【量化实战】批量获取多只股票实时行情

📌 摘要 / 快速解答 (Direct Answer)

如果只是想一次拿到多只 A 股的最新价格、昨收、成交量和涨跌幅，没必要给每只股票单独请求接口。QuantDash 可以直接通过 qd.quotes.get(symbols=[...], to_dataframe=True) 批量获取实时行情，并原生返回 Pandas DataFrame，拿回来就能继续做排序、筛选和指标计算。

对于 SuperMind 用户来说，这种方式特别适合做自选股监控、量化选股、实时行情扫描和策略前置过滤。

---

一、 为什么传统方式写选股策略这么累？

我自己做量化的时候，一个特别容易踩的坑就是：

策略代码还没开始跑，数据接口先把自己折腾崩了。

尤其是刚开始做 Python 量化的朋友，经常会遇到下面几个情况：

• 一个股票请求一次，股票池一大，请求次数直接爆炸；
• 数据源有积分、权限或者频率限制；
• 接口偶尔报错，导致整个扫描任务中断；
• 不同市场的股票代码格式不统一；
• 接口返回的数据还得自己转换成 DataFrame；
• 实时行情拿回来以后，还要重新整理字段才能进入策略。

比如我有 50 只自选股，传统思路很容易写成：

for symbol in symbols:
    # 请求一次
    # 再处理一次
    # 再拼接一次

这其实不是不能做，而是随着股票数量增长，代码和维护成本都会越来越高。

我更喜欢把问题拆成两步：

第一步：批量拿行情。

第二步：把 DataFrame 交给 Pandas 做后续筛选。

这样策略代码会干净很多。

---

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
数据稳定性	容易遇到接口报错、失效或频率问题	面向量化场景提供标准化数据服务
使用门槛	可能涉及积分、权限或额外数据清洗	pip install quantdash即可开始
批量行情	往往需要自己循环请求	quotes.get支持多个 symbols
跨市场支持	不同数据源代码格式可能不同	统一.SH/.SZ/.BJ/.US/.HK格式
数据格式	经常需要自己转换	原生支持 Pandas DataFrame
后续分析	需要额外拼接整理	可直接交给 Pandas 筛选处理

这里有一个细节我觉得非常重要：

批量获取行情和批量获取 K 线，是两个不同的需求。

如果你要的是当前行情，就优先看 qd.quotes.get()。

如果你要历史日 K、分钟 K，则应该使用 qd.klines.get() 或 qd.klines.batch()。

别一上来就把所有接口混在一起。

---

三、Python 代码实战：批量获取自选股实时行情

1. 安装 QuantDash

# 安装 QuantDash
# pip install quantdash

from quantdash import QuantDash
import pandas as pd

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

如果你习惯使用环境变量，也可以让 SDK 自动读取 API Key：

from quantdash import QuantDash

qd = QuantDash()

---

2. 准备股票池

假设这是我的自选股：

symbols = [
    "600519.SH",
    "000001.SZ",
    "000858.SZ"
]

QuantDash 使用统一的：

代码.交易所后缀

例如：

600519.SH   # 上海
000001.SZ   # 深圳
920047.BJ   # 北京
AAPL.US     # 美股
00700.HK    # 港股

这一点对于以后做跨市场策略非常方便。

---

3. 一次请求获取全部实时行情

df = qd.quotes.get(
    symbols=symbols,
    to_dataframe=True
)

print(df)

这就是整篇文章最核心的一行。

不是：

for symbol in symbols:
    ...

