mcp依赖 python 版本3.9
pip install uv
uvx mcp-feedback-enhanced@latest
项目 依赖库
pip install xtquant pandas requests baostock flask flask_cors mootdx adata pywencai
| 文件名 | 描述 |
|---|---|
config.py |
集中管理所有可配置参数 |
data_manager.py |
历史数据获取存储（xtdata接口） |
indicator_calculator.py |
多周期均线/MACD计算（pandas向量化计算） |
strategy.py |
交易策略逻辑实现 |
trading_executor.py |
交易指令执行器（xttrader接口） |
position_manager.py |
持仓管理与止盈止损计算 |
grid_trader.py |
网格交易模块 |
risk_mgr.py |
风控校验模块 |
| 文件/目录名 | 描述 |
|---|---|
.conda/ |
Conda 环境相关文件 |
.gitignore |
Git 忽略文件 |
.trae/ |
Trae IDE 相关配置 |
Methods.py |
通用方法或辅助函数 |
MiniQMT.md |
项目说明文档 |
MyTT.py |
技术指标库 |
README.md |
项目自述文件 |
WebBuyTest.py |
Web 购买测试脚本 |
__pycache__/ |
Python 字节码缓存 |
data/ |
数据存储目录 |
docs/ |
项目文档 |
easy_qmt_trader.py |
简易 QMT 交易器 |
logger.py |
日志模块 |
main.py |
主程序入口 |
stock_pool.json |
股票池配置 |
test/ |
测试文件目录 |
utils.py |
工具函数 |
utils/ |
更多工具函数和辅助脚本 |
web1.0/ |
Web 界面相关文件 |
web_api_test.log |
Web API 测试日志 |
web_server.py |
Web 服务器 |
xtquant/ |
迅投 QMT API 库 |
-
数据管理 (
data_manager.py)- 使用
xtdata.get_market_data获取股票历史数据。 - 采用 HDF5 存储高频数据，SQLite 存储元数据。
- 实现增量更新机制：
last_update_date字段记录最后更新时间。
- 使用
-
指标计算 (
indicator_calculator.py)calculate_emas(df, periods=[10,20,30,60]): 带异常值处理的多周期均线计算，使用 pandas 的滚动窗口计算。calculate_macd(df, fast=12, slow=26, signal=9): MACD 指标计算（兼容空值处理）。
-
策略引擎 (
strategy.py)class TradingStrategy: 实现 QMT 的事件驱动机制。on_tick(self, context): 包含分仓补仓逻辑和动态止盈逻辑。
-
交易执行 (
trading_executor.py)class TradeExecutor:smart_order(self, symbol, price, amount): 智能下单模块，根据买三/卖三价动态调整委托价格，校验当日剩余交易额度，自动拆分大单（单笔≤1000股）。
-
风控管理 (
risk_mgr.py)check_position_risk(position): 实时计算持仓盈亏，整体亏损 > 9.5% 时触发全平仓，个股持仓突破网格阈值触发交易。
- 必须实现
init和handlebar方法。 - 使用
ContextInfo对象传递策略上下文。 - 区分模拟交易和实盘交易模式。
- 使用
xtdata订阅实时行情数据。 - 采用异步订单查询接口。
- 在
config.py设置DEBUG模式：DEBUG = True # 启用详细日志输出 SIMULATION = True # 使用模拟交易模式
- 日志管理建议：
- 使用
RotatingFileHandler实现日志轮换。 - 保留最近 7 天日志，单个日志 ≤ 10MB。
- 使用
- miniQMT for Arthur 新的改变 我希望让AI帮我设计量化代码，包括系统架构与具体实现，以下是我的提词，请你给出修改建议，以让AI模型更精准地生成可用代码：
使用python写一个用迅投miniqmt进行量化交易的系统，功能包括：
- 股票历史数据的获取并存储；对历史数据进行计算；
- 计算的指标因子包括macd，换手率，10日均线，20日均线，30日均线，60日均线等；
- 通过各个指标因子的权重发出自动交易指令，同时提供手动交易操作接口；
- 存储当天交易成交的信息,必要时存储（用sqlite）持仓个股的价格信息，用于计算止盈止损；
