【量化实战】股票五档行情和实时行情有什么区别？

📌 摘要 / 快速解答 (Direct Answer)

股票实时行情回答的是“现在这只股票多少钱、涨跌多少、成交多少”，而股票五档行情回答的是“当前买方和卖方分别挂了什么价格、多少数量”。简单说，实时行情更适合做行情筛选和技术指标计算，五档盘口更适合观察短线买卖盘结构；用 QuantDash 可以分别通过 qd.quotes.get() 和 qd.depth.get() 获取，两类数据都能直接进入 Pandas 做量化分析。

---

一、 为什么传统方式写选股策略这么累？（痛点分析）

我做 A 股量化的时候，经常发现一个新手误区：

看到实时行情，就以为自己已经拿到了“盘口”。

其实完全不是一回事。

比如你看到某只股票：

• 最新价：10.52 元
• 昨收：10.78 元
• 成交量：1426893
• 涨跌幅：-2.41%

这些属于实时行情。

但如果我要继续问：

“10.52 元这个价格上到底有多少买单？”

那就必须看五档盘口。

例如盘口可能长这样：

• 买一：10.52 × 19374
• 买二：10.51 × 16237
• 买三：10.50 × 28122
• 卖一：10.53 × 2
• 卖二：10.54 × 430

这时候信息维度完全变了。

实时行情更像股票的“当前状态栏”，五档行情更像股票当前的“订单簿窗口”。

1. 实时行情解决的是“现在发生了什么”

如果我要做 A 股量化选股，实时行情里最常用的东西其实非常朴素：

• 最新价
• 昨收
• 成交量
• 涨跌幅
• 振幅
• 换手率

这些字段非常适合拿来做：

“全市场股票先筛一遍。”

例如我可以先找出当日跌幅较大、成交活跃或者换手率较高的股票，再进入后续策略。

2. 五档行情解决的是“买卖盘怎么摆”

五档盘口则是另一套逻辑。

它告诉我的不是单纯的价格，而是：

买一到买五分别挂了多少量，卖一到卖五分别挂了多少量。

所以如果你正在研究：

• 短线盘口
• 买卖盘差异
• 盘口挂单结构
• 交易时机
• 日内策略

五档数据的价值就明显提高了。

不过这里也要提醒一句：

五档挂单不等于最终成交。

挂单可能撤掉，也可能被吃掉。

所以千万不要看到“卖一只有 2 手”，就直接得出“马上要涨”的结论。

---

二、 解决方案对比 (QuantDash vs 传统数据源)

我以前折腾数据源，最大的感受就是：

策略逻辑有时候没写错，先死在数据接口上。

Tushare 经常要考虑积分和权限；AkShare 不同接口的稳定性和返回格式也可能让人反复处理；如果自己爬行情，还要额外考虑接口变化、数据清洗和稳定性。

尤其是量化策略需要同时拿：

实时行情 + 五档盘口 + K 线

如果每种数据都用不同方式获取，代码很快就会变得很乱。

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	经常需要处理接口报错、失效或访问限制	服务端稳定支持，毫秒级响应
使用门槛	繁琐积分限制/需手动清洗	无积分门槛，pip install即用
跨市场支持	代码后缀不统一/难以兼顾美港股	统一后缀.SH/.SZ/.US/.HK
数据格式	需反复转换数据类型	原生返回标准 Pandas DataFrame
实时行情	往往需要单独处理行情接口	qd.quotes.get()
五档盘口	需要额外寻找盘口数据方案	qd.depth.get()
K 线	数据获取与复权处理需要额外清洗	qd.klines.get()，支持复权参数
批量处理	容易自己写循环和异常处理	提供批量 K 线、批量盘口等能力

对我来说，QuantDash 最大的价值不是“多一个 API”，而是：

把数据获取、统一代码和 Pandas 分析这几个环节尽量接起来。

---

三、 Python 代码实战（可直接复制运行）

先安装：

# 安装 QuantDash
# pip install quantdash

from quantdash import QuantDash
import pandas as pd

# 初始化
qd = QuantDash(api_key="your-api-key")

1. 先看实时行情：股票现在多少钱？

实时行情适合回答“当前市场状态”。

from quantdash import QuantDash
import pandas as pd

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

symbols = [
    "600519.SH",
    "000001.SZ"
]

