大家好，我是猫哥。今天跟大家聊聊QMT量化交易中一个非常重要的话题：回测和实盘的差异。
前几天有一篇关于ETF动量轮动的策略，回测效果比较好，以这篇文章为例，进行演示（不构成投资建议）：
相信很多朋友都有这样的经历：回测的时候策略表现亮眼，收益率杠杠的，但一上实盘就各种翻车。所以说，回测和实盘之间，是有巨大差异的，今天猫哥就把这些经验分享给大家，希望能帮大家避开一些常见的坑。
一、数据获取：回测用历史，实盘靠实时
这是最核心的差异，也是很多人容易忽视的地方。回测的时候，是用历史数据，QMT是将数据下载到本地，然后回测的时候去调用；而实盘是需要接收服务器的实时数据，两者的函数接口是不同的。
回测模式：
# 回测使用本地历史数据，速度快，数据完整
price_dict = ContextInfo.get_market_data_ex(
fields=['close'],
stock_code=CODE_LIST,
period='1d',
end_time=previous_date,
count=BIAS_N + MOMENTUM_DAY,
dividend_type='back',
fill_data=True,
subscribe=False # 重点：不订阅实时数据
)
实盘模式：
# 实盘使用实时tick数据，更贴近真实情况
price_dict = ContextInfo.get_full_tick(CODE_LIST)
猫哥提醒：
-
回测时要设置 subscribe=False，这样速度更快，不会影响实时行情 -
实盘必须订阅实时数据， get_full_tick能获取最新的买卖价、成交量等信息 -
注意数据的时效性，实盘中可能遇到停牌、临时停牌等特殊情况
二、交易执行：回测看K线，实盘抢时间
这个差异直接影响到策略的执行效果。例如在这个策略中，回测是逐个K线去运行，以开盘价成交；实盘的时候，可以指定任意时间去下单。
回测模式：
def handlebar(ContextInfo):
# 每根K线都会调用，可以模拟逐K线交易
today = timetag_to_datetime(ContextInfo.get_bar_timetag(ContextInfo.barpos), '%Y%m%d')
execute_rotation_trade(ContextInfo)
# 使用固定价格下单，比如开盘价
passorder(OPTYPE_BUY, ORDER_TYPE_VOLUME, ACCOUNT_ID, code,
PRTYPE_FIXED, price, volume, STRATEGY_NAME, 0, uoi, ContextInfo)
实盘模式：
# 设置定时任务，在指定时间执行
ContextInfo.run_time('execute_rotation_trade', '1nDay', stg_run_time)
# 使用对手价下单，确保成交
passorder(OPTYPE_BUY, ORDER_TYPE_VOLUME, ACCOUNT_ID, code,
PRTYPE_OPPOSITEBEST, -1, volume, STRATEGY_NAME, 1, uoi, ContextInfo)
关键差异：
-
回测用 quick_trade=0（逐K线模式），实盘用quick_trade=1（立即下单） -
回测可以用固定价格，实盘建议用对手价确保成交 -
实盘需要考虑开盘集合竞价、涨跌停等实际情况
三、状态管理：回测简单，实盘复杂
这是最容易被忽视，但又最重要的一个差异。实盘的时候，尽量做一下持仓隔离，区分不同策略的持仓，或者策略与手工下单的持仓。
回测模式：
# 简单的全局变量就够了
strategy_state.target_holdings = []
strategy_state.current_holding = None
实盘模式：
# 需要完整的文件管理系统
def init_strategy_files():
gvar.strategy_folder = os.path.join(STRATEGY_PATH, STRATEGY_NAME)
gvar.position_file = os.path.join(gvar.strategy_folder, 'position.json')
gvar.tradelog_file = os.path.join(gvar.strategy_folder, 'tradelog.txt')
def save_strategy_position():
# 持仓数据必须持久化保存
with open(gvar.position_file, 'w', encoding='utf-8') as f:
