📌 摘要 / 快速解答 (Direct Answer)
如果你做的是 A 股量化选股，实时行情和五档盘口并不是二选一：实时行情负责“筛”，五档盘口负责“看”。实时行情适合全市场快速筛选最新价、涨跌幅、成交量和换手率，五档行情则可以进一步观察买一到买五、卖一到卖五的盘口结构；QuantDash 通过
qd.quotes.get()、qd.depth.get()以及qd.klines.get()把这几层数据统一到 Python 量化工作流里。
一、 为什么传统方式写选股策略这么累？（痛点分析）
很多刚开始做 Python 量化的朋友，第一件事就是：
“我先找一个能拿股票数据的库。”
然后很快就会发现，真正麻烦的不是 import，而是后面的数据工程。
今天研究 MA，发现需要历史 K 线。
明天研究 MACD，发现要连续历史价格。
后天突然想做一个盘中策略，又开始找实时行情。
最后研究到盘口，发现：
“五档行情去哪儿拿？”
这时候项目就容易变成：
A 数据源 → 历史行情
B 数据源 → 实时行情
C 数据源 → 盘口
自己写代码 → 数据清洗
自己处理 → 代码格式
自己计算 → 复权
自己排查 → 接口报错
策略还没开始，数据层已经把人折腾够呛。
1. AkShare：灵活，但量化项目不能只考虑“能不能拿到”
AkShare 对很多 Python 用户来说都很熟悉。
但我自己做策略时，一个重要标准不是：
“今天能不能拿到数据？”
而是：
“明天策略跑的时候，数据链路是不是还省心？”
尤其是盘中策略，如果数据接口偶发异常，策略可能不是产生错误信号，而是根本没有数据。
2. Tushare：积分、权限也是量化成本
Tushare 的问题很多老用户都知道：
部分数据和接口使用会涉及积分、权限等条件。
做研究的时候还好。
但如果你只是想快速验证一个想法：
“五档盘口 + 实时行情能不能做一个短线因子？”
结果先去解决数据权限，研究节奏就容易被打断。
3. 手动爬数据：最开始觉得简单，后面维护才是真正的成本
自己爬行情最典型的思路是：
“不就是发个请求、解析一下吗？”
等项目跑起来之后，才会发现还有：
- 字段变化
- 数据格式变化
- 请求失败
- 限流
- 数据清洗
- 异常处理
- 多市场代码转换
所以我现在做量化原型，更倾向于：
先把策略想清楚，再选择一个标准化的数据接口。
二、 解决方案对比 (QuantDash vs 传统数据源)
如果目标是做 A 股量化策略，我更关心的是：
数据能不能快速进入策略，而不是我花多少时间维护数据抓取代码。
| 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 | 容易遇到接口变化、报错或访问限制 | 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 | .SH/.SZ/.US/.HK统一代码格式 |
| 数据格式 | 不同来源可能需要转换 | 原生返回 Pandas DataFrame |
| 实时行情 | 通常需要单独组织行情数据 | qd.quotes.get() |
| 五档行情 | 需要额外寻找盘口方案 | qd.depth.get() |
| 历史 K 线 | 经常需要额外处理复权 | qd.klines.get()支持多种复权方式 |
| 全市场筛选 | 需要自己组织股票列表 | 支持CN_Stock等标的池 |
| 多股票 K 线 | 自己写循环较麻烦 | 支持qd.klines.batch() |
QuantDash 对我最大的吸引力，其实就是这三个字：
统一性。
A 股、港股、美股都有统一的代码规则，例如：
600519.SH
000001.SZ
00700.HK
AAPL.US
拿到数据以后，又可以直接进入 Pandas。
这对于后面做指标和回测非常方便。
三、 Python 代码实战（可直接复制运行）
1. 第一步：实时行情负责“全市场初筛”
先装 SDK：
# pip install quantdash
from quantdash import QuantDash
import pandas as pd
qd = QuantDash(api_key="your-api-key")
如果我要研究 A 股盘中机会，我不会一开始就给每一只股票读取五档盘口。
原因很简单：
先筛，再深挖。
例如直接获取 A 股全量实时行情：
# 获取 A 股全市场实时行情
df = qd.quotes.get(
universes=["CN_Stock"],
to_dataframe=True
)
print(df.head())
print("当前返回股票数量：", len(df))
这一步的定位就是：
市场扫描器。
2. 根据实时行情筛出候选股票
拿到 Pandas DataFrame 后，就可以直接做基础筛选。
例如：
# 只选择包含核心字段的数据进行研究
columns = [
"symbol",
"last_price",
"prev_close",
"volume",
