聚宽实盘关停后，我是如何用Python+MySQL+QMT搭建自动化交易系统的（附完整代码）

从聚宽迁移到自主交易系统PythonMySQLQMT实战指南当量化交易平台突然宣布终止服务时许多开发者面临策略迁移的挑战。本文将分享如何构建一个基于Python、MySQL和QMT的高可靠性自动化交易系统涵盖从环境配置到异常处理的完整实现方案。1. 系统架构设计与技术选型一个健壮的自动化交易系统需要解决三个核心问题策略执行稳定性、订单处理可靠性和异常恢复能力。我们采用分层架构设计[聚宽策略] → [MySQL数据库] → [QMT执行端] → [券商接口]技术栈对比分析组件选型理由替代方案风险Python丰富的量化库支持性能要求高的场景需考虑Go/RustMySQL事务支持完善MongoDB等NoSQL缺乏ACID特性QMT券商官方接口稳定性第三方库可能存在合规风险关键提示生产环境建议使用MySQL 8.0版本其窗口函数和CTE特性可简化复杂查询2. 数据库层实现细节2.1 表结构设计与优化订单表需要包含以下核心字段from sqlalchemy import Column, String, DateTime, Integer, Boolean from sqlalchemy.ext.declarative import declarative_base Base declarative_base() class QuantOrder(Base): __tablename__ quant_orders order_id Column(String(36), primary_keyTrue) # UUID格式 symbol Column(String(10)) # 证券代码如600519.SH direction Column(String(4)) # 买卖方向 price Column(Integer) # 委托价格单位分 quantity Column(Integer) # 委托数量 status Column(String(20)) # 订单状态 created_at Column(DateTime) # 创建时间戳 updated_at Column(DateTime) # 最后更新时间索引优化方案在symbol和created_at上建立复合索引加速查询对status字段添加单独索引便于状态跟踪2.2 数据同步保障机制实现双重确认机制确保数据完整性聚宽端写入数据库后记录日志文件QMT端处理成功后更新状态字段定时任务校验未处理订单def sync_orders(): # 获取未处理订单 pending_orders session.query(QuantOrder).filter( QuantOrder.status PENDING ).all() for order in pending_orders: try: # 调用QMT接口下单 result qmt_client.place_order( symbolorder.symbol, priceorder.price/100, # 转换为元 quantityorder.quantity, directionorder.direction ) # 更新订单状态 order.status EXECUTED if result.success else FAILED order.updated_at datetime.now() session.commit() except Exception as e: logger.error(f订单处理失败: {order.order_id} - {str(e)}) session.rollback()3. QMT端实现方案3.1 定时任务管理QMT的run_time函数与聚宽的定时机制差异较大需要额外处理def init(ContextInfo): # 每5秒执行一次检查 ContextInfo.run_time(check_orders, 5s, datetime.now().strftime(%Y-%m-%d %H:%M:%S)) # 初始化全局变量 ContextInfo.processed_orders set()时间触发逻辑优化def check_orders(ContextInfo): current_time datetime.now().time() # 只在交易时段运行 if not (time(9,25) current_time time(15,30)): return # 获取新订单 new_orders get_unprocessed_orders() for order in new_orders: if order.id not in ContextInfo.processed_orders: process_order(order) ContextInfo.processed_orders.add(order.id)3.2 异常处理与重试建立三级容错机制网络异常自动重试3次指数退避余额不足立即停止并通知系统错误记录快照后重启def process_order(order): retry_count 0 max_retries 3 while retry_count max_retries: try: result qmt_place_order(order) if result.success: return True except NetworkException as e: retry_count 1 sleep(2 ** retry_count) # 指数退避 continue except BalanceException as e: alert_admin(余额不足) return False log_error(f订单{order.id}重试失败) return False4. 性能优化实战技巧4.1 批量处理优化对比单条处理与批量操作的性能差异操作类型100订单耗时(ms)CPU占用率逐条提交120045%批量提交32018%实现方案def batch_process(orders): # 构建批量操作语句 stmt insert(QuantOrder).values([ {**order.to_dict()} for order in orders ]) # 使用executemany提高效率 with engine.connect() as conn: conn.execute(stmt) conn.commit()4.2 连接池配置数据库连接池关键参数from sqlalchemy import create_engine from sqlalchemy.pool import QueuePool engine create_engine( mysqlpymysql://user:passhost/db, poolclassQueuePool, pool_size10, max_overflow20, pool_timeout30, pool_recycle3600 )监控指标活跃连接数保持在pool_size的70%左右等待超时率应低于1%5. 系统监控与维护5.1 健康检查实现def health_check(): checks [ check_database_connection(), check_qmt_connection(), check_disk_space(), check_order_queue() ] if not all(checks): send_alert(系统异常) return { status: OK if all(checks) else ERROR, details: dict(zip([ database, qmt, disk, queue ], checks)) }5.2 日志分析策略使用ELK栈实现日志集中管理Filebeat收集各节点日志Logstash解析交易相关字段Elasticsearch建立时间序列索引Kibana展示关键指标仪表盘关键日志字段order_idexecution_timeerror_codelatency_ms在实际部署中我们发现上午开盘时段数据库负载会增长3-5倍通过增加只读副本和查询缓存有效降低了主库压力。