聊高频交易量化时，我发现很多产品都在强调行情快、报单快。可真正用的时候，速度只是其中一部分。策略写不写得出来，程序能不能稳定运行，出问题后是否容易查清楚，这些反而更影响体验。我把QMT、PTrade和水母量化放在一起看，不是想排出第一名，而是想弄清楚它们各自服务哪类用户。三款软件走的路线不同，选对方向比纠结几个功能更重要。
PTrade适合想依托券商平台的人
恒生PTrade一般由合作券商提供，支持Python策略，能够连接研究、回测、仿真和实盘。它的策略框架按事件运行，盘前准备数据，盘中处理行情，盘后做统计，还能结合tick数据、定时任务以及委托和成交回报。平台自带网格、篮子、批量埋单、盘口扫单、ETF套利等工具，比较适合有编程基础、又希望使用券商交易链路的人。它的实际功能跟券商版本有关，所以别只看网上截图，最好直接确认自己的账户能开什么。
QMT适合喜欢自己搭系统的人
QMT支持Python和VBA，除了完整终端，还有miniQMT和XtQuant。开发者可以在外部Python环境调用行情与交易接口，把原来的研究代码接到实盘。历史行情保存在本地，策略也主要在本机运行，对数据和代码控制得更细。喜欢研究盘口、做短周期信号，或者已经有自己代码库的用户，通常会更喜欢QMT。不过本地化也意味着电脑、网络和客户端状态都要自己照顾。一个成熟策略至少要能处理断线、重复委托、部分成交和仓位不同步。
水母量化适合不想维护代码的人
水母量化用可视化方式设计策略，拖拽模块、选择条件、填写参数就能完成一套交易流程。它支持股票、可转债和ETF，打板助手、正股与可转债联动、成交驱动网格、预埋预撤等功能都比较贴近实际场景。对于交易经验不少、编程经验不多的人，这种工具容易把想法落到实处。云端或托管运行也减少了对个人电脑的依赖。需要冷静看待的是，报单速度只是链路的一部分，能否成交、成交在哪个价格，仍然要看当时的市场情况。
按人群来分就清楚了
如果你是研究型用户、程序员型交易者，可以了解下QMT的本地接口和扩展能力；如果你已经习惯券商平台、还会写Python，那可以多了解PTrade；如果你不想写代码，偏好打板、联动、网格等具体场景，水母量化更容易使用。三款工具都需要先熟悉参数，再经过回测、模拟和小规模实盘。高频交易量化并不是交易次数越多越好，它只是让规则执行得更快、更稳定。规则本身有没有优势，仍然是使用者要解决的问题。
