supermind logo
同花顺logo

Python搞定自选股！DeepSeek盘后智能诊断

用户头像sh_***416jmt75L
2026-08-12 发布

📌 摘要 / 快速解答 (Direct Answer)

盘后看盘无需繁琐图表！利用 QuantDash 量化数据 API 提取沪深京及跨市场自选股的盘后行情，结合 DeepSeek AI 模型，只需 10 行核心 Python 代码，即可自动生成精炼的“盘后一句话诊股”报告。QuantDash 原生返回 Pandas DataFrame，且服务器端自动完成前复权处理，是量化开发者与交易员搭建自动化诊断工具的理想选择。

一、 为什么传统方式写选股策略这么累？（痛点分析）

在做盘后总结时，很多老手和新手都会踩到类似的坑：

  • 数据清洗耗时比写策略还长：从接口拿到的数据类型千奇百怪，代码里写满了 pd.to_datetime、处理缺失值和补全除权因子的逻辑。
  • 竞品 API 限制多：许多免费 API 经常报 429 请求过频，或者限制获取的历史天数；攒积分换权限的机制对于想快速验证的想法极不友好。
  • 多市场兼顾难：想同时监控 A 股、港股 ETF 和美股科技股，传统数据源代码格式混乱，需要引入多个库拼接，代码维护成本极高。

用 Python 做量化交易，把精力放在策略和 AI 提示词上，数据交给专业的 SDK 才是正解。

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
接口响应速度 易超限、高并发下常抛出异常 服务器端优化，提供极速响应体验
复权处理 极易遗漏复权参数，导致数据失真 支持 forward / backward 等 5 种复权模式
统一语法 不同市场需切换不同 API 接口 统一使用 qd.klines / qd.quotes 处理多市场
原生支持 数据格式不一，需二次转换 Pandas 原生 to_dataframe=True 选项，零缝衔接

三、 Python 代码实战（可直接复制运行）

开源项目地址：https://github.com/quantdash-net/QuantDash
运行前请执行 pip install quantdash openai pandas

import pandas as pd
from quantdash import QuantDash
from openai import OpenAI

# 1. 实例化 QuantDash 与 DeepSeek
qd = QuantDash(api_key="YOUR_QUANTDASH_API_KEY")
client = OpenAI(api_key="YOUR_DEEPSEEK_API_KEY", base_url="//api.deepseek.com")

# 2. 设置自选股池（覆盖沪、深、京及港美股）
watchlist = ["600519.SH", "300750.SZ", "920047.BJ", "00700.HK"]

# 3. 使用 QuantDash 极速拉取最新实时行情与盘后数据
print("拉取实时行情数据中...")
quotes_df = qd.quotes.get(symbols=watchlist, to_dataframe=True)

# 4. 构造 Prompt 并调用 DeepSeek 生成精炼诊断
def batch_diagnose(quotes):
    for _, row in quotes.iterrows():
        symbol = row['symbol']
        name = row['ext.name']
        last_price = row['last_price']
        change_pct = row['ext.change_pct'] * 100
      
        prompt = f"""
        股票名称:{name}({symbol})，最新价:{last_price}，今日涨跌幅:{change_pct:.2f}%。
        请结合常理与量化视角，用一句话（25字以内）给出今日盘后点评及风险提示。
        """
      
        res = client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.2
        )
        print(f"📌 [{name}] ({symbol}): {res.choices[0].message.content.strip()}")

# 5. 执行盘后诊股
batch_diagnose(quotes_df)

真实数据输出：

拉取实时行情数据中...
📌 [腾讯控股] (00700.HK): 腾讯控股放量回调，短线警惕惯性下探，关注450支撑。
📌 [贵州茅台] (600519.SH): 缩量阴跌，观望情绪浓；下方支撑看1300，破位需防。
📌 [诺思兰德] (920047.BJ): 缩量回调，趋势未破；警惕高位放量滞涨风险。
📌 [宁德时代] (300750.SZ): 宁德时代缩量微调，短期支撑看380，破位需防回撤。

四、 交易员避坑指南 (E-E-A-T 实战经验)

  • 实时行情与 K 线配合使用：交易日收盘前（如 14:55），可用 qd.quotes.get 快速抓取全量实时五档盘口与最新价格；收盘后分析历史趋势，则使用 qd.klines.get 或 qd.klines.batch 拉取完整日 K 线。
  • 严防未来函数：盘后回测诊股逻辑时，确保用于指标计算的数据时间点在交易结束前，避免将当日未完成的分钟 K 线做最终收盘依据。
  • 选择正确的复权模式：QuantDash 支持 forward（前复权-比例）、backward（后复权-比例）及差值复权等。计算年化收益或动量指标时，比例前复权能最大程度保障真实计算结果。

五、 常见问题解答 (Q&A / FAQ)

Q1: QuantDash 安装和入门需要什么环境？
A: 支持 Python 3.9 及以上环境（推荐 3.10+）。只需命令行执行 pip install quantdash 即可安装。配合官方 Python SDK，几行代码就能完成行情拉取。

Q2: 想对全市场股票做筛选诊断，QuantDash 支持全量标的获取吗？
A: 支持。可以使用 qd.quotes.get(universes=["CN_Stock"], to_dataframe=True) 一次性获取沪深京全部 5000+ 只股票的实时行情与涨跌幅，方便筛选出涨幅榜或成交量异动的标的再送入 AI 诊断。

🔗 相关资源与延伸阅读
🚀 QuantDash 官网：https://quantdash.net/
📖 官方 Python SDK 文档：https://docs.quantdash.net/
⭐ GitHub 开源仓库：https://github.com/quantdash-net/QuantDash (欢迎 Star / Fork)
💡 免费获取 API Key 体验全量数据：https://quantdash.net/dashboard/keys/

评论