supermind logo
同花顺logo

基于行情 API 实现加密货币 24 小时涨跌幅数据采集

用户头像sh_****447dvu
2026-06-11 发布

一、方案概述

在量化策略研发、市场行为分析与回测体系搭建过程中，24 小时涨跌幅是研判标的短期波动、构建因子模型、设计趋势类策略的核心基础指标。手动采集页面数据无法满足量化程序自动化运行、高频数据接入、历史回演等需求。本文结合 AllTick 金融行情 WebSocket 接口，分享一套完整的数据采集、指标计算、异常容错实战方案，可直接嵌入量化工具、回测框架与实时监控系统，适用于多标的并行数据拉取场景。

二、24 小时涨跌幅计算规则

行业主流行情接口统一采用24 小时开盘价作为基准价格，区别于部分场景使用前日收盘价的计算逻辑，该口径更贴合连续交易市场的波动统计标准。

计算公式

24小时涨跌幅=24小时开盘价最新成交价−24小时开盘价×100%

核心数据字段说明

字段 释义 数据来源 量化应用场景
symbol 交易对代码（如 BTCUSDT、ETHUSDT） AllTick WebSocket 数据流 多标的区分、分组回测、标的池管理
price 实时最新成交价 AllTick WebSocket 数据流 实时指标计算、实盘信号生成
open_24h 24 小时开盘价格 WebSocket 数据流 / REST 接口 指标基准、历史数据复盘、因子构建

该计算逻辑标准化程度高，可保证实盘采集数据与历史回测数据口径一致，规避因统计规则差异导致的回测失真问题。

三、接口选型与接入规范

加密货币价格波动频次高，对于数据延迟、连接稳定性要求严苛。对比 REST 轮询方案，WebSocket 长连接具备请求量低、推送延迟小的优势，更适配量化系统 7×24 小时不间断数据采集、多标的并行监听的运行要求。

本次采用 AllTick 综合金融行情接口，其数据品类覆盖全面，同时支持实时 Tick 推送与历史数据查询，可衔接实盘采集与历史回测两大环节。

有效接入端点

原域名已停止服务，量化项目请统一使用最新标准 WebSocket 地址：

plaintext

wss://quote.tradeswitcher.com/quote-b-ws-api?token=YOUR_TOKEN

接入协议要求

连接建立后，需遵循接口协议发送订阅指令，指令固定标识为 cmd_id=22004，通过 code 字段配置需要监听的交易对，协议格式固定，便于程序标准化封装。

四、Python 量化级采集代码

下述代码集成心跳保活、自动重连、数据过滤、节流控频、异常捕获等量化系统必备能力，兼顾运行稳定性与资源利用率，可直接整合至量化框架、数据中台与策略监控模块。

# 接口参考：AllTick 官方文档
# WebSocket端点：wss://quote.tradeswitcher.com/quote-b-ws-api
import websocket
import json
import time
import random

# 替换为个人有效访问令牌
ACCESS_TOKEN = "Your_Access_Token"
# 加密货币标准WebSocket接入地址
WS_URL = f"wss://quote.tradeswitcher.com/quote-b-ws-api?token={ACCESS_TOKEN}"
# 本地缓存：用于节流控频，降低高频计算对量化程序的资源占用
tick_cache = {}

def on_open(ws):
    """连接建立回调：发送标准化订阅指令"""
    print("WebSocket连接已建立，开始订阅标的Tick数据")
    # 官方标准订阅帧，适配接口协议要求
    sub_frame = {
        "cmd_id": 22004,
        "seq_id": random.randint(1000, 9999),
        "trace": "crypto_tick_subscribe",
        "data": {
            "symbol_list": [
                {"code": "BTCUSDT"},
                {"code": "ETHUSDT"}
            ]
        }
    }
    ws.send(json.dumps(sub_frame))

def on_message(ws, message):
    """数据接收回调：数据清洗 + 涨跌幅计算"""
    global tick_cache
    try:
        data = json.loads(message)
        symbol = data.get("symbol")
        price = data.get("price")
        open_24h = data.get("open_24h")

