QMT 扩展数据选股：利用 ext_data_rank 结合 K 线偏移量构建截面模型

在构建截面选股策略时，全市场因子的相对排名是评估股票强弱的核心指标。QMT（迅投量化平台）提供了强大的扩展数据引用接口，通过 ext_data_rank 函数，开发者可以轻松获取自定义扩展数据在全市场品种中的排名，并支持设置 K 线偏移量（deviation） 来实现历史信号的回溯与对齐。

1. ext_data_rank 函数详解

ext_data_rank 用于获取指定的扩展数据在当前时间点（或偏移对应时间点）全市场所有品种中的排名。

接口定义

ext_data_rank(extdataname, stockcode, deviation, ContextInfo)

参数说明

• extdataname (str): 在客户端设置并生成的扩展数据名称（例如 'mycci'、'my_factor'）。
• stockcode (str): 目标合约代码，格式为 代码.市场（例如 '600000.SH'）。
• deviation (int): K 线偏移量：
  • 0: 取当前 K 线周期的扩展数据排名。
  • -N: 向左偏移 N 根 K 线（获取 N 个周期前的历史排名）。
  • N: 向右偏移 N 根 K 线。
• ContextInfo (PythonObj): 全局策略上下文对象。

返回值

• number: 返回指定品种在全市场中的数值排名（如：1 表示该指标在全市场中排第 1 名）。

2. 代码实现示例

以下是一个基于 ext_data_rank 的截面选股策略骨架，展示如何在 handlebar 函数中动态获取截面排名并进行筛选：

#encoding:gbk

def init(ContextInfo):
    # 设定初始股票池
    stock_list = ['600000.SH', '000001.SZ', '000002.SZ', '600519.SH']
    ContextInfo.set_universe(stock_list)
    print("策略初始化完成，扩展数据排名截面模型启动")

def handlebar(ContextInfo):
    # 仅在最后一根 Bar 或每日收盘前运行策略逻辑
    if not ContextInfo.is_last_bar():
        return
    
    ext_name = 'mycci'  # 替换为在客户端中定义的扩展数据名
    universe = ContextInfo.get_universe()
    rank_dict = {}
    
    for stock in universe:
        # 获取当前 Bar 的全市场排名（deviation = 0）
        current_rank = ext_data_rank(ext_name, stock, 0, ContextInfo)
        
        # 获取上 1 周期（前一根 K 线）的全市场排名（deviation = -1）
        prev_rank = ext_data_rank(ext_name, stock, -1, ContextInfo)
        
        rank_dict[stock] = {
            'current_rank': current_rank,
            'prev_rank': prev_rank
        }
        print(f"{stock} -> 当前排名: {current_rank}, 前一周期排名: {prev_rank}")
    
    # 按照当前截面排名升序排序（排名越靠前越优秀）
    sorted_stocks = sorted(rank_dict.items(), key=lambda x: x[1]['current_rank'])
    top_picks = [stock for stock, info in sorted_stocks[:2]]  # 选取截面排名前2的股票
    
    print("当前截面选中的目标股票:", top_picks)

3. 使用注意事项与最佳实践

1. 扩展数据预先计算：使用 ext_data_rank 前，须确保客户端【数据管理】/【扩展数据】中已正确配置并完成了对应扩展数据的计算与下载。
2. K线偏移量的意义：在多因子截面模型中，结合 deviation = -1 可以有效防止未来函数（Look-ahead Bias），确保信号触发使用的排名数据在交易决策时刻完全可用。
3. 批量数据拉取优化：如果需要获取历史全时间段的排名矩阵，可在 init 中使用 ContextInfo.get_ext_all_data(extdataname) 一次性调入内存以提升回测速度。