今日惠州网_网络服务网络营销_网站制作费用多少_关键词竞价排名

我是Mr.看海，我在尝试用信号处理的知识积累和思考方式做量化交易，应用深度学习和AI实现股票自动交易，目的是实现财务自由~
目前我正在开发基于miniQMT的量化交易系统——看海量化交易系统。

经常使用MiniQMT的朋友都知道，xtquant的行情模块为我们提供了多种数据获取方式，比较常用的就是：

单股订阅 subscribe_quote
订阅全推行情 subscribe_whole_quote
获取全推数据 get_full_tick

在选择具体方法之前，有几个问题不得不弄清楚：

tick数据分别是多久更新一次？（是不是都是3秒？）
使用不同的模式，数据延迟分别是多少？
K线数据获取有何需要注意之处？
这三种方式，在订阅和数据返回方面有和异同？
对于运行tick触发、K线触发、自定义时间触发策略，分别用哪种方法最好？（关于这几种触发方式的设计，在之前的文章里有讲过）

实践是检验真理的唯一标准，对此我做了以下几组实验：

一、验证tick数据更新频率

1.1 单股订阅 subscribe_quote

通过下边代码，我订阅了10只沪深股票，并实时打印。

# 测试单股订阅subscribe_quote
from xtquant import xtdata
import time
import datetime# 1.定义回调函数
def on_data(datas):"""数据更新回调函数"""# 获取当前时间（精确到毫秒）current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S.%f")[:-3]print(f"\n当前时间: {current_time}")# datas格式为 { stock_code : [data1, data2, ...] }code_list = list(datas.keys())# 遍历所有股票代码及其数据for stock_code in datas:print(f"\n股票: {stock_code}")for data in datas[stock_code]:if 'time' in data:# 将数值时间转换为可读时间（假设time是整数时间戳，单位是秒）time_value = data['time']readable_time = ""# 根据time的格式进行转换if isinstance(time_value, int):if time_value > 10000000000:  # 毫秒级时间戳readable_time = datetime.datetime.fromtimestamp(time_value/1000).strftime('%Y-%m-%d %H:%M:%S')else:  # 秒级时间戳readable_time = datetime.datetime.fromtimestamp(time_value).strftime('%Y-%m-%d %H:%M:%S')elif isinstance(time_value, str):# 如果是字符串格式，则直接打印readable_time = time_valueprint(f"时间戳: {time_value}, 可读时间: {readable_time}")# 打印完整数据print(data)'''# 在回调中获取完整K线数据klines = xtdata.get_market_data_ex(field_list=["time", "open", "high", "low", "close", "volume"],stock_list=code_list,start_time="20241213",period="1m")print("\n完整K线数据:")print(klines)'''
# 2.订阅10只股票数据
stock_codes = ["000001.SZ",  # 平安银行"000002.SZ",  # 万科A"000063.SZ",  # 中兴通讯"000333.SZ",  # 美的集团"000651.SZ",  # 格力电器"000858.SZ",  # 五粮液"600036.SH",  # 招商银行"600519.SH",  # 贵州茅台"601318.SH",  # 中国平安"601988.SH"   # 中国银行
]# 循环订阅每只股票
for stock_code in stock_codes:xtdata.subscribe_quote(stock_code=stock_code,period="tick",            # 日K线count=1,                # 获取当天所有数据callback=on_data        # 设置回调函数)print(f"已订阅: {stock_code}")# 3.保持程序运行
print("开始接收实时数据...")
try:xtdata.run()
except KeyboardInterrupt:print("程序结束")

分析其打印数据，能得到几点结论：

（1）时间戳可能会“早于”系统时间。

例如下边这段数据，在系统时间为11:14:38.898时，就获取到了时间戳为11:14:39的数据。这可能是由于系统时间不准，也可能是服务器发来的数据标记的时间就是超前的。

不过只要和回测所用数据标准一致就行。

当前时间: 2025-03-21 11:14:38.898股票: 000858.SZ
时间戳: 1742526879000, 可读时间: 2025-03-21 11:14:39
{'time': 1742526879000, 'lastPrice': 135.31, 'open': 135.7, 'high': 137.5, 'low': 135.14000000000001, 'lastClose': 135.99, 'amount': 1318754346.0, 'volume': 96871, 'pvolume': 0, 'stockStatus': 3, 'openInt': 13, 'transactionNum': 37317, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [135.3, 135.33, 135.34, 135.36, 135.37], 'bidPrice': [135.27, 135.26, 135.23, 135.22, 135.21], 'askVol': [9, 6, 5, 2, 5], 'bidVol': [6, 7, 8, 307, 61], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}

