从 Python 到 PTrade/QMT：散户量化炒股入门指南

开头声明，上一篇帖子被人举报了， 可能我不注意写了券商名字，被当做广告了。这次我移除了券商，只讲内容，这里再发一次，管理员不要再删帖了。

最近很多人对量化炒股比较感兴趣，尤其是程序员群体。

“用代码炒股”听起来很有吸引力：不用天天盯盘，不靠盘感，策略可以回测，交易可以自动化，甚至还能自动风控。

但真正做下来会发现，量化不是“写个脚本就能稳定赚钱”。它更像一个完整的软件工程系统：数据、策略、回测、风控、交易接口、监控、异常处理，每一环出问题，最后结果都可能和预期差很多。

这篇帖子主要面向入门用户，聊聊：

• 量化炒股是什么；


• 需要哪些工具；


• 怎么做回测和验证；


• 实盘需要开什么权限；


• PTrade、QMT 这类平台怎么理解；


• 回测和实盘为什么差异很大；


• 实盘需要注意什么。

声明：本文不是投资建议，只是技术和流程层面的入门整理。股市有风险，实盘请谨慎。

一、什么是量化炒股？

简单说，量化炒股就是：

把交易逻辑转化为明确规则，然后用程序完成选股、择时、下单、风控和复盘。

传统人工炒股可能是：

• 看新闻；


• 看 K 线；


• 看研报；


• 听消息；


• 凭经验判断买卖点。

量化则更强调规则化，比如：

如果一只股票满足：

1. 市值大于 50 亿；


2. 最近 20 日均线向上；


3. 当前价格突破最近 60 日高点；


4. 成交额大于过去 20 日均值；


5. 没有 ST，没有停牌；

那么买入。

如果：

1. 跌破 20 日均线；


2. 或者亏损超过 8%；


3. 或者持仓超过 20 天；

那么卖出。

这些条件可以写成代码，每天自动扫描股票池，然后自动生成交易信号，甚至自动下单。

所以量化不是神秘玄学，本质上就是：

数据 → 规则 → 验证 → 执行 → 复盘。

二、量化炒股怎么实现？

一个完整的量化交易系统通常包含几个部分。

1. 数据层

数据是量化的基础，常见数据包括：

• 股票日线数据：开盘价、最高价、最低价、收盘价、成交量、成交额；


• 分钟线数据；


• 实时行情；


• 财务数据；


• 指数成分股；


• 行业分类；


• 涨跌停数据；


• 停牌、复权、分红数据；


• ST 状态；


• 北向资金、融资融券等扩展数据。

常见数据来源：

• 免费/开源：AkShare、TuShare、Baostock；


• 商业数据：Wind、Choice、同花顺 iFinD；


• 平台内置：聚宽、米筐、掘金量化、BigQuant；


• 券商终端：PTrade、QMT 通常也会提供部分行情数据能力。

入门阶段可以先用 AkShare、TuShare、聚宽、米筐这类工具，不建议一开始就自建全量数据系统。

2. 策略层

策略就是买卖规则。

常见策略类型包括（这些淘宝或者咸鱼一大堆，没啥用就是）：

• 趋势策略：均线突破、动量、海龟交易等；


• 均值回归：短期跌多了，预期反弹；


• 多因子选股：估值、成长、质量、动量、波动率、市值等因子综合打分；


• ETF 轮动：在多个 ETF 之间根据强弱切换；


• 网格策略：适合震荡行情，低买高卖赚波动的钱；


• 统计套利：配对交易、ETF 折溢价套利等；


• 高频/日内策略：对延迟、盘口和通道要求高，不太适合个人新手。

入门不建议一上来就搞深度学习、高频交易、复杂机器学习模型。

原因很简单：金融数据噪声大、非平稳、样本少，过拟合非常容易。很多时候，简单、可解释、能长期坚持的策略，比一堆黑盒模型更适合普通人。

3. 回测层

回测就是把策略放到历史数据里跑一遍，看它过去表现如何。

回测至少应该回答：

• 历史收益率是多少；


• 最大回撤是多少；


• 胜率是多少；


• 盈亏比是多少；


• 换手率是多少；


• 交易次数是否足够；


• 策略是否只在某段行情有效；


• 加上手续费、滑点之后是否还有收益；


• 牛市、熊市、震荡市表现分别如何。

但要注意：回测不是为了把曲线调得漂亮，而是为了验证交易假设是否有可能成立。

4. 交易执行层

如果策略通过回测和模拟盘验证，就可以进入实盘。

