选股票数据接口时最容易忽略的 4 个维度：不只是"能拉到 K 线"就够了
大多数人选数据接口的思路是这样的：
"我需要股票 K 线数据 → 搜一下哪个免费 → 能跑通就行"
于是选了一个能拉日 K 线的接口，跑通了第一个脚本，觉得"搞定了"。
直到有一天你需要做这些事情：
- 想看某只票的五档盘口挂单量——发现你的数据源不支持
- 想同时分析 A 股和港股的同一家公司——发现需要换一个数据源
- 想用 1 分钟线做日内分析——发现你的数据源只有日线
- 策略回测结果一直不对——发现只有两种复权方式，而你需要的那种不在其中
选数据源不只是看"能不能拉到 K 线"，而是要看它的功能维度够不够宽。否则每次需求升级一点，你就要换一个数据源、改一遍代码。
这篇文章列出选数据接口时容易忽略的 4 个维度，帮你做一次完整的评估。
维度 1：盘口深度数据
为什么你迟早需要它
日 K 线只告诉你每天的开高低收，但不告诉你"当前这个价格有多少人在挂单买、多少人在挂单卖"。
五档盘口数据包含：
- 买一到买五的价格和挂单量
- 卖一到卖五的价格和挂单量
这些信息在以下场景中不可替代：
| 场景 | 需要盘口数据的原因 |
|---|---|
| 估算交易滑点 | 买卖价差决定了你实际成交价和预期价的差距 |
| 判断短期多空力量 | 买盘厚 vs 卖盘厚 = 短期多 vs 空 |
| 评估流动性 | 挂单量大 = 容易成交，挂单量小 = 冲击成本高 |
| 做日内/高频分析 | 盘口变化是最高频的交易信号 |
AlphaFeed 的盘口接口
from alphafeed import AlphaFeed
af = AlphaFeed()
# 单只票
depth = af.depth.get("600519.SH")
print(f"买一: {depth['bid_prices'][0]:.2f} × {depth['bid_volumes'][0]}")
print(f"卖一: {depth['ask_prices'][0]:.2f} × {depth['ask_volumes'][0]}")
# 批量查——同时看多只票的盘口
depths = af.depth.batch(["600519.SH", "000001.SZ", "300750.SZ"])
for sym, d in depths.items():
spread = (d["ask_prices"][0] - d["bid_prices"][0]) / d["bid_prices"][0] * 10000
print(f"{sym}: 价差 {spread:.1f} bps")
五档价格和挂单量一次返回，批量查多只票也支持。
数据源对比
| 数据源 | 五档盘口 | 批量盘口 |
|---|---|---|
| akshare | 部分支持（通过爬取页面） | 不支持 |
| efinance | 部分支持 | 不支持 |
| Tushare | 不提供实时盘口 | 不支持 |
| AlphaFeed | 支持（标准 API） | 支持（depth.batch） |
维度 2：分钟线 / 日内分时数据
为什么你迟早需要它
日线策略能做的事情是有限的。当你开始做这些分析时，就必须有分钟线数据：
- VWAP 计算：需要分钟级的成交量和成交价
- 日内波动分析：开盘 30 分钟 vs 尾盘 30 分钟的量价差异
- 盘中异动检测：某一分钟突然放量 5 倍，可能是大单成交
- 日内择时：在什么时间点买入冲击成本最小
AlphaFeed 的分时接口
from alphafeed import AlphaFeed
af = AlphaFeed()
# 1 分钟线
df = af.klines.intraday("600519.SH", to_dataframe=True)
print(f"分钟线: {len(df)} 根")
print(df[["trade_time", "close", "volume"]].tail(5))
# 5 分钟线
df_5m = af.klines.intraday("600519.SH", period="5m", to_dataframe=True)
# 批量拉多只票的分时——盘中监控就靠这个
dfs = af.klines.intraday_batch(
["600519.SH", "000001.SZ", "300750.SZ"],
