国内量化代码平台开发

我们新增同花顺旗下核心量化平台（**同花顺Supermind**，国内主流A股量化平台，支持Python+零代码），结合之前的QMT、Ptrade、聚宽、通达信公式，从「代码核心区别」「改写难度排序」「跨平台改写标准流程」三方面做总结，帮你清晰理清逻辑：

改写难度核心取决于「语言一致性」「函数相似度」「框架复杂度」，难度越低，改写时替换工作量越小：

排序：聚宽 ↔ 同花顺Supermind ↔ Ptrade

• 原因：三者均基于Python，核心逻辑（取数据→算指标→判断信号→下单）完全一致，仅需替换「数据接口、下单函数、框架函数名」，无需重构逻辑。
• 举例：聚宽的get_price('600519.XSHG') → 同花顺Supermind的get_bars('600519', asset='STOCK') → Ptrade的ptrade.get_kline('600519.SH', period='1d')。

排序：任意Python平台（聚宽/Supermind/Ptrade）→ QMT

• 原因：QMT虽也是Python，但需额外处理「客户端连接、字段名适配、风控参数」：
  • 必须先写连接代码（xt_trader = XtQuantTrader(...)）；
  • 字段名差异（如聚宽close → QMTclose_price）；
  • 下单需指定交易所类型（如exchange_type='SH'）。
• 适合：有Python基础，能理解“客户端-服务器”连接逻辑的用户。

排序：通达信公式 → 其他平台（反之同理）

• 原因：
  • 语言本质不同：通达信是“简化指标语言”，无代码结构；其他平台是Python（有完整逻辑、循环、多标的处理）；
  • 功能限制：通达信不支持复杂逻辑（如多因子组合、动态仓位管理），若策略超过“单指标信号”（如均线金叉），需重新用Python编写完整逻辑；
  • 反向改写（Python→通达信）：复杂策略（如机器学习选股）无法在通达信实现，只能简化为单指标公式。
• 适合：仅简单策略（如均线、MACD），且愿意手动简化逻辑的用户。

无论从哪个平台改写，核心都是「保留策略逻辑，适配目标平台规则」，以下是通用流程，以“均线金叉买入”策略（通达信→同花顺Supermind）为例：

先把策略逻辑抽象成“无平台依赖的伪代码”，避免被原平台语法束缚：

1
2
3
4
5

1. 标的：贵州茅台（600519）
2. 数据：获取近10日日线收盘价
3. 指标：计算5日均线（MA5）、10日均线（MA10）
4. 信号：MA5上穿MA10→买入（用80%现金）；MA5下穿MA10→卖出（清仓）
5. 执行：无持仓时买，有持仓时卖

不同平台的Python框架有差异，先搭好“空架子”：

• 同花顺Supermind的框架要求：必须包含init()（初始化）和handle_bar()（盘中运行）：

1
2
3
4
5
6
7
8
9
10
11
12
13

# 同花顺Supermind框架（目标平台）
from xtquant import xtdata
from supermind import *
 
def init(context):
    # 初始化：指定标的、参数
    context.stock = '600519'  # 标的（Supermind无需加市场后缀）
    context.ma5_window = 5    # MA5周期
    context.ma10_window = 10  # MA10周期
 
def handle_bar(context, bar_dict):
    # 盘中实时执行逻辑（后续步骤写这里）
    pass

把原平台的“取数据函数”换成目标平台的对应函数，注意字段名、参数格式：

• 原通达信：无需手动取数据，直接用CLOSE；
• 目标同花顺Supermind：用get_bars()取数据，指定字段close：

1
2
3
4
5
6
7
8
9

def handle_bar(context, bar_dict):
    # 步骤3：取数据（替换通达信的“自动关联数据”）
    df = get_bars(
        security=context.stock,
        count=context.ma10_window,  # 取10条数据（够算MA10）
        frequency='1d',             # 日线
        fields=['close'],           # 仅要收盘价
        include_now=False
    )

不同平台返回的数据格式可能不同，需确保指标计算逻辑一致：

• 同花顺Supermind返回Pandas DataFrame，用rolling().mean()计算均线：

1
2
3
4
5
6
7
8
9

def handle_bar(context, bar_dict):
    # 步骤3：取数据（略，同上）
    # 步骤4：计算MA5/MA10（和通达信`MA(C,5)`逻辑一致）
    df['ma5'] = df['close'].rolling(window=context.ma5_window).mean()
    df['ma10'] = df['close'].rolling(window=context.ma10_window).mean()
    
    # 取最新一期数据（避免NaN）
    latest_ma5 = df['ma5'].iloc[-1]
    latest_ma10 = df['ma10'].iloc[-1]

把原平台的“交易信号”换成目标平台的下单函数，注意持仓查询、下单参数：

• 原通达信：仅输出信号（BUY_SIGNAL），无自动交易；
• 目标同花顺Supermind：用order_value()（按金额下单）、get_position()（查持仓）：

1
2
3
4
5
6
7
8
9
10
11
12
13

def handle_bar(context, bar_dict):
    # 步骤3-4：取数据、算指标（略）
    # 步骤5：下单逻辑（替换通达信的“信号输出”）
    position = get_position(context.stock)  # 查当前持仓
    cash = context.portfolio.cash           # 查可用现金
    
    # 金叉买入：无持仓时用80%现金买
    if latest_ma5 > latest_ma10 and position.volume == 0:
        order_value(context.stock, cash * 0.8, order_type=OrderType.MARKET)
    
    # 死叉卖出：有持仓时清仓
    elif latest_ma5 < latest_ma10 and position.volume > 0:
        order_target(context.stock, 0)  # 清仓

1. 先跑回测：检查目标平台的回测结果（收益率、买卖点）是否和原平台一致；
2. 修bug：常见问题是“数据字段名错误”（如close写成close_price）、“框架函数遗漏”（如忘了init()）；
3. 模拟交易：确认无问题后，再开通实盘。
4. 代码区别本质：都是“平台专属规则”（语法、函数、框架）导致，但「核心策略逻辑可100%复用」，改写不是“重新写策略”，而是“翻译代码”；
5. 改写优先级：优先在Python生态内切换（聚宽→Supermind→Ptrade→QMT），避免跨语言（通达信→Python），能省80%工作量；
6. 非编程用户建议：不要频繁切换平台，优先选Ptrade（零代码模板）或同花顺Supermind（问财自然语言），无需改写代码；
7. 工具推荐：改写时对照目标平台的「API文档」（如聚宽帮助中心、同花顺Supermind文档），直接复制函数示例，比盲目修改高效。