（2）收到的数据每次是一帧，对于同一只股票，获取到数据的时间（秒）可能不是3的倍数。

尽管很多数据的时间戳，秒级都是0、3、6，但是也会有一些是2，5，8等等。

当前时间: 2025-03-21 11:22:02.445股票: 601318.SH
时间戳: 1742527322000, 可读时间: 2025-03-21 11:22:02
{'time': 1742527322000, 'lastPrice': 52.08, 'open': 52.4, 'high': 52.660000000000004, 'low': 52.02, 'lastClose': 52.49, 'amount': 2057214912.0, 'volume': 392893, 'pvolume': 0, 'stockStatus': 3, 'openInt': 13, 'transactionNum': 63022, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [52.08, 52.09, 52.1, 52.11, 52.120000000000005], 'bidPrice': [52.07, 52.06, 52.050000000000004, 52.04, 52.03], 'askVol': [24, 173, 111, 61, 153], 'bidVol': [44, 176, 336, 218, 784], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}

（3）订阅量提升后，可能会阻塞程序。

当订阅数量达到300后，程序处理可能会阻塞，其后果需要验证【1】。

1.2 订阅全推行情 subscribe_whole_quote

通过下边的代码，我订阅了全部沪市股票，并实时打印。

# 测试全推数据
from xtquant import xtdata
import time
import datetimedef on_market_data(data):"""全市场数据回调"""# 显示当前时间current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S.%f")[:-3]print(f"\n当前时间: {current_time}")# 只打印股票数量和股票的数据stock_count = len(data)print(f"收到{stock_count}只股票的数据")if data:  # 如果有数据# 获取最多10只股票的数据stock_list = list(data.keys())[:]print(f"显示前{len(stock_list)}只股票的数据:")for i, stock_code in enumerate(stock_list, 1):stock_data = data[stock_code]# 转换时间戳为可读时间timestamp_ms = stock_data['time']readable_time = datetime.datetime.fromtimestamp(timestamp_ms/1000).strftime("%Y-%m-%d %H:%M:%S.%f")[:-3]print(f"\n{i}. 股票 {stock_code} 的数据时间: {readable_time}")print(f"数据详情:")print(stock_data)
# 订阅沪深两市的tick数据
seq = xtdata.subscribe_whole_quote(code_list=['SH'],  # 上海市场callback=on_market_data
)
# 运行程序
print("开始接收数据...")
try:xtdata.run()
except KeyboardInterrupt:xtdata.unsubscribe_quote(seq)print("程序结束")

