华泰证券专业版2下载与量化交易环境搭建
华泰证券专业版2下载完成后，安装过程需注意选择自定义路径，避免中文目录导致后续Python接口调用失败。安装完毕后，启动软件并登录账户，进入“量化交易”插件模块。该模块提供策略编写、回测、模拟交易与实盘交易四个子功能。股票与期货的行情数据通过Level-2接口推送，延迟低于50毫秒。对于期货夜盘时段，需在设置中开启连续交易模式，否则策略会在15:00后停止接收tick数据。
股票量化策略编写要点
股票策略在专业版2中通过Python脚本实现。调用context对象获取账户持仓、可用资金与历史行情。下单函数使用order_shares与order_value，前者按股数委托，后者按金额委托。股票交易需注意T+1规则，当日买入的股票无法卖出，策略中应避免当日平仓逻辑。涨跌停限制下，委托价格超出范围会被交易所拒绝，建议使用order_shares时传入limit_price参数并判断当前价与涨停价距离。
def initialize(context):
context.security = '600519.SH'
context.buy_price = None
def handle_data(context, data):
price = data.current(context.security, 'price')
if context.buy_price is None and price < 1700:
order_shares(context.security, 100)
context.buy_price = price
elif context.buy_price and price > context.buy_price * 1.05:
order_shares(context.security, -100)
context.buy_price = None
期货量化交易的特殊处理
期货合约支持T+0与双向交易，专业版2的期货接口提供buy_open、sell_open、buy_close、sell_close四个函数。保证金计算需调用get_margin_rate，不同品种保证金率不同，螺纹钢约10%，原油约15%。期货主力合约换月时，策略需自动调整合约代码，建议使用get_dominant_contract函数获取当前主力。夜盘品种如黄金、白银，交易时段为21:00至次日2:30，策略中应判断context.now.hour范围。
def handle_data(context, data):
symbol = get_dominant_contract('RB')
price = data.current(symbol, 'price')
ma20 = data.history(symbol, 'close', 20, '1d').mean()
if price > ma20 * 1.01 and context.position(symbol) == 0:
buy_open(symbol, 1)
elif price < ma20 * 0.99 and context.position(symbol) > 0:
sell_close(symbol, 1)
回测框架与绩效评估
专业版2内置回测引擎支持股票与期货混合回测。回测参数包括初始资金、手续费率、滑点。股票手续费默认万三，期货按手数收取。绩效指标有夏普比率、最大回撤、年化收益。回测时需注意未来函数问题，避免使用data.current获取未来数据。期货回测需设置margin_rate与commission。回测报告可导出CSV，便于用pandas做二次分析。
实盘交易的风险控制
实盘前需在模拟环境运行至少两周。专业版2提供风控参数设置，包括单笔最大亏损、日内最大交易次数、总仓位上限。股票单票仓位不超过20%，期货保证金占用不超过总资金的30%。程序化交易需处理网络断线重连，专业版2的on_disconnect回调中应保存策略状态。期货夜盘流动性较低，避免使用市价单，改用限价单并设置timeout参数。
常见问题与调试方法
华泰证券专业版2下载后若无法连接量化服务器，检查防火墙是否放行端口。Python版本需为3.7至3.9，3.10以上存在兼容问题。策略日志输出到logs目录，使用context.log.info记录变量。股票除权除息日，行情数据会自动复权，但持仓成本需手动调整。期货交割月前一个月，交易所提高保证金，策略应提前平仓或移仓。
提升策略执行效率的技巧
使用numpy数组替代pandas Series做向量化计算，回测速度提升3倍以上。股票多因子策略中，将因子计算放在before_trading_start中，避免重复计算。期货跨期套利时，使用subscribe订阅两个合约的tick数据。专业版2支持多线程，但Python GIL限制下，IO密集型任务用asyncio，计算密集型用multiprocessing。定期清理__pycache__目录，避免旧字节码影响策略更新。