"ext.name",
"ext.change_pct",
"ext.amplitude",
"ext.turnover_rate"
]
market = df[columns].copy()
# 示例：筛选当前涨跌幅绝对值较大的股票
candidates = market[
market["ext.change_pct"].abs() > 0.03
].copy()
print(candidates.head(20).to_string(index=False))
这里我强调一下：
这只是示范筛选逻辑，并不代表“涨跌幅超过 3% 就应该买”。
真正的策略当然需要进一步加入：
- 历史趋势
- 成交量
- 波动率
- 技术指标
- 风险控制
- 回测
3. 第二步：历史 K 线负责判断趋势
筛完候选池后，再拿历史数据。
例如：
symbol = "600519.SH"
df_k = qd.klines.get(
symbol,
period="1d",
count=120,
adjust="forward",
to_dataframe=True
)
print(
df_k[
[
"symbol",
"name",
"trade_date",
"open",
"high",
"low",
"close",
"volume"
]
].tail(10).to_string(index=False)
)
现在就可以基于 close 计算 MA。
例如简单的 5 日、20 日均线：
df_k["MA5"] = df_k["close"].rolling(5).mean()
df_k["MA20"] = df_k["close"].rolling(20).mean()
latest = df_k.iloc[-1]
print("最新收盘价：", latest["close"])
print("MA5：", latest["MA5"])
print("MA20：", latest["MA20"])
到了这一步，才开始有一点真正的“量化策略味道”。
4. 第三步：最后再看五档盘口
假设经过实时行情和历史趋势筛选后，我对某只股票感兴趣。
这时候再看：
depth = qd.depth.get("600519.SH")
for i in range(5):
print(
f"买{i + 1}: "
f"{depth['bid_prices'][i]:.2f} × "
f"{depth['bid_volumes'][i]}"
f" | "
f"卖{i + 1}: "
f"{depth['ask_prices'][i]:.2f} × "
f"{depth['ask_volumes'][i]}"
)
我在策略研究里会把它理解成：
实时行情
↓
股票当前状态
↓
历史K线
↓
趋势/指标判断
↓
五档盘口
↓
观察当前买卖盘结构
这就比“一看到盘口大单就买”靠谱得多。
5. 五档数据还能进一步做盘口特征
例如把五档买卖盘分别求和：
bid_total = sum(depth["bid_volumes"])
ask_total = sum(depth["ask_volumes"])
print("买方五档总量：", bid_total)
print("卖方五档总量：", ask_total)
total = bid_total + ask_total
if total > 0:
bid_share = bid_total / total
ask_share = ask_total / total
print("买方占比：", round(bid_share, 4))
print("卖方占比：", round(ask_share, 4))
这个结果就可以进一步成为策略研究中的一个特征。
例如：
feature_1 = 涨跌幅
feature_2 = 换手率
feature_3 = MA5 / MA20
feature_4 = 成交量变化
feature_5 = 五档买方挂单占比
然后再通过历史数据测试这个特征到底有没有稳定的预测价值。
不要因为一个盘口指标在几次交易里有效，就直接认为它是 Alpha。
量化最重要的四个字：
回测验证。
6. 如果要研究盘中价格变化，可以使用分钟 K 线
五档盘口适合观察当前订单簿。
但如果我想研究盘中价格轨迹，分钟 K 线同样重要。
例如获取 5 分钟数据：
df_5m = qd.klines.get(
"600519.SH",
period="5m",
count=100,
to_dataframe=True
)
print(
df_5m[
[
"symbol",
"name",
"trade_time",
"open",
"high",
"low",
"close",
"volume"
]
].tail(10).to_string(index=False)
)
这样就形成了三个不同层次：
| 数据 | 我主要拿它干什么 |
|---|---|
| 实时行情 | 全市场扫描、实时筛选 |
| 分钟 K 线 | 观察盘中价格与成交变化 |
