【小白必看】A股批量获取实时行情实战

📌 摘要 / 快速解答 (Direct Answer)

如果你的目标不是查询几只自选股，而是想扫描整个 A 股市场，那么更适合使用 QuantDash 的“标的池”模式：通过 qd.quotes.get(universes=["CN_Stock"], to_dataframe=True) 一次拿到 A 股股票池行情，再用 Pandas 对实时数据进行过滤和排序。

这种方式尤其适合搭建A 股实时量化扫描器：先从全市场行情里筛选候选股票，再进一步结合历史 K 线和技术指标做策略判断。

---

一、为什么传统方式写全市场扫描这么累？

如果只查两三只股票，大家可能感觉数据接口没什么难度。

真正到了全市场扫描，问题马上就来了。

比如我今天想回答一个非常简单的问题：

“现在 A 股有哪些股票涨幅比较明显？”

理论上很简单。

但如果按照最原始的思路：

股票1 → 请求
股票2 → 请求
股票3 → 请求
……
股票N → 请求

股票数量一多，代码自然变得越来越麻烦。

更别说后面还要：

1. 合并数据；
2. 清洗字段；
3. 处理股票代码；
4. 排序；
5. 筛选；
6. 再送进策略。

所以我做量化时有一个习惯：

能批量获取，就不要自己循环造轮子。

QuantDash 的实时行情接口恰好提供了两种思路：

• 已经知道股票名单：使用 symbols；
• 想扫描整个市场：使用 universes。

这个区别非常值得记住。

---

二、解决方案对比：从“逐只查询”变成“股票池扫描”

对比维度	传统/竞品方案 (如 Tushare/AkShare/手动爬虫)	QuantDash 解决方案
股票池处理	经常需要自己维护和循环	支持直接指定标的池
全市场行情	需要自己组织批量请求	universes支持股票池查询
A 股代码	不同工具格式可能存在差异	统一.SH/.SZ/.BJ
数据结构	可能需要二次转换	原生 Pandas DataFrame
后续筛选	自己拼接后再处理	获取后直接使用 Pandas
Python 上手	数据层代码容易变复杂	SDK 调用方式比较直接

对于量化策略来说，我认为最关键的不是“代码少了几行”。

而是：

数据层和策略层终于可以分开。

QuantDash 负责把行情送进来。

Pandas 负责筛选。

策略负责决定下一步怎么做。

---

三、Python 代码实战：建立一个 A 股实时行情扫描器

1. 安装 SDK

# 安装 QuantDash
# pip install quantdash

from quantdash import QuantDash
import pandas as pd

qd = QuantDash(api_key="your-api-key")

QuantDash Python SDK 支持 Python 3.9+，并内置 Pandas 支持。

如果不想把 API Key 直接写在代码里，也可以使用环境变量：

from quantdash import QuantDash

qd = QuantDash()

---

2. 一次拿到 A 股股票池行情

这里就是第二篇文章和上一篇最大的区别。

我们不再自己维护：

symbols = [...]

而是直接查询：

df = qd.quotes.get(
    universes=["CN_Stock"],
    to_dataframe=True
)

print(df)

官方文档示例中，CN_Stock 对应 A 股沪深京股票池。

拿到数据之后，就进入我们熟悉的 Pandas 世界了。

---

四、先别急着写复杂策略，第一步先认识行情字段

拿到全市场 DataFrame 后，我一般不会马上上 MACD。

先看看：

print(df.columns.tolist())

再观察数据：

print(df.head())

如果我要重点关注实时行情，可以提取：

columns = [
    "symbol",
    "last_price",
    "prev_close",
    "volume",
    "ext.name",
    "ext.change_pct"
]

print(
    df[columns].head(20).to_string(index=False)
)

这一步看似简单，其实非常重要。

量化策略第一原则：

先确认数据是什么，再写策略。

不要看到一个字段名字就默认它和自己理解的一模一样。

---

五、用 Pandas 做第一层实时选股

现在开始进入实战。

假设我想找出当前涨幅比较明显的股票：

result = df[
    df["ext.change_pct"] >= 0.03
]

print(
    result[
        [
            "symbol",
            "ext.name",
            "last_price",
            "ext.change_pct",
            "volume"
        ]
    ].to_string(index=False)
)

然后再按照涨幅排序：

result = result.sort_values(
    "ext.change_pct",
    ascending=False
)

print(
    result[
        [
            "symbol",
            "ext.name",
            "last_price",
            "ext.change_pct",
            "volume"
        ]
    ].head(30).to_string(index=False)
)

