股票API接口的费用、权限与接入限制 股票API接口怎么收费，付费后能用哪些数据，接入时又有哪些限制？**费用通常取决于数据类型、套餐和计费周期；权限需要逐项确认市场、接口及历史范围；接入限制则要分别检查调用频次、单次数据量和实时订阅额度。**拿到密钥或购买一个套餐，都不能直接推导出“所有股票数据随便用”。 先给出可落地的答案：Tushare 个人历史分钟数据公开价为 2,000元/年，属于独立权限；TickDB 官网基础版公开价为 99美元/月，列示 60次API调用/分钟、50个同时订阅、1个WebSocket连接。两者的数据范围与交付方式不同，不能只按价格高低选型。免费项目也要看边界：前者的低积分档开放有限数据，后者列示7天精选品种试用。下面按“费用—权限—容量”逐项拆开。价格与文档核对日期为2026年10月18日，下单前以最新页面和账户实际权益为准。 股票API接口多少钱？先看买到的具体数据 **先按同一种数据、同一种用途和同一个计费周期对价，才能判断成本。**日线、历史分钟和实时分钟并非同一项权益；积分门槛与独立付费权限也不能混用。 Tushare 官方权限页列出的部分个人档位如下： 项目 公开费用或门槛 选型时要确认的边界 120积分档 0元/年 不复权日线；50次/分钟、每天8,000次 2,000积分及以上档 200元/年起 按接口要求判断可用范围，不能视为全接口通行证 历史分钟数据 2,000元/年 独立权限，不能用普通积分档直接替代 实时分钟数据 1,000元/月 月费项目，不能误读为年费 同页对机构用户另有价格说明，列示为个人价格的10倍。采购时还应确认账号主体及具体适用项目；“机构价格”本身不等于获得对外转售数据的许可。 对于月度订阅服务，要把价格与容量放在一起看。例如前述基础版的60次/分钟与50个同时订阅，是两个不同维度的上限：一个约束请求频次，一个约束实时订阅数量，不能相互替代。官网展示的试用也有期限和品种范围，不能理解为全市场永久免费。 最终预算还要计入历史补数、重复请求和断线恢复带来的用量。只有把“数据类别、使用主体、使用范围、更新频率、计费周期”写在同一张需求单上，报价才有可比性。 来源：Tushare 官方《权限说明》及相关积分档位；订阅价格取自上述服务官网定价区，均于2026年10月18日核对。 有API Key就有权限吗？还需要确认数据范围和用途 **API Key首先用于身份验证；账户有效不代表所有市场、所有接口和所有历史区间都已开放。**即使某次请求成功，对外展示、再分发等用途仍需依据服务条款或合同另行确认。 实际接入可以分成三个层次：先看密钥和套餐是否有效，再测试目标市场、接口和日期范围，最后确认项目的数据使用范围。 以 TickDB 为例，官方APIKey管理接口可以查询套餐标识、状态、到期时间和剩余秒数。下面是文档中的最小请求，替换占位密钥后可在自己的环境执行： curl -H "X-API-Key: YOUR_API_KEY" \ "https://api.tickdb.ai/v1/apikeys/subscriptions" 成功响应的业务状态码为0。重点检查plan、status、expires_at和remaining_seconds；其中active表示密钥有效，不代表该响应已经列明全部数据权限或授予对外使用权。本文仅核对文档，未使用付费账户执行该请求。 图1：接入核对示意。账户状态查询只是第一步；市场、接口、历史范围及实际用途仍需分别确认。非官方界面截图。 错误响应也能帮助区分问题：官方文档将请求频率超限、交易产品未开放、历史范围超限、接口无权访问以及频道无权订阅分别定义为不同业务错误。客户端应同时检查HTTP状态与业务码，而不是把所有失败都当成网络问题反复重试。 开源股票数据接口同样要分清许可边界。zhangxiangliang/stock-api仓库采用MIT许可，README说明其数据来自第三方，并列有使用限制和免责声明。代码许可解决的是项目代码的使用条件，不能替代上游数据的使用授权，也不能证明服务有商业级可用性承诺。 