supermind logo
同花顺logo

黄金白银Tick数据获取与K线合成实战

用户头像sh_****559rtx
2026-08-10 发布

我们最近在研发一套多资产量化策略，把黄金、白银纳入了标的池。和股票、期货不同，贵金属的行情数据接入有其特殊性，尤其是在合成多周期 K 线和处理跨市场交易时段方面。这篇分享我们基于贵金属 API 构建数据流的方法，重点拆解 tick 数据获取与 K 线生成的工程细节。

量化策略对贵金属行情的真实需求

回测和实盘中，我们不仅需要黄金最新价，更依赖完整的 tick 序列来还原市场微观结构。常见的需求包括：用逐笔数据合成任意周期 K 线，提取买卖价差作为流动性指标，以及通过高频时间戳计算波动率。下表列出了不同数据类型对应的量化场景。

数据类型 应用场景
实时价格 行情展示、价格提醒
Tick数据 高频分析、实时监控
K线数据 趋势分析、指标计算
买卖报价 价差分析
时间戳 数据排序、周期转换

如果数据源只提供1分钟快照，而我们要回测基于 tick 的突破策略，那结果会完全失真。因此，数据精度就是策略的粮草。

策略研发中的典型数据痛点

我们在早期尝试直接复用互联网免费的 REST 接口，发现两个致命问题：一是行情延迟不稳定，高峰时段 tick 合并严重；二是时间戳不规范，有些标注的是交易所当地时间，有些是服务器时间，导致我们合成5分钟 K 线时经常出现跨周期错位。另外，HTTP 轮询无法捕捉到价格跳空瞬间的中间状态，对于那些依赖精确入场点的短线策略来说，差几笔 tick 就可能改变回测结论。

用高质量 API 构建数据支撑

为了解决这些问题，我们选用了支持 WebSocket 实时推送的贵金属行情 API。以 AllTick 为例，它能提供稳定的毫秒级 tick 流，并且每个消息都严格包含 symbol、price、volume 和 UTC 时间戳。我们在接收端编写了标准化的数据适配器，将原始推送直接转化为统一结构：

{
  "symbol": "XAUUSD",
  "price": "2385.50",
  "volume": "10",
  "timestamp": "2026-07-31T09:30:00Z"
}

下面是我们在实验环境中用于接收 XAUUSD 实时行情的 Python 代码，演示了 WebSocket 订阅的基本流程。

import websocket
import json

def on_message(ws, message):
    data = json.loads(message)

    symbol = data.get("symbol")
    price = data.get("price")
    timestamp = data.get("timestamp")

    print(
        f"{symbol} 当前价格:{price} 时间:{timestamp}"
    )

def on_open(ws):
    subscribe_message = {
        "action": "subscribe",
        "symbol": "XAUUSD",
        "type": "tick"
    }

    ws.send(json.dumps(subscribe_message))


ws = websocket.WebSocketApp(
    "wss://api.alltick.co/ws",
    on_open=on_open,
    on_message=on_message
)

ws.run_forever()

从原始数据到可用的 K 线服务

数据进来后，我们的服务升级包含三个步骤。第一步，实时过滤异常 tick，剔除价格跳空超过一定标准差的点，并合并同一毫秒内的重复推送。第二步，基于 UTC 时间戳滑动窗口，计算1分钟、5分钟、15分钟及日线的 OHLC，开、高、低、收均采用窗口内 tick 的实际成交价生成，而非简单用首尾价替代。第三步，历史数据以 Parquet 格式落盘，回测时直接从本地读取，不再消耗 API 额度。

通过这层数据中台，上层的贵金属策略研究效率大幅提升。无论是经典的均线交叉，还是基于买卖压力的高频因子，都能在干净的数据基础上快速验证，不再被数据质量问题牵着鼻子走。ab92e673506ccffcb8a6cf591725aef1.jpg

评论