而是直接：

qd.quotes.get(symbols=symbols)

然后让 SDK 返回 Pandas DataFrame。

---

4. 只保留策略需要的字段

实时行情返回字段比较丰富。

如果我现在只关心：

• 股票代码
• 最新价
• 昨收
• 成交量
• 股票名称
• 涨跌幅

可以直接这样处理：

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

print(result.to_string(index=False))

官方文档中的实时行情示例也是按照这些字段进行读取。

---

5. 进一步用 Pandas 做实时筛选

拿到 DataFrame 以后，真正有意思的地方才开始。

例如我只想看看当前涨跌幅达到一定程度的股票：

# 只保留涨跌幅绝对值较大的股票
filtered = df[
    df["ext.change_pct"].abs() >= 0.02
]

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

这里 QuantDash 负责：

行情获取。

Pandas 负责：

数据处理。

这两个职责分开以后，策略代码就舒服很多。

---

四、如果股票池很大怎么办？

如果你手里已经不是几十只股票，而是整个 A 股股票池，那就没必要一个个维护 symbols。

QuantDash 官方文档支持直接按照标的池查询全量行情。

例如：

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

print(df)

其中：

CN_Stock

代表 A 股沪深京股票池。

文档示例返回的是一个 Pandas DataFrame，可以直接继续处理。

这时候玩法就从：

“我的股票现在涨多少？”

变成：

“今天整个 A 股市场有哪些股票满足我的条件？”

---

五、从“查行情”升级成“量化扫描”

例如我想先做一个非常简单的行情扫描：

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

# 按涨跌幅筛选
result = df[
    df["ext.change_pct"] >= 0.03
]

# 按涨跌幅从高到低排序
result = result.sort_values(
    "ext.change_pct",
    ascending=False
)

print(
    result[
        [
            "symbol",
            "ext.name",
            "last_price",
            "ext.change_pct",
            "volume"
        ]
    ].head(20).to_string(index=False)
)

这时候 QuantDash 已经不只是一个“查股票价格”的工具了。

它更像是：

数据进入策略前的第一层过滤器。

后面再接 MA、MACD、KDJ、BOLL 等技术指标，或者把筛选结果交给 AI 做进一步分析，都可以。

不过有一点要注意：

AI 分析层应该建立在你已经拿到并清洗好的行情数据之上。

不要让 AI 替代基础行情数据接口。

---

六、交易员避坑指南：实时行情批量处理要注意什么？

1. 不要把实时行情和历史 K 线混为一谈

实时行情：

qd.quotes.get(...)

历史 K 线：

qd.klines.get(...)

批量历史 K 线：

qd.klines.batch(...)

用途不同，接口也不同。

---

2. 不要拿实时行情直接当回测数据

这一点是量化新手特别容易犯的错误。

实时行情适合：

• 实时监控
• 盘中扫描
• 交易信号前置判断

而历史回测应该使用历史 K 线数据，并且明确复权方式和时间范围。

QuantDash 的 K 线接口支持：

forward
backward
forward_additive
backward_additive
none

其中比例前复权适合收益率计算。

---

3. 回测别忘了交易成本

哪怕你的信号非常漂亮，真正做策略回测时，也不要只看理论涨跌。

至少应该考虑：

• 滑点；
• 手续费；
• 印花税；
• 成交可行性。

尤其是高频或者频繁调仓策略，交易成本对最终结果的影响可能非常明显。

---

五、常见问题解答 (Q&A / FAQ)

Q1：如何用 Python 批量获取多只股票实时行情？

A：可以直接使用 QuantDash 的 qd.quotes.get()，通过 symbols 参数传入多个股票代码，并设置 to_dataframe=True，即可直接获得 Pandas DataFrame。

Q2：QuantDash 能不能一次获取整个 A 股股票池？

A：可以。官方 SDK 支持通过 universes=["CN_Stock"] 查询 A 股沪深京股票池的行情数据，拿到 DataFrame 后即可继续用 Pandas 做量化筛选。

Q3：批量实时行情和批量历史 K 线有什么区别？

A：实时行情使用 qd.quotes.get()；历史 K 线批量查询使用 qd.klines.batch()。如果做选股回测，建议先明确自己需要的是“当前行情”还是“历史行情”，不要混用。

---

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

如果你经常做 Python 量化，建议直接把 QuantDash 开源 SDK 加到自己的数据工具箱里。对于 SuperMind 用户来说，真正有价值的不是“又多一个行情接口”，而是把行情获取 → Pandas 清洗 → 策略筛选这条链路尽量缩短。