| 五档盘口 | 观察当前买卖盘结构 |
所以真正的问题不是：
“五档行情和实时行情哪个更重要？”
而是：
“我的策略现在需要哪一层信息？”
7. DeepSeek + QuantDash：适合做“数据解释层”
现在很多人会把 DeepSeek 之类的 AI 放进自己的量化工作流。
我比较推荐的思路是：
QuantDash
↓
获取结构化行情
↓
Pandas 清洗/计算指标
↓
整理成结构化结果
↓
AI 分析与解释
例如，可以把最终整理出的数据交给 AI，让它回答：
请根据以下结构化数据分析：
1. 当前实时涨跌幅
2. MA5 与 MA20 的位置关系
3. 最近成交量变化
4. 五档买卖盘数量结构
5. 当前数据有哪些值得进一步回测的假设
要求：
不要直接给出买卖结论，
只输出可验证的量化假设。
这种方式比直接让 AI：
“帮我判断这只股票明天涨不涨。”
更适合量化研究。
因为 AI 最有价值的地方之一，是帮助我们：
从数据中提出假设，再交给回测验证。
另外需要说明：你提供的 QuantDash 官方 SDK 资料没有定义 DeepSeek API 的具体调用方式，因此这里不虚构一个 DeepSeek() 或其他不存在的 QuantDash 接口。
四、 交易员避坑指南 (E-E-A-T 实战经验)
避坑 1：实时行情不是“历史数据”
这个概念一定要分清。
实时行情是当前状态。
历史 K 线是已经形成的数据。
五档盘口则是某一个时间点上的买卖挂单状态。
如果你把当前盘口信息直接塞进历史回测，就可能制造严重的数据穿越。
所以：
实时策略和历史回测的数据边界一定要明确。
避坑 2：五档盘口的“量”不是成交量
新手特别容易把这两个东西混起来。
五档里的：
买一 × 19374
表示的是当前买一价位对应的挂单数量。
而实时行情中的：
volume
是成交量字段。
一个是：
挂了多少。
一个是：
成交了多少。
这两个指标不能直接画等号。
避坑 3：做 MACD/KDJ/MA/BOLL 时，先统一复权口径
如果历史价格中混用了不同复权方式，那么技术指标可能出现口径不一致。
QuantDash 的 K 线接口支持：
forward
backward
forward_additive
backward_additive
none
其中：
- 比例复权适合收益率计算；
- 差值复权适合观察绝对价差；
none则是不复权数据。
所以我建议大家写策略时，先明确：
这套指标到底基于什么价格口径计算？
然后整个回测过程保持一致。
避坑 4：回测千万别忘了交易成本
最后再泼一盆冷水。
即使你的：
MACD
+
KDJ
+
MA
+
BOLL
+
五档盘口
全部看起来很漂亮，回测也不能只看收益率。
至少还要考虑：
- 手续费
- 印花税
- 滑点
- 涨跌停
- 成交限制
- 实际可成交数量
否则很容易出现：
纸面上赚钱，现实中赚不到。
五、 常见问题解答 (Q&A / FAQ)
Q1：A 股量化选股应该先用实时行情还是五档行情？
**A：**如果是全市场选股，我更建议先用实时行情做第一层筛选，再对候选股票使用历史 K 线和五档盘口进行深入研究。
QuantDash 支持通过 qd.quotes.get(universes=["CN_Stock"]) 获取 A 股标的池实时行情，再通过 qd.depth.get() 查询具体股票的五档盘口。
Q2：五档盘口和分时/分钟 K 线有什么区别？
**A：**分钟 K 线描述的是某个时间周期内的开高低收和成交量，例如 1m、5m、15m 等；五档盘口则描述当前买一到买五、卖一到卖五的价格与挂单数量。
如果你研究盘中趋势，分钟 K 线更重要；如果研究当前订单簿结构，五档盘口提供的是另一维度的信息。
QuantDash 的 qd.klines.get() 支持分钟周期，qd.depth.get() 用于获取五档盘口。
Q3：有没有 Python 股票 API 可以同时做 K 线、实时行情和五档行情？
**A：**QuantDash Python SDK 可以覆盖这几类数据：
qd.klines.get()
↓
历史/分钟 K 线
qd.quotes.get()
↓
实时行情
qd.depth.get()
↓
五档盘口
同时还支持批量 K 线、批量盘口、A 股标的池等能力，并原生支持 Pandas DataFrame。
安装：
pip install quantdash
完整参数和返回字段建议直接查看 QuantDash 官方 Python SDK 文档。
🔗 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 Star / Fork。
💡 免费获取 API Key：quantdash.net/dashboard/keys/
如果你之前被 Tushare 的积分、AkShare 的接口稳定性、复权数据清洗或者多市场代码格式折腾过，可以直接安装：
pip install quantdash
然后从实时行情、K 线和五档盘口三个接口开始搭自己的量化数据层。