QMT 策略优化教程：如何利用平台功能进行参数寻优？

在 QMT (Quant Trader) 平台中，对策略进行参数优化（Parameter Optimization）是一个内置的核心功能。它允许你设定参数的变化范围，系统会自动遍历所有组合进行回测，并生成一份绩效对比报告，帮助你找到表现最好的参数组。

以下是在 QMT 中进行参数优化的详细步骤和代码示例：

QMT 参数优化流程

1. 编写策略代码（引用变量）

在 Python 代码中，你不需要硬编码具体的数值（例如 ma_period = 5），而是直接使用变量名。这些变量名稍后将在 QMT 的界面中定义。

示例策略代码：
这是一个简单的双均线策略，我们需要优化快线周期 (fast_period) 和慢线周期 (slow_period)。

# -*- coding: gbk -*-

def init(ContextInfo):
    # 策略初始化
    # 注意：fast_period 和 slow_period 这两个变量不需要在这里定义具体数值
    # 它们将由 QMT 界面上的“参数设置”面板传入
    ContextInfo.set_account('你的资金账号') 
    
def handlebar(ContextInfo):
    # 获取当前主图品种
    stock_code = ContextInfo.stockcode + '.' + ContextInfo.market
    
    # 获取历史行情数据 (使用 get_market_data_ex 接口)
    # 注意：为了计算均线，我们需要获取足够长的数据，这里取 slow_period + 10 条
    # 在实际优化时，slow_period 是动态变化的，这里取一个安全的最大值或动态获取
    # 为演示方便，假设最大周期不超过 60
    data = ContextInfo.get_market_data_ex(
        ['close'], 
        [stock_code], 
        period=ContextInfo.period, 
        count=100, 
        dividend_type='front'
    )
    
    if stock_code not in data:
        return
        
    close_prices = data[stock_code]['close']
    
    if len(close_prices) < slow_period:
        return

    # 计算均线
    # fast_period 和 slow_period 是全局变量，直接使用
    ma_fast = close_prices.rolling(fast_period).mean().iloc[-1]
    ma_slow = close_prices.rolling(slow_period).mean().iloc[-1]
    
    # 获取当前持仓
    positions = ContextInfo.get_trade_detail_data(ContextInfo.accid, 'stock', 'position')
    current_vol = 0
    for pos in positions:
        if pos.m_strInstrumentID == stock_code:
            current_vol = pos.m_nVolume
            break

    # 交易逻辑：金叉买入，死叉卖出
    if ma_fast > ma_slow and current_vol == 0:
        # 全仓买入
        order_target_percent(stock_code, 1.0, "FIX", -1, ContextInfo, ContextInfo.accid)
        print(f"买入: 快线{fast_period} > 慢线{slow_period}")
        
    elif ma_fast < ma_slow and current_vol > 0:
        # 清仓卖出
        order_target_percent(stock_code, 0.0, "FIX", -1, ContextInfo, ContextInfo.accid)
        print(f"卖出: 快线{fast_period} < 慢线{slow_period}")

2. 在界面设置参数范围

编写完代码后，不要直接点击运行，请关注编辑器右侧（或下方）的 【参数设置】 面板。

你需要在这里添加你在代码中使用的变量名，并设置优化的范围：

1. 参数名：填写代码中的变量名，例如 fast_period。
2. 最新值：这是默认值，用于单次运行或回测。
3. 最小：优化遍历的起始值（例如 5）。
4. 最大：优化遍历的结束值（例如 20）。
5. 步长：每次增加的数值（例如 5）。

设置示例：

系统会计算所有组合（笛卡尔积）。在这个例子中，组合数为 4 (fast) * 4 (slow) = 16 种组合。

3. 补充数据

非常重要：在进行优化之前，必须确保本地有足够的数据。

• 点击客户端顶部的菜单 【数据管理】。
• 选择你需要回测的品种（如沪深300成分股）和周期（如日线）。
• 下载对应时间段的历史数据。如果不补充数据，回测和优化将无法进行或结果不准确。

4. 运行优化

1. 在策略编辑器顶部工具栏，找到 【优化】 按钮（通常在【回测】按钮旁边）。
2. 点击后，系统会弹出一个进度条，开始在后台快速运行这 16 次回测。

5. 分析优化结果

优化完成后，会弹出一个 【评测结果】 窗口（或叫优化报告）。

• 表格展示：每一行代表一组参数组合（例如 fast=5, slow=30）。
• 绩效指标：列出该组合对应的 年化收益率、夏普比率、最大回撤、胜率 等。
• 排序筛选：你可以点击表头，例如点击“夏普比率”，将结果从高到低排序，从而找出风险收益比最好的参数组合。
• 应用参数：选中你满意的某一行，通常可以右键选择“应用参数”，系统会将这组最优参数填回【参数设置】的“最新值”中。

注意事项

1. 全局变量机制：QMT 的参数优化机制是将界面上定义的参数名作为 Python 的全局变量注入到策略中。因此，在代码中直接使用变量名即可，无需在 init 中声明 global（读取时）。
2. 避免过度拟合 (Overfitting)：
   • 不要为了追求最高的收益率而选择极其怪异的参数组合。
   • 好的参数通常具有参数平原特征，即最优参数周边的参数表现也应该不错。如果 MA(5, 30) 表现极好，但 MA(5, 29) 和 MA(5, 31) 表现极差，这通常是过拟合，实盘中不可靠。
3. 计算量控制：
   • 组合数量 = 参数A步数 × 参数B步数 × ...
   • 如果参数过多或步长过小，计算量会呈指数级增长，导致优化时间过长。建议先用大步长锁定范围，再用小步长精细搜索。
4. 数据引用：在 handlebar 中获取数据时，count（获取的数据长度）应确保大于参数的最大值，否则会导致指标计算在某些大参数下因数据不足而返回 NaN。

Q&A

Q: 为什么我在代码里写了 fast_period = 10，优化功能就不起作用了？
A: 如果你在代码中显式赋值了 fast_period = 10，那么无论界面上传入什么参数，代码执行时都会被你的赋值语句覆盖。请删除代码中的赋值语句，或者仅在 try...except 块中设置默认值以防本地调试报错，但在 QMT 界面中必须配置同名参数。

Q: 优化结果中的“夏普比率”和“年化收益”哪个更重要？
A: 这取决于你的风险偏好。通常建议优先关注 夏普比率 (Sharpe Ratio) 和 最大回撤 (Max Drawdown)。高收益如果伴随着巨大的回撤（例如腰斩），在实盘中往往难以坚持。夏普比率高意味着单位风险下的收益更高，策略更稳健。

Q: 可以优化止损止盈的比例吗？
A: 可以。只要将止损比例（如 stop_loss_rate）和止盈比例（如 take_profit_rate）作为变量写入代码逻辑，并在参数面板中设置范围（例如 0.05 到 0.15，步长 0.01），即可进行优化。