QMT 量价分析：结合成交量分布 (Volume Profile) 的日内突破策略

在日内交易中，单纯依赖价格突破容易产生假突破信号。结合成交量分布（Volume Profile / Auction Market Theory），可以精准识别市场筹码分布的核心区域——价值区（Value Area, VA）、高筹码集中区（POC, Point of Control） 以及 低筹码区（LVN, Low Volume Node）。

当价格放量突破价值区上界（VAH）时，代表多头力量主导且获得了成交量的确认，是极佳的日内顺势买入信号。

策略逻辑设计

1. 数据计算：获取日内高频 K 线（如 1 分钟/5 分钟周期），在日内特定时间段统计价格区间内的累积成交量。
2. 确定价值区：
   • POC (Point of Control)：成交量最大的价格档位。
   • VAH (Value Area High) / VAL (Value Area Low)：包含日内约 70% 成交量的价格上下边界。
3. 突破交易信号：
   • 买入信号：当前价格突破 VAH，且伴随放量，顺势做多/买入。
   • 卖出信号：价格跌破 VAL，或触及止损/尾盘平仓点。
4. 风控规则：收盘前（如 14:55）强制平仓，避免隔夜跳空风险。

QMT Python 策略源码实现

以下策略基于国信 QMT 原生 Python API 接口编写：

#encoding:gbk
import numpy as np
import pandas as pd

def init(ContextInfo):
    # 设定标的与基础参数
    ContextInfo.stock = ContextInfo.stockcode + '.' + ContextInfo.market
    ContextInfo.set_universe([ContextInfo.stock])
    
    ContextInfo.account = '6000000248'  # 替换为您的资金账号
    ContextInfo.set_account(ContextInfo.account)
    
    # 策略参数
    ContextInfo.trade_vol = 1000        # 单笔交易股数
    ContextInfo.va_ratio = 0.70         # 价值区覆盖成交量比例 (70%)
    ContextInfo.has_traded = False     # 当日交易标记

def handlebar(ContextInfo):
    if not ContextInfo.is_last_bar():
        return
        
    # 获取当前 K 线时间
    timetag = ContextInfo.get_bar_timetag(ContextInfo.barpos)
    # 使用 QMT 转换时间格式
    time_str = timetag_to_datetime(timetag, '%H%M%S')
    int_time = int(time_str)
    
    # 每天开盘重置交易标记
    if int_time == 93100:
        ContextInfo.has_traded = False
        
    # 1. 获取当日 1 分钟历史 K 线数据，用于计算 Volume Profile
    data = ContextInfo.get_market_data_ex(
        fields=['close', 'volume'], 
        stock_code=[ContextInfo.stock], 
        period='1m', 
        count=120, 
        subscribe=False
    )
    
    if ContextInfo.stock not in data or data[ContextInfo.stock].empty:
        return
        
    df = data[ContextInfo.stock]
    if len(df) < 30:
        return
        
    closes = df['close'].values
    volumes = df['volume'].values
    current_price = closes[-1]
    
    # 2. 构建成交量分布 (Volume Profile)
    bins = 20  # 将价格区间划分为 20 个 Bin
    counts, bin_edges = np.histogram(closes, bins=bins, weights=volumes)
    
    # 找到 POC ( Point of Control )
    max_idx = np.argmax(counts)
    poc_price = (bin_edges[max_idx] + bin_edges[max_idx+1]) / 2.0
    
    # 计算价值区 VAH 与 VAL (覆盖 70% 成交量)
    total_vol = np.sum(counts)
    target_vol = total_vol * ContextInfo.va_ratio
    
    sorted_indices = np.argsort(counts)[::-1]
    cum_vol = 0
    va_bins = []
    for idx in sorted_indices:
        cum_vol += counts[idx]
        va_bins.append(idx)
        if cum_vol >= target_vol:
            break
            
    min_bin_idx = min(va_bins)
    max_bin_idx = max(va_bins)
    val = bin_edges[min_bin_idx]
    vah = bin_edges[max_bin_idx + 1]
    
    # 3. 交易逻辑判断
    # 日内 09:45 至 14:50 期间寻求突破机会
    if 94500 <= int_time < 14500 and not ContextInfo.has_traded:
        # 向上突破 VAH 且价格高于 POC
        if current_price > vah and current_price > poc_price:
            print(f"[突破信号] 当前价: {current_price} 突破 VAH: {vah:.2f}，买入多头")
            passorder(23, 1101, ContextInfo.account, ContextInfo.stock, 5, -1, ContextInfo.trade_vol, 'VolumeProfileBreak', 1, 'VP_BUY', ContextInfo)
            ContextInfo.has_traded = True
            
    # 4. 日内风控与尾盘平仓 (14:55 强平防护)
    if int_time >= 145500:
        pos_list = get_trade_detail_data(ContextInfo.account, 'STOCK', 'POSITION')
        for pos in pos_list:
            if pos.m_strInstrumentID == ContextInfo.stockcode and pos.m_nCanUseVolume > 0:
                print(f"[尾盘平仓] 时间: {int_time}，卖出平仓")
                passorder(24, 1101, ContextInfo.account, ContextInfo.stock, 5, -1, pos.m_nCanUseVolume, 'VP_Close', 1, 'VP_SELL', ContextInfo)

策略要点与 QMT API 说明

1. 高频行情获取 (ContextInfo.get_market_data_ex)：
   使用 get_market_data_ex 能高效获取多维度的历史分钟数据，并提取价格与成交量数组，用于构建直方图。
2. 筹码分布算法：
   通过 numpy.histogram 以成交量为权重计算指定价格区间内的累积成交量，精准定位筹码密集区 POC 及价值区（VAH/VAL）。
3. 下单执行 (passorder)：
   使用 passorder 进行智能委托，quickTrade 参数设置为 1 可在实时行情触发信号时立即下达指令。