得到的回调数据不是沪市股票数据同时发来，而是“一堆一堆”地，通常“一堆”数据中有几十只股票。

当前时间: 2025-03-20 13:52:28.895
收到56只股票的数据

对于其中的单只股票，又呈现以下几种现象：

（1）结论1：tick以不严格等于3s的时间间隔获取

股票 600132.SH 的数据时间: 2025-03-20 13:52:04.000
数据详情:
{'time': 1742449924000, 'lastPrice': 58.42, 'open': 60.0, 'high': 60.0, 'low': 58.410000000000004, 'lastClose': 59.7, 'amount': 215877600.0, 'volume': 36620, 'pvolume': 3661980, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [58.45, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [58.42, 0.0, 0.0, 0.0, 0.0], 'askVol': [49, 0, 0, 0, 0], 'bidVol': [58, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}
股票 600132.SH 的数据时间: 2025-03-20 13:52:07.000
数据详情:
{'time': 1742449927000, 'lastPrice': 58.45, 'open': 60.0, 'high': 60.0, 'low': 58.410000000000004, 'lastClose': 59.7, 'amount': 215895100.0, 'volume': 36623, 'pvolume': 3662280, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [58.45, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [58.43, 0.0, 0.0, 0.0, 0.0], 'askVol': [47, 0, 0, 0, 0], 'bidVol': [3, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}
股票 600132.SH 的数据时间: 2025-03-20 13:52:10.000
数据详情:
{'time': 1742449930000, 'lastPrice': 58.42, 'open': 60.0, 'high': 60.0, 'low': 58.410000000000004, 'lastClose': 59.7, 'amount': 216082100.0, 'volume': 36655, 'pvolume': 3665480, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [58.44, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [58.43, 0.0, 0.0, 0.0, 0.0], 'askVol': [3, 0, 0, 0, 0], 'bidVol': [1, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}
22. 股票 600132.SH 的数据时间: 2025-03-20 13:52:14.000
数据详情:
{'time': 1742449934000, 'lastPrice': 58.42, 'open': 60.0, 'high': 60.0, 'low': 58.410000000000004, 'lastClose': 59.7, 'amount': 216123000.0, 'volume': 36662, 'pvolume': 3666180, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [58.44, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [58.42, 0.0, 0.0, 0.0, 0.0], 'askVol': [2, 0, 0, 0, 0], 'bidVol': [25, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}
13. 股票 600132.SH 的数据时间: 2025-03-20 13:52:16.000
数据详情:
{'time': 1742449936000, 'lastPrice': 58.44, 'open': 60.0, 'high': 60.0, 'low': 58.410000000000004, 'lastClose': 59.7, 'amount': 216187200.0, 'volume': 36673, 'pvolume': 3667280, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [58.44, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [58.42, 0.0, 0.0, 0.0, 0.0], 'askVol': [9, 0, 0, 0, 0], 'bidVol': [15, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}

比如上边这个例子，时间戳的秒级分别为4、7、10、14、16，时间间隔出现了2、3、4秒这几种情况。经验证，后期下载下来的数据的时间戳与此一致。

（2）结论2：可能会出现“漏拍”

12. 股票 600177.SH 的数据时间: 2025-03-20 13:52:14.000
数据详情:
{'time': 1742449934000, 'lastPrice': 8.07, 'open': 8.120000000000001, 'high': 8.13, 'low': 8.07, 'lastClose': 8.11, 'amount': 145295300.0, 'volume': 179710, 'pvolume': 17970989, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [8.08, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [8.07, 0.0, 0.0, 0.0, 0.0], 'askVol': [1816, 0, 0, 0, 0], 'bidVol': [9792, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}
14. 股票 600177.SH 的数据时间: 2025-03-20 13:52:17.000
数据详情:
{'time': 1742449937000, 'lastPrice': 8.08, 'open': 8.120000000000001, 'high': 8.13, 'low': 8.07, 'lastClose': 8.11, 'amount': 145303400.0, 'volume': 179720, 'pvolume': 17971989, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [8.08, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [8.07, 0.0, 0.0, 0.0, 0.0], 'askVol': [1829, 0, 0, 0, 0], 'bidVol': [9809, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}
16. 股票 600177.SH 的数据时间: 2025-03-20 13:52:23.000
数据详情:
{'time': 1742449943000, 'lastPrice': 8.07, 'open': 8.120000000000001, 'high': 8.13, 'low': 8.07, 'lastClose': 8.11, 'amount': 145304200.0, 'volume': 179721, 'pvolume': 17972089, 'stockStatus': 0, 'openInt': 13, 'transactionNum': 0, 'lastSettlementPrice': 0.0, 'settlementPrice': 0.0, 'pe': 0.0, 'askPrice': [8.08, 0.0, 0.0, 0.0, 0.0], 'bidPrice': [8.07, 0.0, 0.0, 0.0, 0.0], 'askVol': [1829, 0, 0, 0, 0], 'bidVol': [9808, 0, 0, 0, 0], 'volRatio': 0.0, 'speed1Min': 0.0, 'speed5Min': 0.0}