来源：官方《APIKey管理》《错误码说明》及 stock-api README，2026年10月18日核对。 接入限制怎么看？先把业务需求换算成调用量 **至少分别检查每分钟请求数、每日或滚动窗口额度、单次返回量，以及WebSocket连接数与订阅数。**它们限制的是不同资源，一项满足并不意味着整体可用。 假设要轮询500只股票，每5秒刷新一次，接口允许每次请求50只，每天运行240分钟：每轮需要10次请求，平均每分钟120次，每天28,800次。再预留20%的重试与恢复余量，预算为144次/分钟、34,560次/日。这里的运行时长和批量大小都是示例参数，不代表任一供应商对所有接口的承诺。 下面的代码只做离线预算，可按实际接口修改参数： from math import ceil symbols = 500 batch_size = 50 # 按目标接口实际支持值修改 refresh_seconds = 5 active_minutes = 240 # 本例假定运行时长 headroom = 0.20 # 预算余量，不是实测失败率 requests_per_round = ceil(symbols / batch_size) average_rpm = requests_per_round * 60 / refresh_seconds rounds_per_day = ceil(active_minutes * 60 / refresh_seconds) daily_requests = requests_per_round * rounds_per_day print("每轮请求数:", requests_per_round) print("平均每分钟请求数:", average_rpm) print("含余量每分钟预算:", ceil(average_rpm * (1 + headroom))) print("基础每日请求数:", daily_requests) print("含余量每日预算:", ceil(daily_requests * (1 + headroom))) 图2：假设轮询场景的请求预算，非接口实测。平均频次之外，还需检查突发限制、连接数和订阅数。 把这个需求代入 TickDB 基础版公开额度，基础轮询就已超过60次/分钟；若改用实时订阅，同时关注500只也超过50个同时订阅的额度。这里得到的是“当前方案超出该档容量”的判断，下一步应调整刷新策略、缩小关注范围或核对其他套餐，而不是仅因能成功请求一只股票就认定方案可上线。 批量大小也会改变结论：如果目标接口每次只能查1只，同样500只、5秒刷新就需要平均6,000次/分钟。即使平均量不超额，把一轮请求集中发出也可能触发短窗口限制；多个进程共用账号时，还需确认额度是否共享。 历史补数要另算。Tushare 的stk_mins文档列示单次最多8,000行、每分钟500次、滚动24小时累计30万次，且需独立权限。这里的8,000是返回行数，不是8,000只股票；补数计划还要按标的、日期和每条记录的粒度拆批。 遇到官方页面口径不同，也不要自行取较宽松的数值。例如Tushare日线接口页列示500次/分钟，而低积分档权限页列示50次/分钟。应记录差异，并用账户所属档位、实际接口及服务方确认结果确定有效额度。 来源：上述服务官网定价区、Tushare《股票历史分钟行情》《日线行情》及权限说明，2026年10月18日核对。 购买前，怎样验证这个股票数据接口适合项目？ **先用目标数据和真实部署环境做小规模验证，再决定套餐。**验证至少覆盖以下几项： 数据是否符合任务：选取实际要用的市场、标的、复权方式、粒度和历史日期，检查字段、时区、交易日及空值。 权限是否覆盖需求：测试目标接口与历史范围，并单独确认对外展示、共享或再分发等实际用途。 容量是否足够：将正常刷新、历史补数、重试和恢复分别预算，检查频次、返回量及实时订阅限制。 部署条件是否影响调用：在正式部署地区测试网络和搜索功能；stock-api README明确提示部分搜索功能存在境外IP限制，不能只依据本地调试结果判断。 如果项目只需要低频日线研究，可先核对免费档的覆盖与额度；如果需要历史分钟回测，应重点确认独立权限、历史范围和批量返回限制；如果需要多标的实时展示，就应把订阅数、连接数、恢复策略和展示用途一起列入验收。选择依据是项目需求与实际权益是否匹配，而不是“有免费接口”或“套餐标注实时”这一个条件。 我的研究-研究环境 会弹出python 3.5 ，python3.8的选项，我一般选择3.8，能运行，今天选择了默认的3.5，它就不再弹出环境选择，也就不能运行了，怎么让它重新弹出选择项，能选3.8？多谢 引言：捕捉主力资金的“不自觉”痕迹 在股票市场中，尽管部分技术指标可以造假，K线形态可以人工画图，但再强大的主力资金在启动主升浪之前，也很难彻底掩盖所有强势信号。因为这些信号中的每一个，反应的都是市场的真实共识与资金的强力介入。 成交量是真金白银砸出来的，涨停板与跳空缺口更是大资金意志的直接体现。当市场形成共识、四大核心信号齐聚共振时，往往预示着个股即将迎来行情爆发，甚至成为连续涨停的起点。 特征一：20个交易日内出现过“涨停信号” 股价能够封上涨停板，绝非散户资金零散买入所能推升，特别是行情启动前的“首板”，必定是主力资金的主动拉升行为。 “首板”不仅是股价脱离底部震荡盘整区间的标志，更是主力资金向市场宣誓进攻意图的“立桩信号”。散户资金缺乏一致性与资金体量，无法形成将股价推至涨停的合力。因此，对于短线交易者而言，应当树立明确的选股门槛：只有在最近20个交易日内出现过涨停信号的股票，才有资格进入自选股池。涨停是主力资金释放的直接信号，没有涨停基因的股票，短期内很难具备爆发力。 特征二：出现逆势或独立的“连续阳线” 在股价加速冲高之前，K线形态上通常会先出现连续的阳线，形态上表现为至少4连阳甚至5连阳。正所谓“连续小涨要大涨”，这种走势并非自然的随机波动，而是主力资金在不动声色地进场吸筹。 ●大盘环境：横盘震荡甚至持续下跌，市场整体抛压较重、情绪萎靡。 ●主力吸筹：个股能够逆势收出阳线，甚至伴随板块逆势走强，完全承接住大盘的抛压。 如果连续阳线的走出能够获得板块走势的配合，说明资金不仅在锁仓个股，还在推动整个板块形成合力，这便是一个极其强势的资金运作信号。 特征三：成交量“持续性”放大 成交量是反映交易活跃度与资金进出最直接的指标。个股在大涨前，成交量通常会比平时放大1倍甚至2-3倍。 这里的核心关键在于“持续性”： ●非一日之功：这种放量绝非一两天的单日脉冲，而是持续性地维持在较高的量能水平。 ●筹码分布与协同：这表明主力资金已经在底部吸收了足够的筹码，个股交易突然全面活跃。有时还会伴随整个板块逐渐走热，带动个股协同启动，随时准备展开大拉升行情。 特征四：留下“向上跳空缺口” 在股价处于低位上涨的过程中，价格如果出现一个向上的跳空缺口，其本质代表着有大资金愿意付出溢价，即以高于前一天最高价的价格强行抢筹进场。 “缺口不补，后市如虎。” 若后续股价始终没有跌破该缺口价位，K线之间就会留下这一微小的缺口。能够将股价强行维持在缺口上方，并依托5日、10日等短期均线展开动态支撑、缓慢向上推升，绝对不是散户行为，而是主力资金强力控盘与持续进攻的体现，属于极其明确的短期强势进攻信号。 四特质共振与实战选股策略（综合应用） 在实战选股中，上述四大信号单拿出一个都是强势指标；而一旦四大特征同时具备，就必须高度重视，这往往是行情启动、主升浪就在眼前的强烈信号。相反，若一支股票这四个信号一个都没有出现，短线策略可以直接放弃。 为了获得更稳健的胜率，还需结合以下辅助筛选条件： 1.股价位置：个股整体股价位置不能过高，处于低位或突破初期的蓄势阶段，加速拉升阶段尚未到来。 2.题材预期：所属板块和题材具备明确预期，板块整体逻辑未被透支，且尚未走完加速见顶行情。 典型主升浪启动案例时序拆解 在主升浪彻底爆发前，主力资金往往会按照以下节奏完成四大信号的共振搭建： 阶段一：建仓与立桩（20日内出现首板**/**多板） 个股在底部盘整期或反弹初期，20个交易日内多次拉出涨停板，率先激活市场关注度并完成筹码换手，确立主力资金深度介入的格局。 阶段二：放量与进攻（跳空缺口 + 持续放量） 随后，股价在低位关键突破位置走出向上跳空缺口，且缺口数日不补。成交量较此前常态量能持续放大1至2-3倍，资金溢价抢筹态势极其明显。 阶段三：共振与主升爆发（低位6连阳启动） 在主升浪拉升前夕，个股依托短期均线走出坚定的低位6连阳，承接住大盘所有抛压。四大信号全部集齐共振，随后瞬间爆发出猛烈的主升浪拉升行情。 选股实战对照表 入选特征清单（四大信号共振） ●涨停基因：最近20个交易日内出现过涨停（主力首板立桩标志）。 ●吸筹连阳：出现低位4连阳、5连阳甚至6连阳（逆势小涨积累筹码）。 ●持续放量：成交量较平时放大1倍或2-3倍，且保持持续的高量能水平。 ●进攻缺口：低位留有向上跳空缺口且坚决不补，股价沿着均线获得动态支撑并缓升。 剔除标准（直接放弃或避险） ●无信号标的：四大特征全无的股票，缺乏资金关注度，短线无爆发基础，直接放弃。 ●位置处于高位：股价已经完成主升浪拉升，处于高位加速派发阶段。 ●预期尽失：题材板块已进入末端加速见顶行情，行业或概念预期走完。 结语与核心要点总结 这套通过四大特征识别主力信号的方法虽然简单，但逻辑扎实，经过了市场多年的反复验证。在实际操作中，严守选股标准，方能在行情启动前夕精准捕捉主升浪。 1.涨停筛选门槛：将“20交易日内出现涨停”作为短线自选股的硬性门槛，以此确认主力资金“立桩”的主动进攻意图。 2.连阳确认吸筹：依靠低位4-5连阳及逆势走势，识别主力不动声色的吸筹过程与板块承接力。 3.量缺释放进攻：通过1-3倍的持续放量与“缺口不补”的跳空形态，结合均线支撑，确认大资金溢价抢筹的强势进攻意图。 4.四特共振择机：四大信号齐备、股价位置不过高且题材预期未完时，即为主升浪爆发的最佳布局节点；无信号股票则直接放弃。 真金白银砸出来的“A股生存法则” 你是否有过这样的体验？隔夜外围市场大涨，盘前利好消息铺天盖地，全网财经博主都在高喊“牛市来了”。9点25分集合竞价结束，个股大幅高开，你生怕错过暴富机会，心头一热便急不可耐地冲了进去。然而，9点30分正式开盘后，股价却一路震荡下行，拉出一根刺眼的长阴线，把你结结实实地套在了山顶。 这种“高开低走、利好变利空”的戏码，在A股市场反复上演。哪怕在“924”大行情爆发之前，市场就已经无数次验证了这个规律。许多散户频频遭遇这样的困境，本质上是因为看穿了盘面表象，却没看透背后的主力博弈机制。 在A股这片充满暗礁的战场上，老股民口中流传的“组训”，绝不是教科书里空洞无物的教条，而是无数交易者付出了“真金白银的学费”、经历过惨烈割肉后才凝结出的法则。今天，我们就深挖主力资金的运行脉络，拆解这5条能帮你保住本金的“A股组训”。 组训一：高开不追——量化割肉与外围兑现的底层逻辑 面对盘前利好满天飞、外围全线暴涨的情景，老股民的第一反应绝非盲目看多，而是保持高度警惕。为什么“高开千万不能追”？从机构博弈与资金结构的角度来看，其背后存在两层核心逻辑： **1.**短线资金结构与量化算法机制：当前A股的短线资金面很大程度上由量化资金主导。量化模型的核心逻辑是高频低迟滞的“均值回归”——即“跌多了抄底，吃个高开就砸盘”。算法模型不谈“格局”，一旦个股大幅高开，便会瞬间触发自动化止盈离场指令，将高开的流动性转化为筹码抛压。 **2.**时差交易与利好先期兑现：当重大利好在假期或盘后释放时，A股处于休市状态，但港股及股指期货仍在交易。外围资金早已提前拉升，消化了利好预期。等A股正式开盘时，外围抢筹阶段已经结束，盘面顺理成章地沦为机构借利好变现离场的集中抛压点。 近期市场的实际表现也印证了这一点：例如在某些周五交易日中，尽管外围大涨、利好频出，但A股盘中并没有明显放量。这表明场内跟风资金正变得越来越聪明，外围的诱多拉升已经很难轻易骗散户进场接盘了。 “高开不追的根源，在于短线主导的量化资金吃高开就砸盘，以及外围市场时差交易导致的开盘即兑现。” 实战应对策略： 面对大幅高开，切忌在开盘瞬间凭冲动直接入场。正确的做法是“耐下心来等上半小时”。在开盘后前30分钟的剧烈波动期里，仔细观察成交量能是否持续放大、分时图涨跌加速度是否衰竭，以及核心情绪标的的承接力度，确认主力资金真实意图后再作决定。 组训二：中线操作——清醒区分周期，别把“趋势投机”当“长线抄底” 绝大多数散户之所以频频遭遇满仓深套，根本原因在于模糊了交易周期，没想明白自己做的是短线、中线还是长线。 短线与长线的标准逻辑往往是“跌多了抄底、反弹了分批卖”；但中线趋势交易的逻辑却完全相反。在实际市场中，大部分散户在股票处于低位潜伏期时根本注意不到，只有当个股走出清晰的上升趋势并进入趋势加速阶段时，散户才会蜂拥而至。 这意味着，大多数散户本质上做的是趋势加速阶段的投机。这类中线趋势股一旦拐头向下，趋势宣告终结，在量化资金助跌的放大效应下，就会陷入无休止的循环下跌。如果你把中线趋势投机做成了“越跌越买/越埋”的越跌越补策略，最终结局必然是满仓深套。 因此，中线趋势操作的核心纪律是“越跌越减”。只要趋势走坏、拐头向下，就必须坚决降低仓位，绝不能在趋势下跌中硬扛。 组训三：分步止损——执行“三步止损线”，防范假摔同时绝不硬扛 明确了中线趋势操作“越跌越减”的原则后，如何落地执行止损？直接一笔清仓往往会让交易者面临两难：如果遇到上升趋势中的“假摔”或技术性回踩，一笔切掉后股价迅速回升，大多数散户根本没有心理勇气再加仓买回。 因此，应当将技术指标（如跌幅比例与关键均线）与分步减仓法深度结合，建立系统化的动态三步止损框架： 第一条止损线（试探性减仓）：当股价破位（例如单日跌幅达5%，或微幅跌破5日均线），图形初次走坏但尚存修复希望。此时先减仓20%-30%，既规避了继续破位的风险，又保留了底仓；若股价止跌并重回上升通道，减掉的仓位还可寻找机会加回。 第二条止损线（大幅度砍仓）：当股价跌破关键支撑位（如跌破20日均线或累计跌幅达10%），图形已基本无救，再想创出新高只能期盼奇迹发生。此时应大幅砍仓，仅留极少底仓观察。 第三条止损线（彻底清仓出局）：当股价跌破生命线（如跌破60日均线或破位进入无支撑区），技术形态完全坍塌，宣告趋势“死刑”。此时无需再抱有任何幻想，直接一笔清仓走干净，彻底规避无底洞般的沉没成本。 组训四：年末不炒股——看清资金面的宏观与微观双重收紧 每逢岁末年初，老股民往往劝导大家“收手休息、规避风险”，不要盲目去“火中取栗”。这并非迷信经验，而是由年末市场资金面的双重结构性收紧所决定的： 宏观层面：每年年末，宏观金融市场的资金面普遍偏紧。银行及各类金融机构面临结账与考评压力，部分博弈资金会选择从股市中提现撤出，转向固收等安全渠道锁定年化收益。 微观层面：场内各类参与主体均有极强的变现抛售需求。游资与私募机构需要兑现全年利润发发放奖金，公募基金面临年末业绩排名结算与应对潜在赎回的压力，散户也有资金回笼的需求。整个市场在微观层面呈现出强烈的“砸盘变现”特征。 在缺乏增量资金入场、场内存量资金加速流出的博弈环境里，贸然重仓操作的胜率极低。学会适时空仓休息，本身就是极其高级的风险控制能力。 组训五：大涨别上头——禁止盘中“开香槟”，警惕情绪过热与诱多套牢 “大涨别上头”与“高开不追”在交易心理学上一脉相承。散户情绪最亢奋、喊看多声音最响亮的时候，往往就是市场阶段性见顶的时刻。 在市场大涨或连续拉升阶段，主力资金诱多的手段花样繁多。通过盘中拉抬指标股制造“牛市已来”的幻象，吸引散户入场接盘，是主力资金高位出货的惯用套路。 如果交易者在盘中或盘前被狂热情绪裹挟，盲目乐观“开香槟”，甚至随意加大杠杆或重仓追高，就极易落入主力资金预先设下的“情绪过热陷阱”。历史上看，但凡散户感到“普天同庆、全员喊牛市”的时刻，行情往往就已经走到了阶段性的顶部。保持理智与敬畏，坚决不在狂欢中加仓，是保护本金安全的最后一道心理防线。 总结与心法：防套的精神重于死记硬背 市场千变万化，“凡事皆有例外”。任何交易规条都不能机械套用——如果某只个股的技术形态、资金结构与催化剂完全符合你经过实战检验的交易模型，该出手时照样可以果断出手。 老股民用真金白银换来的这5条组训，其核心目的绝不是让你机械地死记硬背，而是要引导你透过盘面迷雾，领悟背后**“时刻警惕主力资金下套”**的防套核心精神，看清资金运行的真实意图。 面对下一次全网喊涨、盘前利好满天飞的高开开盘，你是否能耐下心来，守住纪律，等那关键的上半小时？ 亲测最好用的AI编写量化策略工具，可以让 AI 直接生成同花顺Supermind上可运行的策略代码，代码质量远高于直接使用 DeepSeek、GPT等平台。 😃Supermind AI工具入口：https://easyquant.ai/ 大家可以直接向AI描述策略，然后一键生成可运行的完整策略代码，也可以把它当做一个API 查询工具。 一、量化实验室是什么？ 量化实验室是SuperMind量化平台最新推出的AI功能，它不是再给你一堆冷冰冰的工具，而是用AI Agent把你的投研想法变成现实——无论是复杂的因子研究，还是策略的代码生成与回测，统统交给它。 继续加码：特惠延续！每周体验额度翻2倍！（原50 Credits/周，限时升级至100 Credits/周）。活动截止至 2026-07-12 23:59:59，快来试试AI如何重塑你的量化研究！ 1.1 因子研究 支持从研究想法、已有公式或研报逻辑出发，Agent自动生成因子表达式并回测验证。适合把“我想研究某个市场规律”这类想法，快速变成可以检验的数据结果。 1.2 策略代码生成 用自然语言描述策略逻辑，Agent自动生成可执行源码并回测： 支持Python策略和公式策略两种类型 Python策略适合选股、多因子、择时、风控、资金管理等复杂逻辑 公式策略适合单标的择时、技术指标、期货或股票的轻量策略 生成策略源码后自动执行回测，结果文件里能看到指标、交易记录和策略表现 支持多轮对话，哪里不满意就直接说，Agent继续改代码、重新跑结果 二、支持的策略类型 量化实验室支持两种策略类型：Python策略和公式策略。两者定位不同，各有适用场景。 2.1 Python策略 Python策略自由度更高，适合把一套完整交易框架写出来： 多股票选股：支持从指数成分股、行业板块或全A股票池中筛选股票 多因子模型：打分排名、因子回归、因子中性化 复杂风控：动态止损、移动止盈、仓位控制、个股持仓上限 灵活调仓：日、周、月任意频率，支持条件触发 完整回测：生成策略源码后直接执行回测，沉淀结果报告 2.2 公式策略 公式策略基于同花顺指标公式语法，更适合单标的、技术指标型策略： 单标的回测：主要针对单只股票、指数或期货合约 技术指标：MACD、KDJ、布林带等经典指标 交易信号：金叉死叉、突破、超买超卖、ATR波动突破 期货策略：日内交易、趋势跟踪、止损止盈规则 2.3 两者对比 能力 Python策略 公式策略 选股范围 全市场动态股票 提前指定单只标的 择时逻辑 任意复杂 指标信号、突破信号等 风控体系 动态止损、移动止盈、仓位管理 简单止盈止损 资金管理 等权、市值加权、风险平价 简单资金调整 因子研究 多因子打分、排名、回归 不支持 编程语法 Python 同花顺公式 回测结果文件 strategy_backtest_*.md funcat_backtest_*.md 适用场景 A股选股、多因子策略 股票/期货单标的择时 2.4 如何选择？ 想做A股选股、多因子策略 → 选Python策略 想做股票/期货日内、单标的技术指标择时 → 选公式策略 不确定 → 选Python策略，通用性更强 三、使用方法 3.1 整体流程 进入量化实验室 → 选择Agent → 描述策略 → AI生成代码 → 自动回测 → 查看结果 → 多轮优化 3.2 第一步：进入量化实验室 打开 同花顺SuperMind量化平台 注册登录（同花顺账号通用） 点击上方导航栏「我的研究」-「量化实验室」 3.3 第二步：选择Agent 根据你的需求选择合适的Agent： Agent 适用场景 量化助手 生成Python策略或公式策略，并执行回测（最常用） 因子研究Agent 从研究想法出发，生成因子 因子复现Agent 把公式/伪代码翻译成可执行表达式 生成策略代码时，直接选择「量化助手」即可。在使用时，最好在描述中明确说“生成Python策略”或“生成公式策略”，否则Agent可能会理解错方向。 3.4 第三步：描述你的策略 用大白话把策略逻辑讲清楚，关键是这几个要素： 要素 说明 示例 买什么 股票池 "沪深300成分股"、"全A股剔除ST" 什么时候买 开仓条件 "金叉买入"、"突破20日高点" 什么时候卖 平仓条件 "死叉卖出"、"亏损5%止损" 怎么分钱 资金管理 "等权重"、"按因子加权" 回测区间 起止时间 "2023年到2024年" 回测频率 运行频率 "日频"、"5分钟频率" 基准指数 对比基准 "沪深300"、"中证500" 描述示例： 写一个Python策略： - 股票池：沪深300成分股 - 买入：5日均线上穿20日均线，次日开盘买 - 卖出：5日均线下穿20日均线，次日开盘卖 - 资金：每笔买入5万 - 回测：2023-2024年，初始资金1000万，日频 公式策略可以这么说： 生成一个公式策略： - 标的：300033.SZ - 信号：收盘价上穿20日均线买入，下穿20日均线卖出 - 风控：亏损5%止损，盈利后从最高点回撤3%止盈 - 回测：2023-2025年，日频 3.5 第四步：查看回测结果 AI生成代码并执行回测后，策略源码和回测结果会保存到文件中： Python策略：strategy_backtest_*.md 公式策略：funcat_backtest_*.md 报告通常包含： 核心指标：总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比、交易次数 净值曲线：策略收益 vs 基准收益 3.6 第五步：多轮优化 不满意？直接告诉AI怎么改： # 加个过滤条件 在刚才基础上，加个成交量过滤，金叉时成交量要大于5日均量的1.5倍 # 优化风控 再加个动态止损：从最高点回撤5%止损，同时3%移动止盈 # 调整参数 把MACD参数改成(8,17,9)，回测时间延长到2024年 每一轮AI都会自动修改代码、重新回测、出新报告。反复调整，直到满意为止。 当然，AI生成的代码也需要用户自己甄别。它能大幅降低从想法到回测的门槛，但重要参数、交易假设和异常结果仍然建议自己再检查一遍。 3.7 剩余额度查看与充值 我们为每位用户提供了一定的免费体验额度，如有更大的使用需求，也可以订阅付费套餐。 四、实战案例 案例1：双均线公式策略 策略思路：最经典的趋势跟踪策略。收盘价上穿20日均线买入，下穿20日均线卖出，再加上止损止盈。这个案例适合用公式策略快速上手。 你怎么说： 生成一个公式策略： 1. 回测标的： - 标的：同花顺 - 频率：日频 - 回测区间：2023-01-01 至 2025-01-01 2. 开仓条件： - 计算20日收盘价均线MA20 - 当收盘价从下方上穿MA20时买入 3. 平仓条件： - 当收盘价从上方下穿MA20时卖出 - 买入后亏损达到5%时止损 - 买入后盈利创新高，再从最高点回撤3%时止盈 案例2：动量选股+止损策略 策略思路：选近期涨得好的股票（动量效应），但排除涨太多的（避免追高），加上硬性止损保护。 你怎么说： 生成一个Python选股策略： 1. 选股条件： - 股票池：中证500成分股 - 剔除ST股、停牌股、上市不足120日的股票 - 过去20日收益率排名前20%（动量强） - 过去5日平均换手率大于3%（确保流动性） - 排除过去20日涨幅超过30%的股票（避免追高） 2. 开仓条件： - 每周一开盘时，根据上述条件筛选出目标股票池 - 买入所有符合条件的股票，以开盘价执行 3. 