to_dataframe=True,
)
单只票和批量都支持。返回的 DataFrame 和日线格式一致（trade_time, open, high, low, close, volume），不需要额外处理。
数据源对比
| 数据源 | 1 分钟线 | 5 分钟线 | 批量分时 |
|---|---|---|---|
| akshare | 需要爬取 | 需要爬取 | 不支持（循环 + sleep） |
| efinance | 部分支持 | 部分支持 | 不支持 |
| Tushare | Pro 会员 | Pro 会员 | 循环调用 |
| AlphaFeed | 支持 | 支持 | 支持（intraday_batch） |
维度 3：多市场统一接口
为什么你迟早需要它
A 股做久了，你一定会想看美股和港股：
- A 股和美股的相关性分析（隔夜美股跌了，A 股会跟吗？）
- AH 股溢价比较（同一家公司在 A 股和港股的价差）
- 跨市场分散投资（把策略从 A 股扩展到港股）
如果你的数据源只覆盖 A 股，做跨市场分析时就必须引入第二个、第三个数据源。每个数据源的接口不同、代码格式不同、列名不同——你的代码复杂度会呈指数增长。
AlphaFeed 的跨市场设计
from alphafeed import AlphaFeed
af = AlphaFeed()
# 同一个函数，同一个参数格式，同一个返回结构
df_cn = af.klines.get("600519.SH", period="1d", count=250, adjust="forward", to_dataframe=True)
df_us = af.klines.get("AAPL.US", period="1d", count=250, adjust="forward", to_dataframe=True)
df_hk = af.klines.get("00700.HK", period="1d", count=250, adjust="forward", to_dataframe=True)
# 代码格式统一：{代码}.{交易所}
# A股: 600519.SH / 000001.SZ
# 美股: AAPL.US / TSLA.US
# 港股: 00700.HK / 09988.HK
# 批量也支持跨市场
dfs = af.klines.batch(
["600519.SH", "AAPL.US", "00700.HK"],
period="1d", count=250,
adjust="forward", to_dataframe=True,
)
一套代码跑三个市场。不需要三个库、三套接口、三套代码格式转换。
数据源对比
| 数据源 | A 股 | 美股 | 港股 | 接口统一 |
|---|---|---|---|---|
| akshare | ✅ | ✅（不同函数） | ✅（不同函数） | ❌ 每个市场一套 API |
| efinance | ✅ | ❌ | ❌ | — |
| Tushare | ✅ | ✅（需要积分） | ✅（需要积分） | ⚠️ 部分统一 |
| AlphaFeed | ✅ | ✅ | ✅ | ✅ 完全统一 |
维度 4：复权方式的丰富度
为什么你迟早需要它
大多数数据源提供两种复权：前复权和后复权。但在实际量化研究中，你可能需要更多：
| 复权方式 | 用途 | 谁需要 |
|---|---|---|
| 比例前复权 | 回测最常用，让历史价格可比 | 几乎所有人 |
| 比例后复权 | 计算真实长期收益率 | 做长线研究的 |
| 差值前复权 | 某些交易系统要求 | 和券商系统对接的 |
| 差值后复权 | 和某些行情软件对齐 | 需要和通达信/同花顺对数的 |
| 不复权 | 看真实成交价，检测涨停 | 做涨停策略、打板的 |
| 原始复权因子 | 自己算复权价、做定制化分析 | 有特殊需求的 |
AlphaFeed 的复权支持
from alphafeed import AlphaFeed
af = AlphaFeed()
# 5 种复权方式 + 原始复权因子
df_1 = af.klines.get("600519.SH", adjust="forward", to_dataframe=True) # 比例前复权
df_2 = af.klines.get("600519.SH", adjust="backward", to_dataframe=True) # 比例后复权