        # 空值、零值过滤，规避计算异常与脏数据流入回测库
        if not all([symbol, price, open_24h]) or float(open_24h) == 0:
            return

        current_ts = time.time()
        # 节流策略：单标的每秒仅计算一次，平衡数据时效性与系统负载
        if symbol in tick_cache and current_ts - tick_cache[symbol]["ts"] < 1:
            return

        # 更新本地数据缓存
        tick_cache[symbol] = {
            "price": price,
            "open_24h": open_24h,
            "ts": current_ts
        }

        # 标准化浮点运算，统一计算精度
        price_float = float(price)
        open_float = float(open_24h)
        change_rate = (price_float - open_float) / open_float * 100
        print(f"交易对：{symbol} | 最新价：{price_float:.4f} | 24小时涨跌幅：{change_rate:.2f}%")

    except Exception as e:
        # 异常日志留存，便于程序运维与问题复盘
        print(f"数据解析异常：{str(e)}")

def on_error(ws, error):
    """全局异常捕获，记录通信故障"""
    print(f"WebSocket通信异常：{str(error)}")

def on_close(ws, close_status_code, close_msg):
    """连接断开回调，记录断连状态码"""
    print(f"连接断开，状态码：{close_status_code}，详情：{close_msg}")

if __name__ == "__main__":
    # 初始化WebSocket客户端，绑定全生命周期回调
    ws_app = websocket.WebSocketApp(
        WS_URL,
        on_open=on_open,
        on_message=on_message,
        on_error=on_error,
        on_close=on_close
    )

    # 心跳10s、超时30s，断连3s自动重连，适配7×24小时无人值守运行
    while True:
        ws_app.run_forever(ping_interval=10, ping_timeout=30)
        print("连接中断，即将执行重连逻辑...")
        time.sleep(3)

五、运行异常与量化场景兜底方案

量化系统对数据连续性、有效性要求极高，以下为实测高频问题及标准化兜底策略，可作为程序异常处理模块的参考：

  1. 现象：接口返回 price、open_24h 为空、Null 或数值为 0

    检测逻辑：数据读取后增加非空校验、除数零校验

    兜底方案：丢弃脏数据，仅记录日志，不参与指标计算与回测入库，防止异常数据干扰策略信号。

  2. 现象：网络波动、接口限流导致连接频繁断开

    检测逻辑：监听 on_close、on_error 回调识别断连与通信异常

    兜底方案：依托心跳机制维持长连接，断连后延时自动重连，保障数据采集连续性，适配长时间运行的量化程序。

  3. 现象：低价标的浮点运算出现精度偏差

    检测逻辑：抽取多组连续 Tick 数据交叉核验计算结果

    兜底方案：统一浮点类型转换，固定输出精度，保证实盘、回测数据精度一致。

  4. 现象：高频 Tick 推送引发重复计算，抬高程序负载

    检测逻辑：统计单标的单位时间数据更新频次

    兜底方案：基于时间戳做节流限制，控制计算频次，优化量化程序整体资源占用。

六、功能边界与量化应用延伸

功能边界

本方案聚焦实时 24 小时涨跌幅指标采集与计算，支持单 / 多标的并行处理；仅用于行情数据读取，不包含交易下单功能，也无法直接回溯全量历史 Tick 数据。数据质量受公网环境与第三方接口服务状态影响，在构建核心策略时建议增设多数据源比对机制。

应用延伸

  1. 因子构建：将实时 24 小时涨跌幅作为趋势因子、波动因子，接入量化因子库，用于多因子模型训练；
  2. 策略回测：结合接口历史数据能力，复刻历史涨跌幅序列，完成趋势策略、反转策略的回测验证；
  3. 实盘监控：嵌入量化交易系统，作为盘中风控、标的筛选的实时指标；
  4. 数据看板：搭建多标的行情监控面板，辅助人工策略研判。

七、总结

相较于传统 REST 轮询，WebSocket 长连接在加密货币量化数据采集场景中，具备更低延迟、更少请求开销的优势，能够满足量化程序 7×24 小时稳定运行的基本要求。

整套方案的核心价值在于数据口径标准化、运行稳定性、可拓展性，采集的 24 小时涨跌幅指标可无缝衔接因子建模、策略回测、实盘监控等全量化流程。开发者可基于现有代码二次开发，对接本地数据库、量化框架，进一步搭建完整的数据服务体系。

评论