执行层负责：

• 获取实时行情；


• 判断是否触发信号；


• 下单；


• 撤单；


• 查询成交；


• 管理持仓；


• 控制仓位；


• 记录日志；


• 异常报警。

常见实盘工具包括：

• 券商 PTrade；


• 券商 QMT/MiniQMT；


• 掘金量化；


• vn.py；


• 自建交易系统；


• 部分券商自带量化平台。

5. 风控层

风控非常重要，甚至比策略本身更重要。

常见风控包括：

• 单票最大仓位；


• 单行业最大仓位；


• 单日最大亏损；


• 总账户最大回撤；


• 涨跌停处理；


• 停牌处理；


• 黑名单股票；


• ST 股票过滤；


• 新股/次新股过滤；


• 成交额过低过滤；


• 尾盘交易限制；


• 异常行情保护；


• 下单失败重试；


• 重复下单保护。

策略决定你能不能赚钱，风控决定你能不能活下来。

三、量化相比人工操盘有什么优势？

1. 纪律性强

人容易受情绪影响：

• 涨了想追；


• 跌了舍不得止损；


• 连续亏损后想加倍赚回来；


• 看到消息容易冲动交易。

程序不害怕，也不贪婪，只执行规则。

当然，前提是规则本身靠谱。

2. 可以处理大量股票

A 股几千只股票，人工不可能每天全市场筛一遍。

量化可以每天自动扫描全市场，找出符合条件的股票。

3. 可以回测

人工经验很难验证。

量化策略可以拿历史数据回跑，至少能知道这个逻辑在历史上是否有效。

4. 执行速度快

策略满足条件后，程序可以自动下单，不需要人工盯盘。

5. 方便复盘和迭代

每一笔交易都可以记录日志：

• 为什么买；


• 为什么卖；


• 是否符合策略；


• 是否有执行偏差；


• 是否需要优化规则。

四、实现量化炒股需要哪些工具？

1. 编程语言

主流是 Python。

原因是金融数据生态丰富，pandas、numpy、matplotlib、scikit-learn、statsmodels 这些库都很成熟，很多量化平台也支持 Python。

常用库包括：

• pandas；


• numpy；


• matplotlib；


• scipy；


• statsmodels；


• scikit-learn；


• TA-Lib；


• backtrader；


• rqalpha；


• qlib；


• akshare；


• tushare；


• baostock。

2. 回测平台

适合入门的平台：

• 聚宽 JoinQuant；


• 米筐 RiceQuant；


• 掘金量化 MyQuant；


• BigQuant；


• 优矿 Uqer；


• Backtrader；


• RQAlpha；


• Microsoft Qlib。

如果只是入门，建议先用聚宽、米筐、掘金这类平台，因为数据、回测环境、示例策略比较完整，可以少踩很多数据坑，或者直接根据你想开通的券商平台直接学习。

如果你更喜欢自己搭系统，可以选择：

AkShare/TuShare 获取数据；

Pandas 做数据处理；

Backtrader/RQAlpha 做回测；

QMT/PTrade 做实盘执行。

3. 实盘交易平台

目前 A 股个人量化实盘比较常见的是 PTrade 和 QMT。

PTrade：

很多券商提供 PTrade 环境，特点是：

• 支持 Python 策略；


• 支持股票、ETF 等品种，具体看券商；


• 适合日频、分钟级策略；


• 集成券商交易接口；


• 对个人量化入门比较友好；


• 策略通常上传到券商/平台服务器运行，不需要自己租 VPS 或长期维护本地机器。

PTrade 的便利性很强，尤其适合不想折腾服务器、网络、守护进程、自动重启的新手。策略上传后由平台环境运行，电脑关机也不一定影响策略执行，具体以券商环境为准。

但它也有一个现实缺点：策略代码需要上传到平台侧，策略安全边界会变大。如果你非常在意策略源码、因子逻辑、参数细节被平台侧看到或泄露，就要慎重。这里不是说券商一定会泄露，而是代码离开本地机器后，安全控制权就不完全在自己手里了。

