据长度要足够计算长期均线，这里取 LONG_PERIOD + 5 根
    # period='1d' 表示日线，根据实际运行周期调整
    data = ContextInfo.get_market_data_ex(
        ['close'], 
        [stock_code], 
        period='1d', 
        count=LONG_PERIOD + 5, 
        dividend_type='front'
    )
    
    # 如果数据获取失败或长度不足，直接返回
    if stock_code not in data or len(data[stock_code]) < LONG_PERIOD:
        return
        
    # 提取收盘价序列
    close_prices = data[stock_code]['close']
    
    # 计算均线
    # 使用 pandas 的 rolling().mean() 计算移动平均
    ma_short = close_prices.rolling(window=SHORT_PERIOD).mean()
    ma_long = close_prices.rolling(window=LONG_PERIOD).mean()
    
    # 获取最新的均线值 (当前K线) 和 上一根K线的均线值
    # iloc[-1] 为最新值，iloc[-2] 为上一个值
    current_short = ma_short.iloc[-1]
    current_long = ma_long.iloc[-1]
    prev_short = ma_short.iloc[-2]
    prev_long = ma_long.iloc[-2]
    
    # 获取当前持仓
    positions = get_trade_detail_data(ContextInfo.accid, 'stock', 'position')
    current_vol = 0
    for pos in positions:
        if pos.m_strInstrumentID + '.' + pos.m_strExchangeID == stock_code:
            current_vol = pos.m_nVolume
            break

    # ==========================================================================
    # 交易逻辑：金叉买入，死叉卖出
    # ==========================================================================
    
    # 金叉：短期均线上穿长期均线
    is_golden_cross = (prev_short <= prev_long) and (current_short > current_long)
    
    # 死叉：短期均线下穿长期均线
    is_death_cross = (prev_short >= prev_long) and (current_short < current_long)
    
    # 执行交易
    if is_golden_cross and current_vol == 0:
        # 全仓买入
        print(f"产生金叉信号: 短期{SHORT_PERIOD} > 长期{LONG_PERIOD}，买入")
        order_target_percent(stock_code, 1.0, "fix", close_prices.iloc[-1], ContextInfo, ContextInfo.accid)
        
    elif is_death_cross and current_vol > 0:
        # 清仓卖出
        print(f"产生死叉信号: 短期{SHORT_PERIOD} < 长期{LONG_PERIOD}，卖出")
        order_target_percent(stock_code, 0.0, "fix", close_prices.iloc[-1], ContextInfo, ContextInfo.accid)

如何在 QMT 界面操作优化

1. 保存代码：将上述代码复制到 QMT 的策略编辑器中并保存。
2. 打开参数面板：在策略编辑器的右侧（或底部，取决于布局），找到**“参数”或“参数设置”**标签页。
3. 识别参数：系统会自动识别代码中的全局变量 SHORT_PERIOD 和 LONG_PERIOD 并显示在列表中。
4. 设置范围：
   • 选中 SHORT_PERIOD，设置：
     • 最小：5
     • 最大：15
     • 步长：5
     • (这意味着系统会测试 5, 10, 15 三种情况)
   • 选中 LONG_PERIOD，设置：
     • 最小：20
     • 最大：60
     • 步长：20
     • (这意味着系统会测试 20, 40, 60 三种情况)
5. 运行优化：
   • 点击工具栏上的**“优化”**按钮（注意不是“回测”）。
   • 系统会遍历所有组合（例如 3x3=9 种组合）。
6. 查看结果：
   • 优化完成后，会弹出一个结果列表，显示每一组参数对应的年化收益率、夏普比率、最大回撤等指标。
   • 你可以点击表头（如“年化收益率”）进行排序，从而找到表现最好的一组参数。

Q&A

Q: 为什么我在参数面板里看不到我的变量？
A: 确保变量是在函数外部（全局作用域）定义的，并且赋了初始值（如 MA = 5）。如果变量定义在 init 或 handlebar 函数内部，QMT 无法将其识别为可调节参数。

Q: 步长（Step）是什么意思？
A: 步长决定了参数遍历的密度。例如范围是 10 到 20，步长为 2，则测试的参数为 10, 12, 14, 16, 18, 20。步长越小，测试的组合越多，计算时间越长。

Q: 优化结果中的“夏普比率”高好还是低好？
A: 夏普比率（Sharpe Ratio）越高越好。它代表了策略在承担单位风险下获得的超额回报。通常在选择参数时，不仅要看收益率，还要看夏普比率和最大回撤，以防止过拟合。