上边的例子可以看出，13:52:17到13:52:23之间，漏掉了“一拍”。这可能是由于这“一拍”没有成交量引起的。

为了验证是否是此原因，我下载了当前的tick数据，这几秒的数据为：

2025-03-20,13:52:14,8.07,8.12,8.13,8.07,8.11,145295288.0,179710,0,0,13,0.0,"[8.08, 8.09, 8.1, 8.11, 8.12]","[8.07, 8.06, 8.05, 8.04, 8.03]","[1816, 3285, 2861, 3111, 3116]","[9792, 12223, 9316, 3182, 5398]"
2025-03-20,13:52:17,8.08,8.12,8.13,8.07,8.11,145303368.0,179720,0,0,13,0.0,"[8.08, 8.09, 8.1, 8.11, 8.12]","[8.07, 8.06, 8.05, 8.04, 8.03]","[1829, 3264, 2861, 3111, 3116]","[9809, 12223, 9316, 3182, 5398]"
2025-03-20,13:52:20,8.08,8.12,8.13,8.07,8.11,145303368.0,179720,0,0,13,0.0,"[8.08, 8.09, 8.1, 8.11, 8.12]","[8.07, 8.06, 8.05, 8.04, 8.03]","[1829, 3264, 2861, 3111, 3116]","[9809, 12223, 9286, 3182, 5398]"
2025-03-20,13:52:23,8.07,8.12,8.13,8.07,8.11,145304175.0,179721,0,0,13,0.0,"[8.08, 8.09, 8.1, 8.11, 8.12]","[8.07, 8.06, 8.05, 8.04, 8.03]","[1829, 3264, 2861, 3111, 3116]","[9808, 12223, 9285, 3182, 5398]"

可见13:52:20的数据和上一个tick的数据完全相同，全推作为增量补充的手段，就会不再推送这一帧数据。

1.3 获取全推数据 get_full_tick

全推数据的测试程序是这样的：

# fulltick行情获取，测试数据更新频率和所谓增量补充数据的概念
from xtquant import xtdata
import time
import datetime# 循环获取沪深两市的最新行情快照
try:while True:# 记录当前时间start_time = time.time()current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S.%f")[:-3]# 获取沪深两市的最新行情快照snapshot = xtdata.get_full_tick(["SH"])# 记录获取快照后的时间snapshot_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S.%f")[:-3]# 计算耗时end_time = time.time()elapsed_time = (end_time - start_time) * 1000  # 转换为毫秒# 打印时间和耗时print(f"\n当前时间: {current_time}")print(f"获取快照后时间: {snapshot_time}")print(f"执行get_full_tick耗时: {elapsed_time:.2f}毫秒")# 打印股票数据print(f"当前市场共{len(snapshot)}只股票")if snapshot:# 展示前3只股票的数据stock_list = list(snapshot.keys())[:3]for i, stock_code in enumerate(stock_list, 1):print(f"\n{i}. 股票{stock_code}的tick数据:")print(snapshot[stock_code])# 等待0.05秒再次执行#time.sleep(0.05)
except KeyboardInterrupt:print("\n程序已终止")

同样订阅了沪市的全部股票，经验证同样基本是3秒刷新一次。不过这个函数得到的全截面横扫，不会有“跳帧”的情况。

如果在一个tick的3秒钟内不断地获取全推数据，其中会有很多帧数据都是重复的。

二、验证tick数据延迟

这个延迟包含两个层面，一是获取某一秒时间戳的tick数据时，此时的时间延迟多少；二是时间戳标注的数据相对于真实的数据延迟是多少。

对于第二个问题，属于迅投数据本身的质量问题，暂时无法验证。

对于第一个问题，则可以进行对比。同样使用上述的程序，能得到下边的结果：

2.1 单股订阅 subscribe_quote

单股订阅的延迟来自于订阅数量较大时，数据会逐一触发回调。就当前测试程序订阅的10只股票来看，时间戳的时间和系统时间相差均在正负零点几毫秒的误差范围内。

2.2 订阅全推行情 subscribe_whole_quote

大体来说延迟不算太大，时间戳的时间和系统时间相差均在正负零点几毫秒的误差范围内。

2.3 获取全推数据 get_full_tick

对于全部7879只股票，获取到的耗时大概为250毫秒。

三、K线数据获取有何需要注意之处？

3.1 单股订阅 subscribe_quote

经过测试，获取K线数据时（比如1m数据），也是每3秒进入一次回调。

不过经过实测，有两点需要注意：

（1）K线数据内的数据，指的是该周期计算起始点到当前时间点的统计值。

举个例子，下边这两帧信号是一分钟中的最后两帧和下一秒信号的第一帧，例如其中的volume和amount是随着时间的推移增加的，当达到一分钟的最后一帧时，即为该分钟最终的K线数据。下一秒volume和amount重新开始计数，对于其他的参数也是如此。