QMT：

QMT 也叫迅投 QMT，很多私募和个人量化用户都在用。

特点是：

• 支持 Python；


• 支持本地客户端；


• MiniQMT 可以通过 XtQuant 接口做行情和交易；


• 接口能力比较强；


• 可做股票、ETF、可转债等品种，具体看券商权限；


• 灵活性较高；


• 策略主要在本地运行，策略代码、模型文件、参数文件都可以放在自己机器上。

QMT 的优势是策略安全性相对更高，代码不需要像 PTrade 那样上传到平台服务器，适合对策略保密性要求更高的人。缺点是本地运行就意味着你要自己维护运行环境，比如电脑/服务器不能随便关机，网络要稳定，MiniQMT 客户端要稳定，程序异常要能自动恢复。

另外，从入门资料和实盘代码生态看，PTrade 可参考的实盘代码通常更多，QMT 的实盘参考代码相对少很多，很多细节需要自己摸索。对程序员来说，QMT 的吸引力在于本地化、安全性和可扩展性更强，但部署、调试、异常处理也更需要工程能力。

五、实盘需要开什么权限？

这里一定要分清楚两个概念：

1. 交易品种权限


2. 量化交易工具权限

它们不是一回事。

1. 交易品种权限

如果只是普通 A 股主板股票交易，一般开通证券账户后即可交易。

但如果涉及其他品种，需要额外权限，比如：

创业板：

通常要求开通前 20 个交易日日均资产不低于 10 万，并且参与证券交易 24 个月以上。

科创板：

通常要求开通前 20 个交易日日均资产不低于 50 万，并且参与证券交易 24 个月以上。

北交所：

通常要求开通前 20 个交易日日均资产不低于 50 万，并且参与证券交易 24 个月以上。

港股通：

个人投资者通常要求证券账户及资金账户资产合计不低于 50 万。

可转债：

新开权限通常要求开通前 20 个交易日日均资产不低于 10 万，并且参与证券交易 24 个月以上。

融资融券：

常见要求是交易经验满半年，最近 20 个交易日日均证券类资产不低于 50 万。

这些是交易品种权限，属于交易所/监管适当性要求，券商会按规则执行。

2. 量化交易工具权限

这是另一个问题。

你有股票账户，不代表你就能直接用 API 自动下单。

要使用 PTrade、QMT 这类工具，通常需要向券商申请开通量化交易终端或程序化交易相关权限。

这一块不是交易所统一规定的 10 万、30 万、50 万门槛，而是券商自己的服务政策。

不同券商、不同营业部、不同客户经理、不同时间点，门槛差异都可能很大。

我目前了解到的情况是：

• 有些券商要求 30 万、50 万、100 万甚至更高；


• 有些券商对 PTrade/QMT 有特殊渠道，门槛会低很多；


• 也听过一次性放入较大资金后次日申请的口径，比如 200 万次日申请，但这个需要以客户经理实际确认为准。

最实际的方法是：

直接找几个券商客户经理问：

• 能不能开 QMT；


• 能不能开 PTrade；


• 资金门槛是多少；


• 是否要求 20 个交易日日均资产；


• 是否支持 MiniQMT；


• 是否支持实盘交易；


• 是否有交易频率限制；


• 是否需要做程序化交易报备；


• 手续费是多少；


• 是否支持你要交易的品种。

券商量化权限是非常现实的业务问题，不是纯技术问题。

六、如何进行历史数据回跑？

历史回测大致流程如下。

1. 明确策略规则

不要先调参数，而是先写清楚交易逻辑。

例如：

股票池：

• 沪深 A 股；


• 剔除 ST；


• 剔除上市不足 120 天；


• 剔除停牌；


• 剔除成交额过低股票。

买入条件：

• 20 日均线上穿 60 日均线；


• 最近 20 日涨幅大于 10%；


• 成交额大于过去 20 日均值。

卖出条件：

