【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

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。

盘前时间是交易者准备当日交易计划、分析隔夜数据和市场情绪的黄金时段，而盘后则适合总结当日表现、调整策略参数并为次日交易做准备。本文将详细介绍盘前盘后回调机制的设计与实现过程，探讨如何在量化交易框架中优雅地集成这一功能，使策略开发者能够充分利用非交易时段进行策略优化和执行。

一、系统架构设计

前文讲到过，策略文件是由初始化配置和主要交易逻辑两个核心部分组成，今天则是要在这两个组成部分之外，额外增加两个回调函数，分别处理盘前和盘后操作。当然这个设置是可选项，不做盘前盘后处理也是没问题的。

盘前盘后回调机制的系统架构基于事件驱动模型实现。配置数据从GUI层传递至框架层，包含回调开关和时间设置。框架使用反射机制检测策略是否实现了盘前盘后回调接口，并维护状态变量避免重复触发。

触发时，系统构造仅含时间信息的数据结构传递给回调函数，返回的交易信号由交易管理器统一处理。

整个设计保持了接口一致性和模块间低耦合，使策略开发者能专注于业务逻辑而非底层实现。

二、策略接口设计

为支持盘前盘后回调，我们在策略模块中定义了两个标准函数接口：

python 复制代码

def khPreMarket(data: Dict) -> List[Dict]:
 """盘前回调函数，在每个交易日开盘前执行"""
 # 策略逻辑
 return signals

def khPostMarket(data: Dict) -> List[Dict]:
 """盘后回调函数，在每个交易日收盘后执行"""
 # 策略逻辑
 return signals

这两个函数接口与主策略函数(khHandlebar)采用相同的数据格式和返回值结构，确保了接口一致性，降低了用户的学习成本。回调函数接收包含时间信息的市场数据，并返回交易信号列表，系统会自动处理这些信号。

顺便说一句，策略模块中其他两个接口是：

策略主逻辑khHandlebar：

python 复制代码

def khHandlebar(data: Dict) -> List[Dict]:
    """策略主逻辑
    
    Args:
        data: 行情数据，格式为 {股票代码: {字段名: 字段值}, "__current_time__": {...}}
              其中包含特殊键"__current_time__"，其值为一个字典，包含以下字段：
              - timestamp: 时间戳（整数，秒级）
              - datetime: 格式化的日期时间字符串，格式为"%Y-%m-%d %H:%M:%S"
              - date: 格式化的日期字符串，格式为"%Y-%m-%d"
              - time: 格式化的时间字符串，格式为"%H:%M:%S"
              - raw_time: 原始时间戳（保持原格式）
        
    Returns:
        List[Dict]: 交易信号列表，每个信号字典包含以下字段：
        {
            "code": str,       # 股票代码
            "action": str,     # 交易动作，可选值："buy"(买入) | "sell"(卖出)
            "price": float,    # 委托价格
            "volume": int,     # 委托数量，单位：股
            "reason": str,     # 交易原因说明
            "order_type": str, # 可选，委托类型，默认为"limit"：
                              # "limit"(限价) | "market"(市价) | "best"(最优价)
            "position_type": str,  # 可选，持仓方向，默认为"long"：
                                  # "long"(多头) | "short"(空头)
            "order_time": str, # 可选，委托时间，格式"HH:MM:SS"
            "remark": str      # 可选，备注信息
        }
    """

以及策略初始化init：

python 复制代码

def init():
    """策略初始化"""

这里就先不展开说了，回头专门会写文章介绍策略编写框架。

三、用户界面实现

为了让用户可以灵活配置盘前盘后回调，我在GUI界面中设计了专门的设置区域：

复选框控制是否启用盘前盘后回调
时间选择器设定具体的触发时间

这个界面是很简单的：

这些设置被保存在配置文件中，系统在启动时会加载这些设置，确保每次运行时都应用用户的偏好。界面设计遵循了直观、简洁的原则，使用户能够轻松理解和操作。

四、回测模式实现

回测模式下，盘前盘后回调的实现需要解决以下关键问题：

时间点识别：系统需要识别新的交易日开始和结束
数据处理：即使某些时间点缺乏市场数据，也能正确执行回调
信号处理：回调函数生成的交易信号需要被正确处理

具体实现中，系统会根据历史数据生成一系列时间点，按时间顺序模拟市场运行。当检测到新的交易日开始时，先执行盘前回调；当交易日结束时，则执行盘后回调。为确保在没有市场数据时也能执行回调，我们实现了一种机制，创建只包含时间信息的数据结构。

五、工具函数支持

为支持盘前盘后回调机制，我们在工具类中增加了一些辅助函数，如is_trade_day方法用于判断某个日期是否为交易日：

python 复制代码

def is_trade_day(self, date_str: str = None) -> bool:
 """判断是否为交易日"""
 if date_str is None:
        date_str = datetime.datetime.now().strftime("%Y-%m-%d")
 
 # 解析日期
    date = datetime.datetime.strptime(date_str, "%Y-%m-%d")
 
 # 排除周六和周日
 if date.weekday() >= 5:
 return False
 
 # 这里可以添加节假日的判断逻辑
 return True

这些工具函数极大地简化了主要逻辑的复杂度，提高了代码的可读性和可维护性。

六、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：

完善不同数据订阅模式与框架的兼容
策略的项目化管理设置
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。

回测系统一览

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。