不过帧数据的时间戳都是精确到分，而不是秒，这点需要注意。

当前时间: 2025-03-20 14:54:55.741股票: 600036.SH
时间戳: 1742453700000, 可读时间: 2025-03-20 14:55:00
{'time': 1742453700000, 'open': 45.22, 'high': 45.24, 'low': 45.19, 'close': 45.21, 'volume': 2571, 'amount': 11626401.0, 'settlementPrice': 0.0, 'openInterest': 13, 'dr': 1.0, 'totaldr': 5.2226309371267226, 'preClose': 6.9523421295223e-310, 'suspendFlag': 0}当前时间: 2025-03-20 14:54:58.708股票: 600036.SH
时间戳: 1742453700000, 可读时间: 2025-03-20 14:55:00
{'time': 1742453700000, 'open': 45.22, 'high': 45.24, 'low': 45.19, 'close': 45.230000000000004, 'volume': 2860, 'amount': 12933130.0, 'settlementPrice': 0.0, 'openInterest': 13, 'dr': 1.0, 'totaldr': 5.2226309371267226, 'preClose': 6.9523421295223e-310, 'suspendFlag': 0}股票: 600036.SH
时间戳: 1742453760000, 可读时间: 2025-03-20 14:56:00
{'time': 1742453760000, 'open': 45.230000000000004, 'high': 45.230000000000004, 'low': 45.230000000000004, 'close': 45.230000000000004, 'volume': 157, 'amount': 710015.0, 'settlementPrice': 0.0, 'openInterest': 13, 'dr': 1.0, 'totaldr': 5.2226309371267226, 'preClose': 6.9523421295223e-310, 'suspendFlag': 0}

（2）K线最后一帧数据代表了该周期下K线数据的最终值

标题即是结论，我在盘后下载的数据中对比了。

需要注意的是，一分钟的最后一帧大致在57秒后到达，接收完10组数据大概用了1.8秒。这其中可能打印占用了一定时间，不过在订阅数达到了普通端口权限上线（300只）时，数据接收本身耗时有多长，是需要继续探究的问题【1】，因为过长的接受周期，可能会导致程序阻塞。

3.2 订阅全推行情 subscribe_whole_quote、获取全推数据 get_full_tick

这两个方法均只能获取tick数据。

四、这三种方式，在订阅和数据返回方面有和异同？

4.1 单股订阅 subscribe_quote

所谓单股订阅，自然每次只能订阅一只股票了，为了实现多只股票的订阅，需要使用循环来达到目的。

由于每只股票数据都要单独触发一次回调函数，该过程变得有些低效。对于少量股票订阅该效率尚可，股票数量多了后，可能会带来不能接受的低效。（此处需验证【1】）

4.2 订阅全推行情 subscribe_whole_quote

批量订阅，“成堆”返回数据，数据获取既高效又及时，在大批量数据订阅时的不二选择。

4.3 获取全推数据 get_full_tick

其实数据获取的延迟尚可接受，但是相对于订阅全推行情，总还是难免有滞后。可以在实时性要求不高的场景下作为补充手段，可精确控制查询频率，避免推送机制可能带来的数据洪峰。

五、对于运行tick触发、K线触发、自定义时间触发策略，分别用哪种方法最好？

5.1 tick触发

最佳方法：订阅全推行情 subscribe_whole_quote

次选方法：单股订阅subscribe_quote

也就是两种方式可兼具，根据订阅的股票数量和策略场景自由选择。其实所谓“订阅全推行情”，并不是一定要把沪深的股票全部订阅，是可以指定要订阅的股票代码的。

5.2 K线触发

最佳方法：单股订阅subscribe_quote

理由很简单，另外两种方式无法获取K线数据。

不过需要注意的一点是，单股订阅K线数据，需要能够筛选出K线周期最后一帧的数据，这个在算法上需要有所设计。

其实使用全推的方式也可以模拟计算出K线的效果，但是这样做效率既不高，实现又相对复杂，所以就不考虑了。

5.3 自定义时间触发

最佳方法：单股订阅subscribe_quote+get_market_data_ex、获取全推数据 get_full_tick

次选方法：订阅全推行情 subscribe_whole_quote

自定义时间触发和上述两种触发方式有着本质上的区别：tick或者K线触发都是以数据进行驱动的，即数据到位后触发回调；而自定义时间触发时以时间为驱动的，即到某一时刻点之后自动进入回调程序。

所以对于自定义时间触发的方式，需要在回调程序（或者说策略的主程序）中获取数据。此时如果需要获取的是市场横截面的tick数据，直接使用get_full_tick即可；如果要获取的是K线数据（tick数据也可以），可以通过单股订阅（在初始化程序时订阅），然后通过get_market_data_ex读取数据的方式实现。