• 跌破 20 日均线；


• 或亏损超过 8%；


• 或持仓超过 20 个交易日。

仓位管理：

• 每只股票最大 10% 仓位；


• 最多持有 10 只股票；


• 单日最多买入 3 只。

2. 准备历史数据

至少需要：

• 日线行情；


• 复权价格；


• 停牌信息；


• 涨跌停信息；


• ST 信息；


• 指数数据；


• 成交额数据；


• 财务数据，如果使用基本面因子。

注意：回测时一定要防止未来函数。

比如你在 2020 年 1 月 1 日做决策，不能使用 2020 年 3 月才公布的财报数据。

3. 设置交易成本

真实交易不是免费的，至少要考虑：

• 佣金；


• 印花税；


• 过户费；


• 滑点；


• 冲击成本；


• 涨跌停无法成交；


• 停牌无法交易。

很多策略回测很好，一加手续费和滑点就没了。

4. 运行回测

可以使用：

• 聚宽；


• 米筐；


• 掘金；


• BigQuant；


• Backtrader；


• RQAlpha；


• 自己写 Pandas 回测。

入门建议先用成熟平台，少踩数据坑。

5. 分析结果

不要只看收益率。

重点看：

• 年化收益；


• 最大回撤；


• 夏普比率；


• Calmar 比率；


• 胜率；


• 盈亏比；


• 交易次数；


• 持仓周期；


• 换手率；


• 单笔最大亏损；


• 连续亏损次数；


• 策略容量；


• 牛市、熊市、震荡市分别表现；


• 与基准指数相比是否有超额收益。

一个策略如果年化 30%，但最大回撤 50%，对大部分人来说也很难坚持。

七、怎么验证策略有效性？

严格来说，不能“保证”策略有效。

量化能做的是：

通过更科学的验证，降低策略失效和过拟合的概率。

常见方法包括：

1. 样本内/样本外测试

例如：

• 2015-2020 年用于开发策略；


• 2021-2023 年用于样本外验证；


• 2024 年用于模拟盘观察。

如果策略只在开发区间表现好，样本外表现很差，基本就是过拟合。

2. 滚动回测

不要只测一个固定区间。

可以滚动测试：

• 2015-2018；


• 2016-2019；


• 2017-2020；


• 2018-2021；


• 2019-2022；


• 2020-2023。

看策略是否稳定。

3. 参数敏感性测试

比如均线策略：

• 10/30；


• 15/45；


• 20/60；


• 30/90。

如果只有 20/60 表现特别好，其他参数都很差，那很可能是过拟合。

好的策略应该在一片参数区域内相对有效，而不是只有某一个神奇参数有效。

4. 多市场环境验证

A 股经历过：

• 牛市；


• 熊市；


• 震荡市；


• 流动性宽松；


• 流动性收紧；


• 小盘风格；


• 大盘风格；


• 价值风格；


• 成长风格。

策略最好在不同环境下都做过验证。

5. 模拟盘验证

回测通过后，不建议立刻大资金实盘。

更稳妥的流程是：

回测 → 模拟盘 → 小资金实盘 → 稳定运行 → 逐步加资金。

模拟盘重点看：

• 信号是否符合预期；


• 数据是否正常；


• 调仓是否合理；


• 下单逻辑是否有 bug；


• 是否有异常情况。

八、回测有哪些注意事项？

1. 防止未来函数

这是量化新手最容易犯的错误。

典型未来函数包括：

• 用当天收盘价决定当天收盘买入；


• 使用尚未公布的财报；


• 使用未来才知道的指数成分股；


• 用未来涨跌幅筛选股票；


• 用后复权价格做交易判断不当；


• 用未来 ST 状态过滤历史股票。

正确做法是：