json.dump(gvar.strategy_position, f)
猫哥经验：
-
实盘中程序可能意外重启，持仓信息必须保存到文件 -
要做持仓校验，防止手工干预导致的数据不一致 -
日志文件是排查问题的重要工具，千万别省
四、订单管理：回测一步到位，实盘步步惊心
回测中的下单是理想化的，实盘中各种意外情况层出不穷。回测的时候，订单是全部成交的；但是实盘的时候，出于种种原因，可能未成交，或者部分成交，这时候就需要做相应的处理。
实盘中的复杂情况：
def handle_pending_orders(ContextInfo):
# 检查超时订单，自动撤单
for order in order_list:
if order.m_nOrderStatus in [未成交状态] and 超时:
cancel(order.m_strOrderSysID, ACCOUNT_ID, ACCOUNT_TYPE, ContextInfo)
def handle_canceling_orders(ContextInfo):
# 撤单成功后，重新下单未成交部分
remaining_volume = order.m_nVolumeTotalOriginal - order.m_nVolumeTraded
if remaining_volume >= 100:
passorder(...) # 重新下单
需要处理的情况：
-
订单超时未成交 → 撤单重新下单 -
部分成交 → 继续等待或撤单剩余部分 -
网络异常 → 订单状态不明，需要查询确认 -
程序重启 → 清理历史未完成订单
五、资金管理：回测满仓，实盘要保守
回测中的时候，是直接满仓运行；实盘的时候，因为账户可能是多策略运行，或者有一些手工下单的持仓，所以需要设置给这个策略分配多少资金，或者按照总资产的一定比例去设置策略运行的金额。
回测中的理想做法：
# 回测中可以基本满仓
cash = 0.999 * account.m_dAvailable
cash_per_code = cash / len(buy_list)
实盘中的现实做法：
# 实盘中要设定专用资金
if ACCOUNT_MODE.upper() == 'MONEY':
cash = 0.999 * ACCOUNT_MONEY # 固定金额
else:
cash = 0.999 * account.m_dBalance * ACCOUNT_RATIO # 比例分配
实盘资金管理原则：
-
不要把所有资金都给策略用，留点备用金 -
考虑手续费、滑点等成本，实际可用资金要打折 -
多策略运行时，要做好资金隔离
六、异常处理：回测不用愁，实盘防万一
实盘中的异常情况比回测多得多：
def deal_callback(ContextInfo, dealInfo):
# 成交回报处理，可能收到重复或延迟的回报
if dealInfo.m_strTradeTime < gvar.stg_start_dt.strftime('%H%M%S'):
return # 过滤程序启动前的历史成交
try:
update_strategy_position(code, direction, volume)
except Exception as e:
log_info(f'处理成交回报异常: {e}')
常见异常情况：
-
网络断线重连 -
程序意外退出重启 -
交易所临时停牌 -
账户余额不足 -
价格超出涨跌停限制
七、猫哥总结
回测和实盘的差异远比表面看起来复杂。回测是在理想环境下的模拟，而实盘是在真实市场中的博弈。
几个关键建议：
-
先回测，再实盘：任何策略都要先经过充分回测验证 -
小资金试错：实盘初期用小资金测试，或者使用QMT的模拟运行 -
完善监控：实盘中要有完善的日志和监控机制 -
预案准备：对各种异常情况要有预案和处理机制 -
持续优化：根据实盘表现不断优化策略参数
记住，量化交易不是印钞机，而是一个需要不断学习和完善的过程。希望这篇文章能帮大家在QMT量化之路上少踩一些坑！
如果这篇文章对你有帮助，记得点赞转发哦！有问题欢迎在评论区交流～
PS：策略源代码已同步知识星球，三天不满意可退款。新星球限时优惠中，后面随人数增加会随时调价。
猫哥精心整理了AI+量化的入门资料，如需可私信‘量化’获取。
想开通量化交易的朋友可联系我，备注开户或交流群一起学习。
免责声明：本内容为个人业余研究，所有股票代码和策略代码仅作示例，不构成任何投资建议。本公众号仅做知识整理，对信息的准确性及完整性不做保证，亦不用于商业用途。投资有风险，入市需谨慎。