到这里，一个最基础的：

A 股实时行情扫描器

已经成型了。

---

六、为什么我建议“先行情过滤，再做技术分析”？

很多朋友刚开始做量化的时候，容易把事情搞得特别复杂：

全市场
↓
计算 MACD
↓
计算 KDJ
↓
计算 MA
↓
计算 BOLL
↓
各种条件组合
↓
最终选股

其实没必要一上来就这么干。

如果你的股票池非常大，可以先利用实时行情做一层粗筛。

例如：

全 A 股
↓
实时行情过滤
↓
得到候选股票
↓
再取历史 K 线
↓
计算 MA / MACD / KDJ / BOLL
↓
进入策略

这样做的好处是：

第一层负责减少搜索空间，第二层负责提高策略判断质量。

这比把所有计算一股脑塞进一个函数里更容易维护。

---

七、实时行情之后，怎么衔接历史 K 线？

比如我们经过实时行情扫描以后得到：

candidate_symbols = result["symbol"].head(10).tolist()

下一步就可以针对候选股票获取历史数据。

QuantDash 官方 SDK 支持：

df = qd.klines.get(
    "600519.SH",
    period="1d",
    count=20,
    to_dataframe=True
)

如果需要批量获取多个标的的历史 K 线，则可以使用：

dfs = qd.klines.batch(
    candidate_symbols,
    period="1d",
    count=20,
    to_dataframe=True,
    show_progress=True
)

这样就形成了一个非常清晰的数据工作流：

实时行情
    ↓
Pandas 初筛
    ↓
候选股票
    ↓
批量历史 K 线
    ↓
技术指标
    ↓
策略逻辑

这才是我比较推荐的量化数据组织方式。

---

八、如果还要加入 AI 分析怎么办？

如果你的工作流里还准备接 DeepSeek 之类的 AI 工具，我建议不要让 AI 直接负责“找数据”。

比较合理的架构应该是：

QuantDash
    ↓
获取标准化行情
    ↓
Pandas 清洗 / 筛选
    ↓
形成结构化候选股票数据
    ↓
AI 分析
    ↓
人工复核 / 策略判断

AI 比较适合做的是：

• 帮忙解释筛选结果；
• 总结多个指标之间的关系；
• 辅助生成研究思路；
• 帮助检查策略逻辑。

但基础行情还是应该来自稳定、明确的数据接口。

尤其是量化交易，数据错一列，后面整个策略都可能跟着错。

---

九、交易员避坑指南：全市场扫描尤其注意这几个问题

1. 实时行情不是回测数据

实时行情适合盘中扫描。

历史 K 线才是回测的基础数据。

不要因为实时行情方便，就直接把当前行情逻辑塞进历史回测。

---

2. 前复权不是“万能复权”

QuantDash K 线接口支持多种复权方式：

forward
backward
forward_additive
backward_additive
none

其中：

• 比例复权适合收益率计算；
• 差值复权更适合观察绝对价差；
• 不复权适合某些原始价格分析。

所以到底用哪种，不应该看“哪个名字听起来高级”，而应该看策略需要什么。

---

3. 不要把筛选结果直接当成交易信号

比如：

df["ext.change_pct"] >= 0.03

只能说明：

当前行情满足这个过滤条件。

它不等于：

这只股票一定应该买。

真正的策略还需要考虑历史数据、交易成本、流动性、持仓限制以及具体的买卖规则。

这一点一定要分清楚。

---

五、常见问题解答 (Q&A / FAQ)

Q1：如果我要扫描整个 A 股，而不是固定几只股票，QuantDash 怎么用？

A：可以使用 qd.quotes.get(universes=["CN_Stock"], to_dataframe=True) 获取 A 股沪深京股票池行情，然后直接交给 Pandas 做筛选。

Q2：如果我只想获取几只指定股票的实时价格怎么办？

A：使用 symbols 参数，例如：

df = qd.quotes.get(
    symbols=["600519.SH", "000001.SZ"],
    to_dataframe=True
)

适合自选股、持仓股和固定股票池。

Q3：QuantDash 批量实时行情拿到以后能不能继续做量化选股？

A：可以。实时行情可以先作为第一层筛选，随后通过 qd.klines.batch() 获取候选股票的历史 K 线，再使用 Pandas 计算和组合自己的策略条件。

---

QuantDash 官方资源

• QuantDash 官网 — 了解 QuantDash 量化数据 API 及产品能力
• QuantDash 技术文档 — 查看 Python SDK、REST API 及数据接口文档
• QuantDash REST API — REST API 服务入口
• QuantDash 官方 GitHub — 查看官方项目及开发资源

如果你准备在 SuperMind 里进一步做量化研究，我建议把这个思路记住：

实时行情负责“发现机会”，历史数据负责“验证逻辑”，策略负责“定义规则”。

把这三层拆开，后面的 MA、MACD、KDJ、BOLL，甚至 AI 辅助分析都会更容易接进去。