2026年Jupyter期货研究接实盘：主流量化平台环境衔接对比
前言
Notebook 里因子曲线很漂亮，实盘一上就变形——我排查过不少这类工单，根子常在环境没隔离：研究用旧合约、生产用新合约；研究里TqApi泄漏连接；研究代码里写了break退出循环，复制到.py原封不动。Jupyter 适合验证，不适合当生产宿主。下面写主流工具怎么接研究到实盘，以及我要求的「导出动作」。
一、天勤量化（TqSdk）
天勤有usage/jupyter.rst与 demo，支持在 Notebook 里订行情、画 K 线、试下单。官方建议单会话单TqApi，结束close()。研究满意后，把「构造 Api + 订阅 + wait_update 循环」迁入.py，再接回测/模拟/实盘三阶段配置。
优势：研究对象与实盘对象字段同族，减少「研究列名」和「交易列名」两套体系。局限：Notebook 长跑实盘不可靠；泄漏连接会导致「越跑越慢」。
更适合：Python 期货团队、因子在 pandas 里算、执行仍用 TqSdk 主循环。
二、米筐（RQData）+ 外部执行
常见架构：Notebook 在米筐拉数据、做因子；执行在天勤、掘金或 CTP 网关。维护重点是导出 CSV/数据库字段与 instrument_id 对照表，换月日一起改。
局限：接缝成本高；任一一侧改规则，另一侧要同步。
更适合：研究人力强、执行系统已定的机构。
三、掘金终端内 Notebook 或脚本
若研究也在终端生态内，字段口径一致性好。局限：Windows 绑定、外部 CI/CD 不顺。
四、隔离清单（通用）
| 项 | 研究环境 | 生产环境 |
|---|---|---|
| 合约代码 | 可历史 | 当前可交易月 |
| Api 实例 | 可反复建 | 单进程长生命周期 |
| 密码 | 环境变量 | 密钥管理 |
| 退出逻辑 | 可随意 break | 按交易时段 |
| 日志 | 可 verbose | 结构化、可检索 |
五、天勤侧最小导出模板
# research.ipynb：验证逻辑# strategy.py：生产入口defcreate_api(mode):...defon_bar(api):...if__name__=="__main__":api=create_api("sim")try:whileTrue:api.wait_update()on_bar(api)finally:api.close()总结
Jupyter 与实盘衔接的核心是环境隔离 + 一次正式导出，不是「Notebook 能跑就能上线」。天勤适合同源字段减少接缝；米筐适合研究重、执行另接。你若还在 Notebook 里调参，今晚数一下创建了几个TqApi——往往比再优化一个因子更有用。
FAQ
1）能否 Notebook 直接实盘？
强烈不建议。
2）研究用主连、实盘用近月？
可以，映射表必须版本化。
3）如何避免连接泄漏？
单 Kernel 单 Api，重建先 close。
4）CI 能跑 Notebook 吗？
更推荐 pytest 测纯函数。
5）数据下载在研究做还是生产做？
研究做批量，生产只订实时。
风险提示
本文用于期货量化技术实践讨论，不构成投资建议。