当天做决策，只能使用当天当时已经可见的信息。

2. 注意幸存者偏差

如果股票池只包含当前还活着的股票，就会忽略历史上退市、长期停牌、暴雷的股票。

这会让回测结果虚高。

3. 注意涨跌停和停牌

A 股有涨跌停制度。

很多回测默认你可以买到涨停板，也可以卖出跌停板，但实盘往往做不到。

尤其是小盘股策略，如果不处理涨跌停，结果会严重失真。

4. 注意流动性

回测里你可能假设某只股票能买 100 万。

但现实中它一天成交额只有 2000 万，你买进去就会影响价格，卖出来也不一定卖得掉。

可以设置：

• 单票成交额过滤；


• 单笔成交不超过当日成交额的一定比例；


• 对小盘低流动性股票增加滑点。

5. 注意手续费和滑点

如果策略换手很高，手续费和滑点会吃掉大量收益。

尤其是短线策略，交易成本非常关键。

6. 不要过度优化

如果你不断调参数，让回测越来越漂亮，大概率是在拟合历史噪声。

危险信号包括：

• 参数非常奇怪；


• 交易次数很少；


• 只在某一年暴赚；


• 加一点手续费就亏；


• 换个时间段就失效；


• 换个股票池就失效。

九、如何理性看待回测和实盘差异？

回测和实盘一定会有差异。

常见原因包括：

1. 成交价格不同

回测可能按开盘价、收盘价成交。

实盘会有：

• 排队；


• 滑点；


• 部分成交；


• 撤单；


• 延迟；


• 涨跌停买不到/卖不掉。

2. 数据不同

回测数据通常是清洗后的历史数据。

实盘数据可能会有：

• 延迟；


• 缺失；


• 异常跳点；


• 除权除息处理不同；


• 盘口数据不稳定。

3. 心态不同

回测亏 20%，你可能觉得可以接受。

实盘亏 20% 的时候，很多人会怀疑策略、手动干预、提前止损，然后策略就变形了。

4. 市场环境变化

策略过去有效，不代表未来有效。

比如：

• 小盘股策略可能在某些年份很强；


• 价值策略可能长期低迷；


• 打板策略可能受监管和市场风格影响；


• 高频策略可能因为交易拥挤失效。

5. 资金容量问题

小资金策略跑得很好，不代表大资金还能跑。

资金越大，对流动性和冲击成本越敏感。

十、实盘需要注意什么？

1. 先小资金跑

不要一上来就大资金。

建议流程：

回测通过

=> 模拟盘

=> 小资金实盘

=> 稳定运行

=> 逐步增加资金。

2. 必须有风控

至少要有：

• 最大仓位限制；


• 单票仓位限制；


• 单日亏损限制；


• 最大回撤限制；


• 异常停止交易；


• 手动一键停止方案；


• 重复下单保护；


• 订单状态检查；


• 日志记录。

3. 做好异常处理

实盘中会遇到很多问题：

• 网络断开；


• 客户端掉线；


• 券商接口异常；


• 行情延迟；


• 委托失败；


• 部分成交；


• 资金不足；


• 股票停牌；


• 涨跌停无法成交；


• 程序重复启动；


• 本地时间不同步。

这些在回测里都没有，但实盘会真实发生。

4. 保留日志

建议记录：

• 每次策略运行时间；


• 当前持仓；


• 当前现金；


• 交易信号；


• 委托记录；


• 成交记录；


• 错误信息；


• 风控触发原因。

没有日志，出问题以后很难排查。

5. 不要频繁手动干预

如果你总是手动修改策略结果，那就不是量化交易，而是“程序辅助主观交易”。

当然，极端行情下人工干预是必要的，但应该有明确规则。

6. 关注监管合规

程序化交易不是无法无天。

2024 年以后，监管对程序化交易的要求已经明显加强。证监会发布了《证券市场程序化交易管理规定（试行）》，交易所也有对应实施细则，核心方向是程序化交易需要报告账户、资金、交易、软件等信息，并强调“先报告，后交易”。