df_3 = af.klines.get("600519.SH", adjust="forward_additive", to_dataframe=True) # 差值前复权
df_4 = af.klines.get("600519.SH", adjust="backward_additive", to_dataframe=True) # 差值后复权
df_5 = af.klines.get("600519.SH", adjust="none", to_dataframe=True) # 不复权
# 原始复权因子
factors = af.klines.ex_factors(["600519.SH"], to_dataframe=True)
print(factors[["symbol", "trade_date", "ex_factor"]])
数据源对比
| 数据源 | 前复权 | 后复权 | 差值复权 | 不复权 | 复权因子 |
|---|---|---|---|---|---|
| akshare | ✅ | ✅ | ❌ | ✅ | ❌ |
| efinance | ✅ | ✅ | ❌ | ✅ | ❌ |
| Tushare | ✅ | ✅ | ❌ | ✅ | ✅ |
| AlphaFeed | ✅ | ✅ | ✅ | ✅ | ✅ |
功能维度评估清单
选数据接口时，建议用这张清单做一次完整评估：
□ 基础数据
□ 日 K 线（OHLCV）
□ 周线 / 月线
□ 复权方式（至少前复权 + 不复权）
□ 标的基本信息（名称、上市日期、交易所）
□ 实时数据
□ 实时行情（最新价、涨跌幅）
□ 五档盘口（买卖五档价格和量）
□ 日内分钟线（1分钟 / 5分钟）
□ 批量能力
□ 批量拉 K 线（不是循环 + sleep）
□ 批量拉行情
□ 批量拉盘口
□ 全市场行情快照（universes）
□ 市场覆盖
□ A 股
□ ETF
□ 美股
□ 港股
□ 接口是否统一（同一个函数 vs 每个市场一套）
□ 工程质量
□ 自动重试
□ 错误处理（明确报错 vs 静默返回空）
□ 并发支持
□ 进度条
□ 返回格式一致性（固定列名 vs 每次不同）
很多数据源在"基础数据"这一栏打勾没问题，但在后面几栏就开始漏项了。当你的需求从"拉一只票的日线"升级到"批量拉全市场数据 + 盘口 + 分钟线 + 跨市场"时，能力不足的数据源就会拖慢你。
AlphaFeed 在这 4 个维度上的覆盖
| 维度 | 能力 | 具体接口 |
|---|---|---|
| 五档盘口 | 单只 + 批量 | depth.get / depth.batch |
| 日内分时 | 1分钟 + 5分钟，单只 + 批量 | klines.intraday / intraday_batch |
| 跨市场 | A股 + 美股 + 港股 + ETF，接口完全统一 | 所有接口通用 |
| 复权方式 | 5 种复权 + 原始复权因子 | klines.get(adjust=...) / klines.ex_factors |
加上基础的日/周/月 K 线、实时行情、全市场快照、批量并发——这些能力覆盖了个人量化研究中 95% 的数据需求。
选型建议
| 你的阶段 | 建议 |
|---|---|
| 刚入门，只想拉日 K 线试试 | 任何免费数据源都行，先跑通再说 |
| 开始做认真的回测和选股 | 需要稳定性 + 批量能力 + 复权支持 |
| 想做日内分析或盘中监控 | 需要分钟线 + 实时行情 + 盘口 |
| 想扩展到美股或港股 | 需要跨市场统一接口 |
| 脚本需要长期稳定运行 | 需要正式 API，不能依赖爬虫 |
如果你现在只需要日 K 线，但预期半年后会用到上面提到的更多功能——建议一开始就选一个功能维度够宽的数据源。换数据源的成本比你想象的高：改代码、改列名、改代码格式、重新调试、重新验证数据一致性。
AlphaFeed 的免费版已经包含了上面大部分功能（除了全市场 universes 查询需要 Starter 订阅）。先注册免费版跑通，等需求扩大了再升级，不需要换平台、不需要改代码。
- AlphaFeed 官网：https://alphafeed.org/
- Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart