聚宽策略想实盘？这个开源项目让你一行代码不改直接跑

聚宽策略想实盘？这个开源项目让你一行代码不改直接跑

写了个量化策略，回测年化30%，然后呢？实盘的坑比你想象的多得多。

故事的开始

两年前，我遇到了和很多聚宽用户一样的问题：策略回测效果不错，但实盘很麻烦。

• 聚宽官方实盘：要订阅服务，每月费用不低，而且有持仓限制
• 自己对接券商：代码要改，API 完全不一样，光调试就要几周
• 用 vnpy 等框架：学习成本高，之前写的聚宽代码全要重写

当时没找到满意的方案，就自己撸了一个本地交易系统，边用边改，跑了两年多，实盘也一直在用。

但这套代码写得比较野，东一块西一块，自己用没问题，想开源给别人用就不太行了——文档没有、结构混乱、到处是 hardcode。

今年终于下定决心，基于这两年的实战经验，从头重构了一版，这就是 BulletTrade。

核心逻辑经过了两年实盘验证，但代码是全新的，架构清晰、文档齐全、方便扩展。

一句话介绍

BulletTrade 是一个兼容聚宽 API 的本地量化框架，让你的聚宽策略代码几乎不改就能在本地回测、实盘。

pip install bullet-trade

就这么简单。

为什么要做这个？

先聊聊聚宽用户实盘的几条路：

方案	优点	痛点
聚宽官方实盘	代码不用改	收费、有限制、依赖聚宽服务器
自己对接券商 API	完全自主	代码要重写、对接成本高
vnpy/掘金等框架	功能强大	聚宽代码不兼容、学习曲线陡
BulletTrade	聚宽代码兼容、本地运行	还在完善中

我的设计目标很简单：

让 from jqdata import * 这行代码在本地也能跑。

策略逻辑不用改，换个运行环境就能从回测切到实盘。

核心功能

1. 聚宽策略无缝迁移

你在聚宽写的策略，大概率可以直接用。

# 这是一个标准的聚宽策略，bullet-trade 直接支持
from jqdata import *def initialize(context):set_benchmark('000300.XSHG')g.security = '510300.XSHG'run_daily(trade, 'every_bar')def trade(context):if g.security not in context.portfolio.positions:order_value(g.security, context.portfolio.available_cash)

在聚宽怎么写，在 bullet-trade 就怎么写。initialize、handle_data、run_daily、order、get_price... 这些 API 都兼容。

2. 多数据源支持

不想用聚宽数据？没问题，切换数据源只需要改一行配置：

# .env 配置文件
DEFAULT_DATA_PROVIDER=jqdata    # 聚宽数据（需要账号）
# DEFAULT_DATA_PROVIDER=miniqmt # MiniQMT 数据
# DEFAULT_DATA_PROVIDER=tushare # TuShare 数据

支持的数据源：

• MiniQMT：QMT 客户端自带，开通券商账户即可免费使用
• TuShare：注册即可用，部分高级数据需要积分
• JQData：聚宽官方数据，质量好但需要付费
• 本地缓存：自动缓存历史数据，重复回测更快

3. 回测引擎

一条命令跑回测：

bullet-trade backtest your_strategy.py --start 2024-01-01 --end 2024-12-01

回测引擎的特点：

• 真实价格撮合：用开盘价/收盘价成交，不是用信号价
• 分红送股处理：自动处理除权除息，回测更真实
• 支持分钟/日线：--frequency minute 或 --frequency day
• HTML 报告一键生成：收益曲线、回撤、交易记录全都有

4. 参数优化

策略里有参数想调优？多进程并行帮你跑：

bullet-trade optimize your_strategy.py \--params '{"ma_period": [5, 10, 20], "threshold": [0.01, 0.02, 0.03]}' \--start 2020-01-01 --end 2023-12-31

自动遍历所有参数组合，输出最优解。

5. Tick 实时行情（打板利器）

对于打板、抢涨停的用户，行情延迟至关重要。bullet-trade 支持 tick 级别的实时行情订阅：

def initialize(context):g.watch_list = ['000001.XSHE', '000002.XSHE']g.limit_up = {}  # 缓存涨停价# 订阅 tick 数据subscribe(g.watch_list, 'tick')def before_trading_start(context):# 开盘前获取涨停价，写入全局变量for code in g.watch_list:data = get_current_data()[code]g.limit_up[code] = data.high_limit  # 涨停价def handle_tick(context, tick):# 实时处理每一笔 tickcode = tick['sid']price = tick['last_price']bid1_vol = tick.get('bid1_volume', 0)  # 买一量（封单量）# 判断涨停 + 封单量limit_up = g.limit_up.get(code)if limit_up and price >= limit_up and bid1_vol > 100000:print(f"{code} 涨停封单！封单量: {bid1_vol}")

Tick 功能特点：

• ⚡ 毫秒级延迟：基于 QMT 的 xtdata 实时推送
• 📊 盘口深度：买一卖一价格和挂单量
• 🌐 全市场订阅：subscribe(['SH', 'SZ'], 'tick') 扫描全市场