至于能够使用subscribe_whole_quote订阅全市场行情，然后使用get_market_data_ex读取数据，这个有待验证是否可行【2】。

注：【1】【2】后续会写一篇文章单独测试单股订阅数达到上限时，获取数据的效率表现；以及测试订阅全市场行情，能否使用get_market_data_ex读取数据。

六、其他

还需要讨论的一个问题是，使用上述订阅/数据获取方式，是否能在回测时回测最大程度还原实盘，其中tick触发是相对简单的，只要数据不阻塞，每一个tick能被正确处理就行；K线数据则需要设计一个比较合理的最后一帧的确认逻辑；自定义时间触发存在一个较为难处理的问题，即 get_full_tick这个函数在回测系统中不易模拟，这需要提前下载全盘的tick数据，再封装一个函数调用当前时间戳下的最新tick数据，一来需要调动处理的数据量巨大，另外能够与真实情况下的全推数据完全保持一致，是较难验证和实现的。

七、下一步考虑

后边还有几件事要做，做完后回测系统就可以跟大家见面了：

策略框架标准化定义
策略通用工具箱完善
策略的项目化管理设置
日志管理
回测结果可视化与评估参数优化
与成熟的回测软件（比如QMT）进行相同策略的对比，以验证软件的有效性

因此，目前的回测系统还不满足放出来给大家使用的状态，待测试稳定后，快捷的安装包版本以及全部开源代码都会放出来给读者朋友们使用。

近期我尽量加快软件和文章更新的频率，尽早让朋友们使用上这个软件。

end、开通miniQMT

上述讲到的系统是基于miniQMT，很多券商都可以开通miniQMT，不过门槛各有不同，很多朋友找不到合适的券商和开通渠道。这里我可以联系券商渠道帮忙开通，股票交易费率是万1，开通成功的朋友都可以免费使用上边开发的“看海量化交易系统”。这个系统还在持续开发的过程中，数据下载的功能已经可以使用，回测部分正在加紧开发，大家可以先开通MiniQMT的权限，这样回测部分的功能放出后就能第一时间用上了~

对于想要开通miniQMT、使用上边开发的“看海量化交易系统”的朋友们，请大家关注一下我的公众号“看海的城堡”，在公众号页面下方点击相应标签即可获取。

【深度学习量化交易1】一个金融小白尝试量化交易的设想、畅享和遐想

【深度学习量化交易2】财务自由第一步，三个多月的尝试，找到了最合适我的量化交易路径

【深度学习量化交易3】为了轻松免费地下载股票历史数据，我开发完成了可视化的数据下载模块

【深度学习量化交易4】量化交易历史数据清洗——为后续分析扫清障碍

【深度学习量化交易5】量化交易历史数据可视化模块

【深度学习量化交易6】优化改造基于miniQMT的量化交易软件，已开放下载~（已完成数据下载、数据清洗、可视化模块）

【深度学习量化交易7】miniQMT快速上手教程案例集——使用xtQuant进行历史数据下载篇

【深度学习量化交易8】miniQMT快速上手教程案例集——使用xtQuant进行获取实时行情数据篇

【深度学习量化交易9】miniQMT快速上手教程案例集——使用xtQuant获取基本面数据篇

【深度学习量化交易10】miniQMT快速上手教程案例集——使用xtQuant获取板块及成分股数据篇

【深度学习量化交易11】miniQMT快速上手教程——使用XtQuant进行实盘交易篇（一万七千字超详细版本）

【深度学习量化交易12】基于miniQMT的量化交易框架总体构建思路——回测、模拟、实盘通吃的系统架构

【深度学习量化交易13】继续优化改造基于miniQMT的量化交易软件，增加补充数据功能，优化免费下载数据模块体验！

【深度学习量化交易14】正式开源！看海量化交易系统——基于miniQMT的量化交易软件

【深度学习量化交易15】基于miniQMT的量化交易回测系统已基本构建完成！AI炒股的框架初步实现

【深度学习量化交易16】韭菜进阶指南：A股交易成本全解析

【深度学习量化交易17】触发机制设置——基于miniQMT的量化交易回测系统开发实记

【深度学习量化交易18】盘前盘后回调机制设计与实现——基于miniQMT的量化交易回测系统开发实记