如何优化我的 QMT 策略，大幅提升回测和运行速度？

在 QMT（Quant Trader）平台中，策略回测速度慢通常由平台参数设置不当或代码逻辑效率低下导致。QMT 的运行机制是逐 K 线（Bar-by-Bar）驱动 handlebar 函数，如果该函数内部包含大量重复计算或 I/O 操作，回测效率会显著下降。

以下是针对 QMT 平台的具体提速方案，分为设置优化和代码优化两部分。

一、 平台参数设置优化（立竿见影）

在 QMT 策略编辑器的界面右侧或“基本信息”中，有几个关键参数直接影响速度：

1. 开启“快速计算” (Quick Calculation)

   • 原理：默认情况下（值为 0），QMT 会从主图品种的第一根 K 线开始运行模型。如果你的策略只需要最近 100 根 K 线的数据来计算均线，但主图有 10 年数据，全量计算会极其浪费时间。
   • 操作：将“快速计算”设置为你需要的数据长度（例如 100 或 200）。这样平台只会计算最后 N 根 K 线，极大缩短初始化时间。
   • 注意：此设置主要影响实盘或模拟盘的初始化速度，回测时如果需要完整历史绩效，需谨慎使用，但在调试阶段非常有用。

2. 调整“刷新间隔”

   • 原理：控制策略运行的频率。
   • 操作：如果策略不需要每根 K 线都运行，可以设置刷新间隔。但在回测模式下，通常由行情驱动，此项更多影响实盘。

3. 减少回测对象和周期

   • 操作：在“回测参数”中，尽量缩小“开始时间”和“结束时间”的范围。如果只是验证逻辑，不需要跑 10 年数据。
   • 股票池：ContextInfo.set_universe() 中的股票数量越多，循环次数越多，速度越慢。调试时建议只用几只代表性股票。

二、 代码逻辑优化（核心关键）

QMT 的 handlebar(ContextInfo) 函数会在每一根 K 线（或 Tick）到来时被调用一次。如果在 handlebar 里写了低效代码，回测时间会呈指数级增长。

1. 避免在 handlebar 中重复获取全量历史数据

错误做法：在每一根 K 线通过 get_market_data 获取过去几年的所有数据。
优化做法：只获取计算指标所需的最小窗口数据。

# --- 低效代码 ---
def handlebar(ContextInfo):
    # 每次都取了全量历史数据，极慢
    data = ContextInfo.get_market_data(['close'], stock_code=['000001.SZ'], count=-1)
    
# --- 高效代码 ---
def handlebar(ContextInfo):
    # 只取计算 MA60 所需的最近 60 根 K 线
    data = ContextInfo.get_market_data_ex(['close'], ['000001.SZ'], period='1d', count=60)

2. 移除或限制 print 输出 (I/O 瓶颈)

原理：控制台输出（I/O 操作）是非常耗时的。如果在 handlebar 中每根 K 线都 print 数据，回测速度会降低 10 倍以上。
优化：

• 注释掉所有非必要的 print。
• 或者只在特定条件下打印（如只在买卖点打印）。

def handlebar(ContextInfo):
    # print(ContextInfo.barpos)  # <--- 务必注释掉这行
    
    if condition_buy:
        # 仅在交易时打印
        print(f"Buy at {ContextInfo.barpos}") 
        passorder(...)

3. 向量化计算代替循环 (Vectorization)

QMT 集成了 pandas 和 numpy。尽量使用这些库的整列计算功能，而不是用 for 循环遍历价格列表。

4. 将静态计算移至 init

原理：init(ContextInfo) 只在策略启动时运行一次。
优化：如果有些数据（如股票池的基本面数据、行业分类、固定的参数配置）在回测期间不会变，务必放在 init 中，不要放在 handlebar 里。

def init(ContextInfo):
    # 在初始化中设定好股票池，不要在 handlebar 里反复 set
    ContextInfo.set_universe(['000001.SZ', '600000.SH'])
    # 预加载一些静态数据
    ContextInfo.my_static_data = { ... } 

def handlebar(ContextInfo):
    # 直接使用
    data = ContextInfo.my_static_data

5. 使用 get_market_data_ex 替代 get_market_data

根据文档，get_market_data 已不建议使用，建议使用 get_market_data_ex。新接口在处理多股数据结构时通常更高效，且返回的是标准的 Pandas DataFrame/Dict 结构，便于直接进行向量化运算。

三、 进阶技巧：定时器优化

如果你的策略是日线级别，但运行在分钟周期上（例如为了更精细的撮合），可以使用 ContextInfo.run_time 定时器，让核心逻辑只在特定时间（如收盘前）运行，而不是每分钟都跑一遍逻辑。

def init(ContextInfo):
    # 设定每天 14:55:00 运行一次 my_strategy_logic
    ContextInfo.run_time("my_strategy_logic", "1nDay", "2019-10-14 14:55:00", "SH")

def my_strategy_logic(ContextInfo):
    # 这里写核心交易逻辑
    print("Running daily logic...")

def handlebar(ContextInfo):
    # handlebar 留空或仅处理极简逻辑
    pass

四、 总结检查清单

如果回测依然慢，请按以下顺序检查：

1. Print 语句：是否在 handlebar 里打印了大量日志？（最常见原因）
2. 数据获取：是否在 handlebar 里使用了 count=-1 获取全量历史数据？
3. 循环嵌套：是否存在多重 for 循环遍历股票池和 K 线？
4. 网络请求：策略中是否包含访问外部网站（如爬虫）的代码？（这会阻塞回测）
5. 图形绘制：是否调用了大量的 paint 函数？（大量绘图也会占用资源）

Q&A: QMT 策略回测常见问题

Q: 为什么我的策略在实盘运行很快，回测却很慢？
A: 实盘通常是“当前帧”触发，只处理最新的 Tick 或 K 线。而回测需要从历史开始，模拟成千上万次 handlebar 的调用。如果在 handlebar 中写了全量数据获取（如获取过去5年的数据），实盘只跑一次没感觉，回测跑几千次就会极慢。

Q: ContextInfo.get_market_data_ex 和 get_market_data 哪个更快？
A: 推荐使用 get_market_data_ex。它是新版接口，针对数据结构进行了优化，且更符合 Pandas 的使用习惯，能更好地配合向量化计算来提升速度。

Q: 如何在不降低回测精度的情况下减少计算量？
A: 使用“缓存”思想。例如计算 MA10，不需要每次取 10 个数计算。可以维护一个全局变量，新来一个价格，减去最早的一个，加上最新的一个（增量计算），或者利用 Pandas 的 rolling 函数在获取数据后一次性计算好，而不是在循环中计算。

Q: QMT 支持多进程或多线程回测吗？
A: QMT 的 Python 策略主要运行在单线程环境中。虽然 Python 支持多线程，但受限于 GIL 和 QMT 底层 C++ 的交互机制，直接在策略中开多线程可能会导致数据竞争或报错。建议通过优化算法复杂度来提速。