打板场景：实时监控封单量变化，判断涨停板强度，抓住打开瞬间。

6. 实盘接入

这是重点。bullet-trade 提供两种主要的实盘方案：

---

方案一：独立实盘（完全本地运行）

策略代码、数据、下单全部在本地完成，不依赖任何外部平台。

本地 QMT（Windows）

如果你有 QMT 客户端（国金、华鑫等券商都支持），一条命令启动：

bullet-trade live your_strategy.py --broker qmt

策略就跑起来了，下单直接走券商通道。

远程 QMT Server（Mac/Linux 也能用）

没有 Windows 电脑？没关系。

先在一台 Windows 机器（或云服务器）上运行 QMT Server：

bullet-trade server --listen 0.0.0.0 --port 58620 --token your_secret

然后在你的 Mac/Linux 上运行策略：

bullet-trade live your_strategy.py --broker qmt-remote

策略在本地跑，下单请求通过网络发到 Windows 上的 QMT。

这意味着：

• 🍎 Mac 用户也能实盘了
• ☁️ 策略可以跑在云服务器上
• 🔒 策略代码不用上传到任何平台

---

方案二：聚宽模拟盘 + 远程 QMT Server

这是一个混合方案：策略在聚宽模拟盘实时运行，产生交易信号后调用你自己的 QMT Server 执行真实下单。

适用场景：

• 策略已经在聚宽模拟盘跑了很久，验证过了
• 想用聚宽的数据和策略托管，但实盘用自己的券商
• 聚宽官方实盘太贵或有限制，想接自己的账户

工作原理：

┌─────────────────┐          ┌─────────────────┐
│   聚宽模拟盘     │  ──────▶ │  远程 QMT Server │
│  (策略实时运行)  │   HTTP   │  (Windows + QMT) │
│  产生交易信号    │          │   执行真实下单   │
└─────────────────┘          └─────────────────┘│▼┌─────────────────┐│   券商真实账户   │└─────────────────┘

使用步骤：

1. 在 Windows 机器上启动 QMT Server：

bullet-trade server --listen 0.0.0.0 --port 58620 --token your_secret

2. 把 bullet_trade_jq_remote_helper.py 上传到聚宽研究根目录

3. 在聚宽模拟盘策略中，信号触发时调用远程下单：

import bullet_trade_jq_remote_helper as btdef initialize(context):# 配置远程 QMT Serverbt.configure(host='你的服务器IP',port=58620,token='your_secret')def handle_data(context, data):# 你的策略逻辑...产生信号if should_buy:# 聚宽模拟盘下单（可选，用于记录）order('510300.XSHG', 100)# 同时调用远程 QMT 真实下单bt.order('510300.XSHG', 100)# 也可以查询真实账户信息real_portfolio = bt.get_portfolio()print(f"真实账户可用资金: {real_portfolio['available_cash']}")

优势：

• 📊 策略托管在聚宽：7x24 小时运行，不用自己维护服务器
• 💰 下单走自己券商：佣金更低，资金在自己账户
• 🔄 信号和执行分离：聚宽产生信号，QMT 执行交易，各司其职
• ✅ 双重记录：聚宽模拟盘记录一份，真实账户执行一份，方便对账

快速上手

三步跑通：

Step 1: 安装

pip install bullet-trade

Step 2: 配置数据源

创建 .env 文件，选择一个数据源：

# 方式一：MiniQMT（推荐，开通 QMT 后免费使用）
DEFAULT_DATA_PROVIDER=qmt# 方式二：TuShare（需要注册，部分数据免费）
# DEFAULT_DATA_PROVIDER=tushare
# TUSHARE_TOKEN=你的token# 方式三：JQData（聚宽数据，需要申请账号）
# DEFAULT_DATA_PROVIDER=jqdata
# JQDATA_USER=你的账号
# JQDATA_PASSWORD=你的密码# 方式四：先用模拟数据体验
# DEFAULT_DATA_PROVIDER=simulator

数据源说明：

• MiniQMT：开通 QMT 券商账户后免费使用，数据质量好，推荐
• TuShare：注册即可用，部分高级数据需要积分
• JQData：聚宽官方数据，质量最好但需要付费

Step 3: 运行

# 回测
bullet-trade backtest your_strategy.py --start 2024-01-01 --end 2024-06-01# 或者启动研究环境（JupyterLab）
bullet-trade lab

就这么简单。你之前在聚宽写的策略，复制过来基本就能跑。

和聚宽的关系

说明一下：bullet-trade 不是聚宽官方项目，是我个人开发的开源工具。

它的定位是：

• 聚宽的补充，不是替代
• 让聚宽用户的策略能本地化运行
• 提供从回测到实盘的完整链路

如果你：

• 只需要研究和回测 → 聚宽研究环境足够了
• 想要本地运行、实盘接入 → bullet-trade 是个选择

两者可以配合使用：在聚宽上研究调试，确认没问题后用 bullet-trade 本地实盘。

项目现状

目前版本（v0.x）已经稳定可用：

✅ 已支持

• 聚宽 API 兼容（大部分常用 API）
• 多数据源（JQData、MiniQMT、TuShare）
• 日线/分钟级回测
• 参数优化
• 本地/远程 QMT 实盘
• CLI 工具链

🔲 规划中

• Web UI 监控面板
• 更多数据源支持
• 策略模板库

最后

开源不易，如果觉得有用：

• ⭐ GitHub Star：https://github.com/BulletTrade/bullet-trade
• 📖 文档站点：https://bullettrade.cn/
• 💬 问题反馈：GitHub Issue 或微信交流

有问题欢迎在评论区聊，也想听听大家实盘都用什么方案？

---

⚠️ 风险提示：量化交易有风险，任何策略都不保证收益。请先在模拟环境充分验证，实盘从小仓位开始。

---

作者是个独立开发者，白天搬砖晚上写代码，欢迎交流量化心得。