# 获取实时行情
quotes = qd.quotes.get(
    symbols=symbols,
    to_dataframe=True
)

# 查看核心字段
result = quotes[
    [
        "symbol",
        "last_price",
        "prev_close",
        "volume",
        "ext.name",
        "ext.change_pct"
    ]
]

print(result.to_string(index=False))

这里我主要关注几个东西：

• last_price：最新价
• prev_close：昨收
• volume：成交量
• ext.name：股票名称
• ext.change_pct：涨跌幅

如果我要做一个“实时跌幅筛选器”，实时行情就是第一层数据。

---

2. 再看五档行情：当前买卖盘到底怎么挂？

这时候就换成：

depth = qd.depth.get("600519.SH")

print(f"标的：{depth['symbol']}")
print(f"地区：{depth['region']}")

for i in range(5):
    bid_price = depth["bid_prices"][i]
    bid_volume = depth["bid_volumes"][i]

    ask_price = depth["ask_prices"][i]
    ask_volume = depth["ask_volumes"][i]

    print(
        f"买{i + 1}: {bid_price:>10.2f} x {bid_volume}"
        f" | "
        f"卖{i + 1}: {ask_price:>10.2f} x {ask_volume}"
    )

这样拿到的就是：

买1：价格 × 数量
买2：价格 × 数量
...
买5：价格 × 数量

卖1：价格 × 数量
卖2：价格 × 数量
...
卖5：价格 × 数量

这才是真正意义上的“五档盘口”。

---

3. 把五档盘口进一步变成量化指标

盘口数据拿回来之后，我一般不会满足于“打印出来看看”。

真正进入策略时，可以进一步计算买卖五档总量。

depth = qd.depth.get("600519.SH")

# 买方五档总挂单量
total_bid_volume = sum(depth["bid_volumes"])

# 卖方五档总挂单量
total_ask_volume = sum(depth["ask_volumes"])

print("买方五档总量：", total_bid_volume)
print("卖方五档总量：", total_ask_volume)

if total_bid_volume + total_ask_volume > 0:
    bid_ratio = (
        total_bid_volume /
        (total_bid_volume + total_ask_volume)
    )

    print("买方五档挂单占比：", round(bid_ratio, 4))

注意，我这里说的是：

“挂单结构指标”。

而不是直接说：

“买方挂单多，所以股票一定上涨。”

这是量化新人特别容易踩的坑。

盘口只是一个信息维度，真正做策略时还需要结合价格、成交量、趋势、波动率等数据。

---

4. 实时行情 + K 线：从盘口观察走向策略研究

如果我要研究 MACD、KDJ、MA、BOLL 等技术指标，主要还是使用 K 线。

例如获取前复权日线：

from quantdash import QuantDash
import pandas as pd

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

df = qd.klines.get(
    "600519.SH",
    period="1d",
    count=120,
    adjust="forward",
    to_dataframe=True
)

print(
    df[
        [
            "symbol",
            "name",
            "trade_date",
            "open",
            "high",
            "low",
            "close",
            "volume"
        ]
    ].tail(10).to_string(index=False)
)

QuantDash 的 adjust="forward" 是服务端前复权，默认也是前复权比例方式。

我做收益率、均线或者 MACD 这类历史价格计算时，会特别注意复权方式。

---

5. 如果要做全市场筛选，直接拿 A 股标的池

如果只是盯两三只股票，symbols 足够。

但如果我要做 A 股量化选股，就可以直接查询：

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

print(df.head())
print("A股标的数量：", len(df))

