【QMT 量化实战】股市 “高开低走“ 是陷阱还是机会？（下）附完整 Python 代码

摘要本文为《股市 高开低走 是陷阱还是机会》系列下篇提供基于QMT 量化交易平台的完整 高开低走 策略 Python 实现代码。包含 Xtquant 初始化、全局参数配置、数据获取、趋势判断、周期计算及结果输出等全流程代码帮助量化投资者快速复现并应用该策略。关键词 QMT量化交易高开低走策略Python 量化Xtquant1. 前言书接上回在上篇文章中我们详细分析了股市 高开低走 现象背后的市场逻辑区分了哪些是真正的陷阱哪些是值得把握的机会。本文将提供基于 QMT 平台的完整策略实现代码帮助大家将理论转化为可执行的量化策略。以下代码仅供学习参考实盘交易前请务必进行充分的回测和风险评估。2. 完整策略代码实现2.1 导入相关库import pandas as pd import numpy as np from xtquant import xtconstant from xtquant.xttrader import XtQuantTrader, XtQuantTraderCallback from xtquant.xttype import StockAccount import datetime import time2.2 Xtquant 初始化# Xtquant初始化 class MyXtQuantTraderCallback(XtQuantTraderCallback): def on_disconnected(self): print(连接断开) def on_account_status(self, status): print(f账户状态: {status}) if __name__ __main__: # 创建交易对象 xt_trader XtQuantTrader(rD:\迅投极速交易终端 睿智融科版\userdata_mini, session_id123456) # 创建回调对象 callback MyXtQuantTraderCallback() # 注册回调 xt_trader.register_callback(callback) # 启动交易线程 xt_trader.start() # 连接客户端 connect_result xt_trader.connect() if connect_result ! 0: print(连接失败) exit() # 订阅账户 acc StockAccount(你的资金账号, STOCK) subscribe_result xt_trader.subscribe(acc) if subscribe_result ! 0: print(订阅账户失败) exit() print(连接成功开始运行策略)2.3 全局参数配置# 全局参数配置 START_DATE 20260101 # 回测开始日期 END_DATE 20260519 # 回测结束日期 STOCK_CODE 000001.SZ # 股票代码平安银行 HIGH_OPEN_RATIO 0.005 # 高开阈值0.5% LOW_CLOSE_RATIO 0.003 # 低收阈值0.3% CYCLE_DAYS 5 # 统计周期5个交易日2.4 核心功能函数# 获取指定股票的K线数据 def get_stock_data(xt_trader, stock_code, start_date, end_date): 获取股票K线数据 :param xt_trader: XtQuantTrader对象 :param stock_code: 股票代码 :param start_date: 开始日期 :param end_date: 结束日期 :return: 包含日期、开盘价、最高价、最低价、收盘价的DataFrame # 获取日线数据 klines xt_trader.get_history_klines( stock_code, periodxtconstant.PERIOD_DAY, start_timestart_date, end_timeend_date, count-1, dividend_typextconstant.DIVIDEND_TYPE_ADJUST ) if not klines: print(f获取{stock_code}数据失败) return None # 转换为DataFrame df pd.DataFrame(klines) df[date] pd.to_datetime(df[time], unitms).dt.strftime(%Y%m%d) df df[[date, open, high, low, close]] df df.sort_values(date).reset_index(dropTrue) return df # 数据清洗 def clean_data(df): 数据清洗删除缺失值、异常值 :param df: 原始数据 :return: 清洗后的数据 # 删除缺失值 df df.dropna() # 计算涨跌幅 df[pre_close] df[close].shift(1) df[pct_change] (df[close] - df[pre_close]) / df[pre_close] # 删除涨跌幅超过10%的异常值A股主板涨跌幅限制 df df[(df[pct_change] -0.1) (df[pct_change] 0.1)] return df.reset_index(dropTrue) # 识别高开低走形态 def classify_trend(df): 识别高开低走形态 :param df: 清洗后的数据 :return: 包含趋势标签的DataFrame # 计算高开幅度 df[high_open] (df[open] - df[pre_close]) / df[pre_close] # 计算低收幅度 df[low_close] (df[close] - df[open]) / df[open] # 标记高开低走 df[is_high_open_low_close] np.where( (df[high_open] HIGH_OPEN_RATIO) (df[low_close] -LOW_CLOSE_RATIO), 1, 0 ) return df # 计算未来周期收益率 def calc_future_return(df, cycle_days): 计算未来N个交易日的收益率 :param df: 包含趋势标签的数据 :param cycle_days: 统计周期 :return: 包含未来收益率的DataFrame # 计算未来N日收盘价 df[future_close] df[close].shift(-cycle_days) # 计算未来N日收益率 df[future_return] (df[future_close] - df[close]) / df[close] # 删除最后N行无未来数据 df df.dropna() return df # 统计分析结果 def statistic_result(df): 统计高开低走后的收益率分布 :param df: 包含未来收益率的数据 :return: 统计结果 # 筛选出高开低走的交易日 high_open_low_close_days df[df[is_high_open_low_close] 1] # 统计基本信息 total_days len(df) high_open_low_close_count len(high_open_low_close_days) high_open_low_close_ratio high_open_low_close_count / total_days * 100 # 统计收益率 avg_return high_open_low_close_days[future_return].mean() * 100 win_rate len(high_open_low_close_days[high_open_low_close_days[future_return] 0]) / high_open_low_close_count * 100 max_return high_open_low_close_days[future_return].max() * 100 min_return high_open_low_close_days[future_return].min() * 100 # 输出结果 print(*50) print(f统计区间: {START_DATE} 至 {END_DATE}) print(f股票代码: {STOCK_CODE}) print(f总交易日数: {total_days}) print(f高开低走天数: {high_open_low_close_count}) print(f高开低走占比: {high_open_low_close_ratio:.2f}%) print(-*50) print(f未来{CYCLE_DAYS}个交易日平均收益率: {avg_return:.2f}%) print(f未来{CYCLE_DAYS}个交易日胜率: {win_rate:.2f}%) print(f未来{CYCLE_DAYS}个交易日最大收益率: {max_return:.2f}%) print(f未来{CYCLE_DAYS}个交易日最小收益率: {min_return:.2f}%) print(*50) return { total_days: total_days, high_open_low_close_count: high_open_low_close_count, high_open_low_close_ratio: high_open_low_close_ratio, avg_return: avg_return, win_rate: win_rate, max_return: max_return, min_return: min_return }2.5 主函数# 主函数 if __name__ __main__: # 初始化XtQuantTrader前面已完成 # 获取数据 raw_df get_stock_data(xt_trader, STOCK_CODE, START_DATE, END_DATE) if raw_df is None: exit() # 数据清洗 clean_df clean_data(raw_df) # 趋势分类 trend_df classify_trend(clean_df) # 计算未来收益率 final_df calc_future_return(trend_df, CYCLE_DAYS) # 统计结果 result statistic_result(final_df) print(策略测试完成) # 停止交易线程 xt_trader.stop()3. 策略使用说明环境配置确保已安装国金证券 QMT 客户端及 Xtquant 库参数调整根据不同股票的特性调整高开阈值、低收阈值和统计周期回测验证先在历史数据上进行充分回测验证策略有效性小资金实盘回测通过后先用小资金进行实盘测试风险控制严格设置止损止盈控制单只股票仓位不超过总资金的 20%4. QMT 开通指南想要运行上述策略需要先开通国金证券 QMT 量化交易系统权限开通条件普通版资金10W要求适合入门级量化投资者专业版资产≥10 万支持全自动交易、极速通道和 API 接口量化QMT之用什么方式能快速计算指标数据5. 免责声明本文仅为量化交易技术分享不构成任何投资建议。投资有风险入市需谨慎。量化交易存在较高风险投资者应根据自身风险承受能力谨慎参与。实盘交易产生的任何盈亏均由投资者自行承担。