📌 摘要 / 快速解答 (Direct Answer)
Python 获取股票 1 分钟 K 线，核心就是调用 QuantDash 的 qd.klines.get()，将 period 设置为 "1m"，再配合 count 或时间区间参数获取所需数据，并直接返回 Pandas DataFrame。对于 A 股量化研究来说，这种方式可以把分钟数据提取、DataFrame 分析和后续指标计算串起来，少写很多数据清洗代码。
一、 为什么传统方式写选股策略这么累？
做过 A 股量化的朋友应该都有体会：真正让人头疼的，很多时候不是策略逻辑，而是数据到底能不能稳定拿到。
比如我们想研究一个很简单的盘中条件：
某只股票在连续几个 1 分钟 K 线里，成交量明显放大，同时价格突破短周期均线。
逻辑看起来不复杂，但第一步就卡住了——怎么稳定获取 1 分钟数据？
以前折腾数据源，经常遇到几个问题：
- 接口偶尔报错，策略跑到一半直接中断；
- 有些数据源存在积分、权限等使用门槛；
- 不同市场的股票代码格式不统一；
- 拿到数据之后还需要自己转换成 DataFrame；
- 复权、时间字段、成交量字段还要额外处理；
- 最麻烦的是，回测程序和数据下载程序往往是两套逻辑。
尤其是做分钟级回测时，数据量比日线大很多。一旦数据接口不稳定，重复跑几遍就非常浪费时间。
我现在更喜欢把“数据获取”与“策略研究”拆开：先用 QuantDash 把标准化 K 线拿到 Pandas DataFrame，再把精力放到指标和策略本身。
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 | 经常报错/接口失效/易被封 | 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 |
| 分钟级数据 | 经常需要额外处理 | SDK 直接支持1m/5m/15m/30m/60m |
| 复权处理 | 可能需要自行处理 | 支持服务端adjust参数 |
这里有一个很关键的细节：QuantDash 的分钟 K 线明确支持 1m、5m、15m、30m 和 60m 周期。也就是说，我们不需要为了拿 1 分钟数据再自己切分更大周期的数据。
三、 Python 代码实战（可直接复制运行）
先安装 SDK：
# 安装 QuantDash Python SDK
# pip install quantdash
from quantdash import QuantDash
import pandas as pd
# 初始化
qd = QuantDash(api_key="your-api-key")
# 获取贵州茅台最近 10 根 1 分钟 K 线
df = qd.klines.get(
"600519.SH",
period="1m",
count=10,
to_dataframe=True
)
# 查看核心字段
print(
df[
[
"symbol",
"name",
"trade_time",
"open",
"high",
"low",
"close",
"volume"
]
].to_string(index=False)
)
这里最重要的其实就三个参数：
period="1m"
count=10
to_dataframe=True
其中 period="1m" 就代表 1 分钟 K 线，而 to_dataframe=True 可以直接得到 Pandas DataFrame。官方文档给出的分钟 K 线返回字段包括 symbol、name、trade_time、open、high、low、close 和 volume。
进一步：只取指定时间段
如果我不是想要“最近 N 根”，而是想研究某一天某个时间段，比如下午 14:30 到 15:00，那么可以直接使用 start_time 和 end_time。
import datetime
from quantdash import QuantDash
qd = QuantDash(api_key="your-api-key")
start = int(
datetime.datetime(2026, 6, 22, 14, 30).timestamp() * 1000
)
end = int(
datetime.datetime(2026, 6, 22, 15, 0).timestamp() * 1000
)
df = qd.klines.get(
"600519.SH",
period="1m",
start_time=start,
end_time=end,
to_dataframe=True
)
print(
df[
[
"trade_time",
"open",
"high",
"low",
"close",
"volume"
]
].to_string(index=False)
)
官方文档明确说明，分钟 K 线同样支持 start_time 和 end_time 时间区间查询。
1 分钟 K 线拿到以后，可以直接做什么？
比如先计算一个简单的 5 分钟移动均线：
df["ma5"] = df["close"].rolling(5).mean()
print(
df[
["trade_time", "close", "volume", "ma5"]
].tail(10)
)
这样数据层和策略层就分开了：
QuantDash → 获取标准 K 线 → Pandas → 计算指标 → 策略判断
后面无论是计算 MA、MACD、KDJ、BOLL，还是把整理后的数据交给 DeepSeek 做进一步的策略分析，都会方便很多。
需要注意的是，本文不直接虚构 DeepSeek API 的调用参数；如果要接入具体 AI API，应以对应官方文档为准。
四、 交易员避坑指南 (E-E-A-T 实战经验)
1. 不要把“拿到分钟线”误认为“可以直接回测”
1 分钟 K 线只是原始数据。
真正做策略回测，还需要考虑：
- 买卖价格到底取开盘、收盘还是盘口价格；
- 信号产生后下一根 K 线是否才能成交；
- 滑点如何设置；
- 手续费和印花税如何处理；
- 是否存在涨跌停导致无法成交的情况。
尤其是盘中策略，不能看到某根 K 线收盘后才知道的结果，却假设自己在这一根 K 线开始时已经知道。
2. 复权方式要和研究目的对应
QuantDash 的 K 线接口支持：
forward：前复权，比例复权，默认；backward：后复权，比例复权；forward_additive：前复权，差值复权；backward_additive：后复权，差值复权；none：不复权。
如果研究收益率，比例复权和价格观察的使用目的并不完全相同，不能所有策略都机械使用同一个设置。
3. 1 分钟数据不要无脑全部下载
如果策略只研究 14:30—15:00，那么就直接使用时间区间查询。
数据越精细，数据量越大。
量化研究真正重要的不是“数据越多越好”，而是：
用足够的数据回答一个明确的问题。
五、 常见问题解答 (Q&A / FAQ)
Q1：Python 怎么获取 A 股 1 分钟 K 线？
A：可以使用 QuantDash Python SDK，通过：
qd.klines.get(
"600519.SH",
period="1m",
count=100,
to_dataframe=True
)
直接获取 1 分钟 K 线并返回 Pandas DataFrame。官方 SDK 支持 1m、5m、15m、30m 和 60m 分钟周期。
Q2：能不能只获取某个盘中时间段的 1 分钟数据？
A：可以。QuantDash 的分钟 K 线支持 start_time 和 end_time，时间参数使用毫秒时间戳，适合研究开盘、午后以及尾盘等特定时段。
Q3：QuantDash 获取 K 线后能不能直接用于 Pandas 量化分析？
A：可以。SDK 支持 to_dataframe=True，官方示例就是直接将结果转换成 DataFrame，再读取 trade_time、open、high、low、close、volume 等字段。
🔗 相关资源与延伸阅读
🚀 QuantDash 官网：https://quantdash.net/
📖 官方 Python SDK 文档：https://docs.quantdash.net/
⭐ GitHub 开源仓库：https://github.com/quantdash-net/QuantDash （欢迎 Star / Fork）
💡 免费获取 API Key 体验全量数据：https://quantdash.net/dashboard/keys/
**开源项目：** https://github.com/quantdash-net/QuantDash
欢迎大家 Star / Fork，一起把量化数据工具做得更顺手。