这是一个基于 QMT Python API 的简单做市商（Market Maker）策略示例。

策略逻辑说明

这个策略的核心逻辑是**“盘口双边挂单”**，适用于 T+0 品种（如 ETF、可转债或期货）或持有底仓的股票。

1. 获取行情：在每个 Tick（分笔）数据到来时，获取当前的买一价（Bid1）和卖一价（Ask1）。
2. 撤单机制：在挂新单之前，先撤销当前标的未成交的所有挂单，防止挂单堆积占用资金或导致敞口过大。
3. 计算价格：
   • 买单价格 = 买一价 - 设定的价差（Spread）
   • 卖单价格 = 卖一价 + 设定的价差（Spread）
4. 双边下单：同时发出限价买入和限价卖出指令。

QMT 策略代码

# -*- coding: gbk -*-
import time

def init(ContextInfo):
    """
    策略初始化函数
    """
    # 1. 设置交易标的 (例如: 510050.SH 上证50ETF)
    ContextInfo.stock_code = '510050.SH'
    
    # 2. 设置资金账号 (请替换为您真实的资金账号)
    ContextInfo.account_id = 'YOUR_ACCOUNT_ID'
    # 设置账号类型: 'STOCK' (股票/ETF), 'FUTURE' (期货)
    ContextInfo.account_type = 'STOCK'
    
    # 3. 绑定账号
    ContextInfo.set_account(ContextInfo.account_id)
    
    # 4. 策略参数设置
    ContextInfo.volume = 100       # 单笔挂单数量 (股票/ETF通常为100的倍数)
    ContextInfo.spread = 0.001     # 挂单价差 (基于盘口的偏移量)
    ContextInfo.tick_size = 0.001  # 最小变动价位 (根据标的调整，ETF通常是0.001)
    
    print("做市商策略初始化完成")

def handlebar(ContextInfo):
    """
    K线/Tick驱动函数
    """
    # 仅在实盘的最后一根K线(实时行情)运行，回测或历史K线不运行
    if not ContextInfo.is_last_bar():
        return

    # 获取当前标的
    stock_code = ContextInfo.stock_code
    
    # 1. 获取全推Tick数据 (获取盘口买一卖一)
    tick_data = ContextInfo.get_full_tick([stock_code])
    
    if not tick_data or stock_code not in tick_data:
        return
        
    current_tick = tick_data[stock_code]
    
    # 获取买一价和卖一价
    # bidPrice: [买1, 买2, ...], askPrice: [卖1, 卖2, ...]
    bid_1 = current_tick.get('bidPrice', [0])[0]
    ask_1 = current_tick.get('askPrice', [0])[0]
    
    # 简单的数据校验，防止行情异常
    if bid_1 <= 0 or ask_1 <= 0:
        return

    # 2. 撤销之前的未成交挂单 (风控：防止挂单堆积)
    cancel_all_orders(ContextInfo)
    
    # 3. 计算挂单价格
    # 策略：在买一价下方挂买单，在卖一价上方挂卖单，赚取流动性溢价
    # 注意：价格需要符合最小变动价位
    buy_price = round(bid_1 - ContextInfo.spread, 3) 
    sell_price = round(ask_1 + ContextInfo.spread, 3)
    
    # 4. 执行双边下单
    # 4.1 挂买单
    # opType: 23 (股票买入), orderType: 1101 (单股单账号普通下单), prType: 11 (限价)
    passorder(23, 1101, ContextInfo.account_id, stock_code, 11, buy_price, ContextInfo.volume, ContextInfo)
    print(f"挂买单: {stock_code}, 价格: {buy_price}, 数量: {ContextInfo.volume}")
    
    # 4.2 挂卖单
    # opType: 24 (股票卖出)
    # 注意：如果是T+1股票，必须确保账户里有底仓才能卖出
    passorder(24, 1101, ContextInfo.account_id, stock_code, 11, sell_price, ContextInfo.volume, ContextInfo)
    print(f"挂卖单: {stock_code}, 价格: {sell_price}, 数量: {ContextInfo.volume}")

def cancel_all_orders(ContextInfo):
    """
    辅助函数：撤销当前标的的所有未结委托
    """
    # 获取未结委托 (Order)
    # get_trade_detail_data 参数: 账号, 账号类型, 数据类型('ORDER')
    orders = get_trade_detail_data(ContextInfo.account_id, ContextInfo.account_type, 'ORDER')
    
    for order in orders:
        # 筛选条件：
        # 1. 属于当前策略操作的标的
        # 2. 状态为未成交 (48:未报, 49:待报, 50:已报, 51:已报待撤, 52:部成待撤, 55:部成)
        # 注意：具体状态码参考QMT文档，通常只要不是 56(已成), 54(已撤), 57(废单) 就需要撤单
        if order.m_strInstrumentID == ContextInfo.stock_code:
            if order.m_nOrderStatus in [48, 49, 50, 51, 52, 55]:
                # 执行撤单
                cancel(order.m_strOrderSysID, ContextInfo.account_id, ContextInfo.account_type, ContextInfo)
                # print(f"撤单: {order.m_strOrderSysID}")

代码关键点解析

1. get_full_tick:

   • 这是做市策略的核心。相比于 get_market_data，get_full_tick 返回的是最新的快照数据，包含买一至买五、卖一至卖五的详细盘口，速度更快，适合高频操作。

2. passorder 函数:

   • 这是 QMT 最底层的下单接口。
   • opType: 23 代表股票买入，24 代表股票卖出。如果是期货，需要改为 0 (开多) / 3 (开空) 等。
   • prType: 11 代表限价单（Limit Order），这是做市商必须使用的，因为我们需要指定价格挂单，而不是市价吃单。

3. 撤单逻辑 (cancel_all_orders):

   • 做市商策略必须包含撤单逻辑。因为市场价格在不断变化，上一秒挂的单子如果偏离了当前盘口，就没有意义了，甚至可能造成风险。
   • 我们遍历 get_trade_detail_data 返回的订单列表，找到状态为“未成交”或“部分成交”的订单进行撤销。

4. 风险提示:

   • 库存风险: 如果市场单边剧烈上涨或下跌，你可能会成交一边的单子（例如一直买入），导致库存积压产生亏损。
   • T+1 限制: 如果是 A 股股票，当天买入的无法当天卖出。此策略更适合 ETF、可转债 或 期货 等 T+0 品种，或者你本身持有大量底仓用于日内回转交易。

如何运行

1. 打开 QMT 客户端，进入【模型研究】或【策略编辑器】。
2. 新建一个 Python 策略，将上述代码粘贴进去。
3. 修改 init 函数中的 ContextInfo.account_id 为你的真实资金账号。
4. 修改 ContextInfo.stock_code 为你想交易的品种。
5. 点击【运行】（建议先在模拟盘测试）。

Q&A

Q: 这个策略可以直接用于期货吗？
A: 代码逻辑通用，但需要修改 passorder 的参数。期货的 opType 不同（开仓、平今、平昨），且需要区分多空方向。此外，ContextInfo.account_type 需要改为 'FUTURE'。

Q: 为什么使用 get_full_tick 而不是 handlebar 的传入数据？
A: handlebar 虽然由行情驱动，但在高频场景下，主动调用 get_full_tick 能确保获取到内存中最新的切片数据，减少数据延迟。

Q: 如何控制挂单频率？
A: 目前代码是每个 Tick（约3秒一次）触发一次。如果觉得太快，可以在 handlebar 里增加 time.time() 的判断逻辑，例如每隔 5 秒才执行一次下单逻辑。