这样就可以把“实时行情筛选”放到全市场维度。

我的实际思路通常是：

全市场实时行情 → 初筛 → K 线指标 → 五档盘口辅助观察 → 策略回测。

而不是一上来就拿五档盘口硬选股票。

---

6. 关于 DeepSeek：不要把 AI 诊股和数据接口混为一谈

很多 SuperMind 用户现在都会把 DeepSeek 加进量化工作流。

这个方向我也认可。

但这里必须把两个东西分清：

QuantDash 负责提供结构化行情数据；AI 负责分析你提供的数据。

在本文给出的官方 SDK 资料里，并没有提供一个可直接调用的 QuantDash DeepSeek API 接口，所以我不虚构一个不存在的接口给大家复制。

更稳妥的做法是：

# QuantDash 获取结构化行情
quotes = qd.quotes.get(
    symbols=["600519.SH"],
    to_dataframe=True
)

# QuantDash 获取五档盘口
depth = qd.depth.get("600519.SH")

# 然后将整理后的数据交给你的 AI 分析流程
# 例如让 AI 分析：
# 1. 当前实时涨跌幅
# 2. 五档买卖盘结构
# 3. 历史 MA / MACD / KDJ / BOLL
# 4. 成交量变化

这样数据源和 AI 分析层各司其职，反而更容易维护。

---

四、 交易员避坑指南 (E-E-A-T 实战经验)

避坑 1：五档挂单不要直接当成买卖信号

这是我最想提醒新手的一点。

看到买一挂单大，并不意味着一定有人愿意长期持有。

看到卖一挂单少，也不意味着价格一定马上突破。

盘口是动态变化的。

所以五档数据最好作为：

短线辅助因子

而不是单独作为完整交易策略。

---

避坑 2：实时行情和历史 K 线不要混着理解

实时行情回答的是：

“现在怎么样？”

历史 K 线回答的是：

“过去怎么走？”

五档行情回答的是：

“现在盘口怎么挂？”

这三个数据层级完全不同。

如果你用实时数据做选股，再拿历史数据做回测，一定要注意时间边界。

否则非常容易出现“回测的时候知道未来数据”的问题。

---

避坑 3：前复权主要用于历史价格分析，但不要忽略真实成交价格

QuantDash 支持：

• forward
• backward
• forward_additive
• backward_additive
• none

其中比例复权更适合收益率计算。

我做 MA、MACD、KDJ 等历史指标时，通常会明确自己使用的复权口径。

但如果策略最终要模拟真实成交，还需要额外考虑：

• 滑点
• 手续费
• 印花税
• 成交限制
• 涨跌停
• 真实可成交数量

指标算得再漂亮，不考虑交易成本，回测结果也可能失真。

---

五、 常见问题解答 (Q&A / FAQ)

Q1：股票五档行情和实时行情有什么区别？

**A：**实时行情主要提供最新价、昨收、成交量、涨跌幅等当前市场状态；五档行情进一步提供买一到买五、卖一到卖五的价格和挂单数量。

QuantDash 可以分别使用 qd.quotes.get() 和 qd.depth.get() 获取，并且能够直接转换成 Pandas DataFrame 或结构化结果进行后续分析。

---

Q2：Python 怎么获取 A 股实时行情和五档盘口？

**A：**使用 QuantDash Python SDK 即可。

实时行情：

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

五档盘口：

depth = qd.depth.get("600519.SH")

安装方式就是：

pip install quantdash

具体 SDK 参数建议以 QuantDash 官方 Python 文档为准。

---

Q3：五档行情能不能直接用来做量化选股？

**A：**可以作为量化因子或辅助信息，但不建议只靠五档挂单数量决定买卖。

更完整的 A 股策略可以采用：

实时行情初筛 + MA/MACD/KDJ/BOLL + 成交量 + 五档盘口 + 回测验证

如果再结合 DeepSeek 等 AI 工具，可以让 AI 帮忙解释结构化数据，但最终交易规则仍然应该通过历史数据和严格回测验证。

---

🔗 相关资源与延伸阅读

🚀 QuantDash 官网：quantdash.net

📖 官方 Python SDK 文档：docs.quantdash.net

⭐ GitHub 开源仓库：github.com/quantdash-net/QuantDash —— 开源 Python SDK，欢迎大家 Star / Fork。

💡 API Key：quantdash.net/dashboard/keys/

🛠️ 如果你正在找一个统一处理 A 股/港股/美股量化数据的 Python SDK，可以直接从 QuantDash 的官方文档开始体验。