交易策略遵循以下规则：
- 分仓买入：（如每次20000元）按建仓成本价百分比向下买入补仓，如93%，86%等，达到仓位上限（如60000元）后停止买入；
- 严格止损：整体持仓成本损失大于某个百分比（如-9.5%）后全仓止损；
- 动态止盈：浮盈比例越大，动态止盈位越高，允许股价回调空间越大；首次浮盈大于一定比例时卖出一定仓位(如50%）仓以保证胜率，余下仓位按动态止盈位置卖出，比如以建仓后股价上涨到的最高价为基准， a) 最高价相比持仓成本价，小于10%时，止盈位为最高价93% b) 最高价相比持仓成本价，小于15%时，止盈位为最高价90% c) 最高价相比持仓成本价，小于30%时，止盈位为最高价87% d) 最高价相比持仓成本价，大于30%时，止盈位为最高价85%
- 网格交易：自动对持仓个股进行网格交易，网格和交易仓位可配置（比如网格高度为5%，10%，15%等，交易仓位为持仓个股数量*20%）；
- 买入卖出时需要提前计算交易手数，避免资金不足或者仓位不足，以及交易所的规则（比如交易手数不能低于过100股，不能超过当日交易额度等）；为了保证交易成功，交易价格需要根据市场情况动态调整，比如根据市场卖三价和买三价，避免价格过低和过高；
设计原则遵循以下规则：
- 每个功能用一个py文件存储；
- 所有可配置参数集中管理，有调试开关和丰富的代码注释和调试信息；
- 如果有log文件，定期清理，不过多占用存储空间；
- xtquant的api参考https://dict.thinktrader.net；
请按照以下架构使用QMT Python API实现量化交易系统：
一、系统架构设计
1. 核心模块
|-- config.py # **集中管理所有可配置参数**
|-- data_mgr.py # 历史数据获取存储（xtdata接口）
|-- indicator_calc.py # 多周期均线/MACD计算（pandas向量化计算）
|-- strategy_engine.py # **交易策略逻辑实现**
|-- trade_executor.py # 交易指令执行器（xttrader接口）
|-- position_mgr.py # **持仓管理与止盈止损计算**
|-- grid_trader.py # 网格交易模块
|-- risk_mgr.py # 风控校验模块
具体项目目录结构,先查看根目录下的mulu.md
二、关键实现要点
1. 数据管理 (data_mgr.py)
- 使用xtdata.get_market_data获取股票历史数据
- 采用HDF5存储高频数据，SQLite存储元数据
- **实现增量更新机制**：last_update_date字段记录最后更新时间
2. 指标计算 (indicator_calc.py)
def calculate_emas(df, periods=[10,20,30,60]):
"""带异常值处理的多周期均线计算"""
# 使用pandas的滚动窗口计算
def calculate_macd(df, fast=12, slow=26, signal=9):
"""MACD指标计算（兼容空值处理）"""
3. 策略引擎 (strategy_engine.py)
class TradingStrategy:
def __init__(self, context):
# 初始化策略参数（从configs.py加载）
def on_tick(self, context):
"""**实现QMT的事件驱动机制**"""
# 分仓补仓逻辑（示例）：
if current_price < avg_cost * 0.93:
self._add_position(context)
# 动态止盈逻辑
if max_gain > 0.15:
self._dynamic_profit_control(context)
4. 交易执行 (trade_executor.py)
class TradeExecutor:
def smart_order(self, symbol, price, amount):
"""**智能下单模块**
- 根据买三/卖三价动态调整委托价格
- 校验当日剩余交易额度
- 自动拆分大单（单笔≤1000股）"""
5. 风控管理 (risk_mgr.py)
def check_position_risk(position):
"""实时计算持仓盈亏
- 整体亏损>9.5%时触发全平仓
- 个股持仓突破网格阈值触发交易"""
三、QMT API特别注意事项
1. 必须实现init和handlebar方法
2. 使用ContextInfo对象传递策略上下文
3. 区分模拟交易和实盘交易模式
4. 使用xtdata订阅实时行情数据
5. 采用异步订单查询接口
四、调试建议
1. 在config.py设置DEBUG模式：
DEBUG = True # 启用详细日志输出
SIMULATION = True # 使用模拟交易模式
2. 日志管理建议：
- 使用RotatingFileHandler实现日志轮换
- 保留最近7天日志，单个日志≤10MB