普通个人低频策略一般不会碰到高频交易阈值，但仍然要注意：

• 不要高频报撤单扰乱市场；


• 不要做异常交易行为；


• 不要使用非法接口；


• 不要绕过券商风控；


• 不要相信所谓“稳赚接口”“内部通道”。

普通个人投资者使用 PTrade、QMT 这类券商提供的平台，相对更合规。

十一、PTrade 和 QMT 怎么选？

简单理解，PTrade 和 QMT 最大的差异不只是接口语法，而是“策略在哪里运行”。

PTrade 更偏平台托管，策略通常上传到券商/平台服务器运行。

QMT 更偏本地执行，策略主要在自己的电脑或服务器上运行，通过本地 MiniQMT 客户端连接行情和交易。

PTrade 适合：

• 个人量化入门；


• 日频策略；


• 分钟级策略；


• 选股、调仓、组合管理；


• 想快速把策略跑起来的人；


• 不想自己租服务器、维护运行环境的人。

优点：

• 上手相对简单；


• 券商集成度高；


• Python 支持友好；


• 平台内一般有回测、仿真、交易流程；


• 策略在服务器运行，省掉本地机器长期在线、断网、重启、守护进程等麻烦；


• 可参考的实盘代码和教程通常更多，新手更容易抄作业。

缺点：

• 不同券商环境可能有差异；


• 灵活性不如自建系统；


• 部分高级能力受限制；


• 策略代码需要上传到平台侧，如果你很在意策略保密性，会有策略泄露或被平台侧看到的顾虑；


• 对平台环境依赖较强，平台支持什么、限制什么，你就要适应什么。

QMT 适合：

• 对本地化、灵活性要求更高；


• 想接入本地 Python 程序；


• 想做更复杂的交易系统；


• 有一定工程能力的用户；


• 更重视策略代码安全性，不希望把完整策略上传到平台服务器的人。

优点：

• 使用群体多；


• 接口能力较强；


• 基础资料和 API 文档能找到；


• 可扩展性较好；


• 策略在本地运行，源码、因子、模型、参数都可以自己保管；


• 更方便接自己的数据库、模型服务、监控系统和研究环境。

缺点：

• 部署和调试复杂度略高；


• 不同券商权限和配置差异较大；


• 通常需要本地客户端稳定运行；


• 需要自己解决本地机器/服务器、网络、自动重启、异常恢复等问题；


• 可直接参考的 QMT 实盘代码相对少，远少于 PTrade，很多坑要靠自己调试。

我的建议：

如果你是新手，想快速上手、少折腾环境，PTrade 更方便。

如果你更重视策略保密性，或者本来就有工程能力，能维护本地服务、日志、监控、自动重启，QMT 更适合。

如果你是新手，先用聚宽/米筐/掘金做回测，再用 PTrade 或 QMT 小资金实盘。

如果你是程序员，想掌控更多细节，可以用 AkShare/TuShare + Backtrader/RQAlpha 自建研究环境，然后用 QMT/PTrade 执行实盘。

研究和回测可以放在自己熟悉的 Python/Linux 环境里，实盘执行再接券商工具。

十二、一个推荐的入门路线

阶段一：学习基础

先了解：

• 股票交易规则；


• A 股涨跌停；


• 除权除息；


• 停牌；


• ST；


• 手续费；


• 滑点；


• 常见技术指标；


• Python 数据分析。

阶段二：做一个简单策略

比如：

• 双均线策略；


• 动量选股；


• ETF 轮动；


• 多因子打分；


• 网格策略。

不要一开始就搞机器学习、深度学习、高频交易。

阶段三：回测

用平台或框架进行回测，重点看：

• 收益；


• 回撤；


• 换手；


• 交易次数；


• 样本外表现；


• 不同市场环境表现。

阶段四：模拟盘

让策略每天自动运行，但不真实下单，观察：

• 信号是否符合预期；


• 数据是否正常；


• 调仓是否合理；


• 是否有异常情况。

阶段五：小资金实盘

用小资金跑一段时间。

观察：

• 成交情况；


• 滑点；


• 交易成本；


• 策略执行稳定性；


• 心理承受能力。

阶段六：长期迭代

量化不是写完就结束，而是长期工程。

需要持续：

• 监控；


• 复盘；


• 优化；


• 风控；


• 适应市场变化。

十三、最后的一些建议

1. 不要迷信量化

量化不是印钞机。

很多策略回测很好，实盘很差。

2. 不要迷信机器学习

机器学习在金融市场里很难。

因为金融数据：

• 噪声大；


• 非平稳；


• 样本少；


• 容易过拟合；


• 市场环境会变化。

入门阶段，简单、可解释、稳定的策略往往更适合。

3. 不要只看收益

一个策略是否值得跑，要看收益和风险的平衡。

年化 20%、回撤 10% 的策略，可能比年化 60%、回撤 50% 的策略更适合普通人。

4. 策略越简单，越容易坚持

复杂策略不一定更赚钱。

很多时候，简单策略加上严格风控，反而更稳定。

5. 实盘比回测重要

回测只是第一步。

真正检验策略的是实盘。

但实盘一定要小资金开始，不要一上来梭哈。

总结

量化炒股本质上是：

用数据和程序，把交易规则标准化、自动化、可验证化。

它的优势是纪律性强、可回测、可复盘、可自动执行；但它也有明显风险，比如过拟合、数据问题、回测失真、实盘滑点、市场环境变化等。

如果想入门，可以按这个路线走：

学习 Python 和股票基础

=> 选择回测平台

=> 写简单策略

=> 历史回测

=> 样本外验证

=> 模拟盘

=> 小资金实盘

=> 加强风控

=> 长期复盘迭代。

目前个人 A 股量化实盘比较常见的是 PTrade 和 QMT。具体开通门槛要看券商政策，很多券商也确实存在特殊渠道，不一定完全按照网上常说的 30 万、50 万资金门槛。

最后再强调一次：

回测不等于未来收益，量化也不等于稳定赚钱。

对普通人来说，先保护本金，再谈收益。