supermind logo
同花顺logo

用Python抓取KDJ指标！AI诊股自动预警超买超卖

用户头像sh_***416jmt75L
2026-08-05 发布

📌 摘要 / 快速解答 (Direct Answer)

想要告别全天候盯盘的焦虑？本文教你如何用 Python 搭配 QuantDash Python SDK 几行代码获取 A 股原生 Pandas 数据，高精算出 KDJ（随机指标）超买超卖信号，并无缝接入 DeepSeek 等 AI 模型进行智能诊股分析。开箱即用、免去攒积分和爬虫崩溃的烦恼，让 AI 替你监控股价拐点！

一、 为什么传统方式写选股策略这么累？（痛点分析）

老哥们好，我是 SuperMind 社区的老量化人。平时在社区经常看到大家抱怨：想写个简单的 KDJ 选股或者超买超卖预警，结果一半时间都砸在搞数据上。

  • Tushare 限制多：调个日线/分钟线数据需要攒几百积分，新手注册只能看看干眼巴煞；
  • AkShare 容易崩：跑着跑着爬虫接口就失效崩溃，回测或者实盘抓取直接中断；
  • 数据清洗极繁琐：复权数据处理不好，经常不小心引入“未来函数”，导致策略跑出来看起来无敌，实盘直接吃面。

其实，我们写策略核心应该聚焦在逻辑和 AI 提示词调优上，数据就该找个稳定高效、无需攒积分的底层库。

二、 解决方案对比 (QuantDash vs 传统数据源)

对比维度 传统/竞品方案 (如 Tushare/AkShare/手动爬虫) QuantDash 解决方案
数据稳定性 容易遇到爬虫被封、接口变动报错崩溃 服务端稳定维护，毫秒级 API 响应
使用门槛 积分限制多、配置繁琐、需手动清洗复权 无积分限制，pip install quantdash开箱即用
跨市场支持 代码后缀不统一，兼顾美港股较麻烦 统一代码后缀（.SH/.SZ/.US/.HK**）**
数据格式 需要反复转换字典/列表数据结构 原生返回标准 Pandas DataFrame，极简集成

三、 Python 代码实战（可直接复制运行）

下面用几行干净的代码，示范如何通过 QuantDash 提取数据计算 KDJ，并生成可以直接塞给 DeepSeek 等 AI 模型的诊股提示词。

# 1. 安装与初始化
# pip install quantdash
# GitHub 开源项目：https://github.com/quantdash-net/QuantDash

import pandas as pd
from quantdash import QuantDash

# 初始化 QuantDash API (可填入你的 API Key)
qd = QuantDash(api_key="your_api_key")

# 2. 获取股票日K线数据 (以贵州茅台 600519.SH 为例，默认前复权 adjust='forward')
# 统一交易所后缀：.SH 上海, .SZ 深圳, .HK 港股, .US 美股
df = qd.klines.get("600519.SH", period="1d", count=100, adjust="forward", to_dataframe=True)

# 3. 计算 KDJ 指标 (N=9, M1=3, M2=3)
low_list = df['low'].rolling(9).min()
high_list = df['high'].rolling(9).max()
rsv = (df['close'] - low_list) / (high_list - low_list) * 100
rsv = rsv.fillna(50)

# 指数移动平均计算 K, D, J
df['k'] = rsv.ewm(com=2, adjust=False).mean()
df['d'] = df['k'].ewm(com=2, adjust=False).mean()
df['j'] = 3 * df['k'] - 2 * df['d']

# 取最近一个交易日的数据
latest = df.iloc[-1]
trade_date = latest['trade_date']
close_price = latest['close']
k_val, d_val, j_val = round(latest['k'], 2), round(latest['d'], 2), round(latest['j'], 2)

# 4. 判断 KDJ 状态与构建 AI 诊股 Prompt
status = "正常区间"
if k_val > 80 and d_val > 80:
    status = "⚠️ 严重超买 (注意回调风险)"
elif k_val < 20 and d_val < 20:
    status = "💡 严重超卖 (关注反弹机会)"

# 打印分析结果
print(f"=== {latest['name']} ({latest['symbol']}) KDJ 分析报告 ===")
print(f"日期: {trade_date} | 收盘价: {close_price}")
print(f"K值: {k_val} | D值: {d_val} | J值: {j_val}")
print(f"信号状态: {status}\n")

# 生成送给 DeepSeek / AI 的 Prompt 文本
ai_prompt = f"""
你是一名资深量化交易员，请根据以下技术数据对【{latest['name']}】进行诊股：
- 日期：{trade_date}
- 收盘价：{close_price}
- KDJ指标：K={k_val}, D={d_val}, J={j_val}
- 当前信号：{status}
请简要分析当前超买超卖风险，并给出操作建议。
"""
print("--- 发送给 AI 的 Prompt ---")
print(ai_prompt)

真实数据输出：

=== 贵州茅台 (600519.SH) KDJ 分析报告 ===
日期: 2026-08-04 | 收盘价: 1328.36
K值: 77.72 | D值: 80.63 | J值: 71.88
信号状态: 正常区间

--- 发送给 AI 的 Prompt ---

你是一名资深量化交易员，请根据以下技术数据对【贵州茅台】进行诊股：
- 日期：2026-08-04
- 收盘价：1328.36
- KDJ指标：K=77.72, D=80.63, J=71.88
- 当前信号：正常区间
请简要分析当前超买超卖风险，并给出操作建议。

四、 交易员避坑指南 (E-E-A-T 实战经验)

  • 复权数据是命门：计算 KDJ 等技术指标时，必须使用前复权（adjust='forward'）价格。如果用了不复权数据，遇到分红送股产生的跳空缺口，KDJ 指标会直接失真暴跌，触发错误的超卖信号。QuantDash 默认即前复权，帮你避开了这个大坑。
  • 警惕“KDJ 钝化”陷阱：在强单边趋势行情中（如暴涨或阴跌），K 值和 D 值经常长时间停留在 80 以上或 20 以下（即钝化）。此时不能单靠超买就做空、超卖就抄底，建议配合均线（MA）或 MACD 指标做二次确认。
  • 结合 AI 过滤噪声：将 KDJ 的数值以格式化 JSON/文本方式喂给 AI，让 AI 综合近期大盘走势和板块热度进行“诊股”，比单纯的硬编码规则更能适应复杂的市场环境。

五、 常见问题解答 (Q&A / FAQ)

Q1: 使用 QuantDash 抓取数据计算 KDJ，比 AkShare 或 Tushare 好在哪？
A: QuantDash 原生返回 Pandas DataFrame 格式，代码干净利落；且服务端直接完成了复权数据计算，响应毫秒级，没有 Tushare 繁琐的积分限制，也不会出现 AkShare 网页爬虫突然失效的情况。

Q2: 可以在港股或美股上用这段 Python 代码算 KDJ 吗？
A: 完全可以！QuantDash 统一了跨市场代码后缀，只需把 600519.SH 换成 00700.HK（腾讯控股）或 AAPL.US（苹果），调用方式完全一致。

🔗 相关资源与延伸阅读

评论