平仓条件： - 每周一调仓时，不在新目标池中的股票全部卖出 - 个股亏损达到8%，无论是否到调仓日，立即止损卖出 - 个股盈利达到20%止盈 4. 资金分配： - 初始资金100万 - 持仓上限20只股票 - 采用等权重分配：总资金/持仓股票数 = 每只股票的分配金额 - 如果筛选出的股票超过20只，按动量排名取前20只 - 买入时按100股整数倍取整 5. 回测参数： - 回测区间：2022-01-01 至 2024-12-31 - 基准指数：中证500 - 初始资金：100万 - 回测频率：分钟 案例3：资金流向+波动率复合策略 策略思路：跟着主力资金走，但要选波动适中的股票（资金流入说明有人看好，波动适中说明走势稳健）。 你怎么说： 设计一个Python策略： 1. 选股条件： - 股票池：全A股（剔除ST股、停牌股、上市不足120日的次新股） - 因子1 - 资金流向：过去5日主力资金净流入（大单+特大单买入 - 大单+特大单卖出）/ 总成交额 > 0 - 因子2 - 波动率：过去20日收益率的年化波动率，要求处于全市场中位数±1个标准差之间 - 两个条件同时满足才入选 2. 开仓条件： - 每两周的第一个交易日开盘时执行选股 - 买入所有符合条件的股票 3. 平仓条件： - 每两周调仓时，不在新目标池中的股票全部卖出 - 个股亏损达到10%，立即止损 - 个股持有超过30个交易日仍未盈利，考虑卖出（避免长期套牢） 4. 资金分配： - 初始资金100万 - 持仓上限15只股票 - 采用等权重分配：可用资金/新买入股票数 - 卖出股票释放的资金，在下一个调仓日再分配 - 保留5%的现金作为缓冲，避免频繁满仓操作 5. 调仓频率： - 每两周调仓一次（即每10个交易日） 6. 回测参数： - 回测区间：2023-01-01 至 2024-12-31 - 基准指数：中证800 - 初始资金：100万 - 回测频率：分钟 案例4：多因子打分排名策略 策略思路：综合多个维度给股票打分，选出综合表现最好的。类似基金公司的量化选股模型。 你怎么说： 创建一个多因子Python策略： 1. 选股条件： - 股票池：沪深300成分股 - 剔除ST股、停牌股 - 三个因子，各自权重： - PE_TTM（市盈率，越低越好）：权重30% - ROE（净资产收益率，越高越好）：权重40% - 过去60日收益率（动量，越高越好）：权重30% - 对每个因子进行标准化打分（0-100分） - 加权计算综合得分 = PE得分×30% + ROE得分×40% + 动量得分×30% - 选择综合得分排名前20的股票 2. 开仓条件： - 每月第一个交易日开盘时执行选股 - 买入综合得分前20名的股票 3. 平仓条件： - 每月调仓时，不在新目标池中的股票全部卖出 - 个股亏损达到15%，立即止损 - 如果某只股票连续两个月综合得分跌出前30名，下个月强制卖出 4. 资金分配： - 初始资金100万 - 固定持仓20只股票 - 采用等权重分配：总资金/20 = 每只股票5万元 - 调仓时，先卖出需要清仓的股票，再买入新股票 - 买入顺序按综合得分从高到低，确保高分股票优先获得资金 - 如果资金不足，优先买入得分最高的股票 5. 调仓频率： - 每月第一个交易日调仓 6. 回测参数： - 回测区间：2022-01-01 至 2024-12-31 - 基准指数：沪深300 - 初始资金：100万 - 回测频率：日频 五、常见问题 Q：AI生成的代码一定正确吗？ A：不一定。AI能显著提高从想法到回测的速度，但生成代码、回测参数和交易假设仍然需要自己甄别，尤其是用于真实交易前。 Q：生成的代码有bug怎么办？ A：直接告诉AI“回测报错了，错误信息是xxx”，它会根据报错继续修改代码并重新回测。 Q：生成后还能继续改吗？ A：可以。比如“加一个成交量过滤”“把止损从8%改成5%”“回测区间延长到2025年”，都可以在同一个会话里继续说。 Q：策略能导出到本地吗？ A：可以。Python策略会沉淀Python源码和 strategy_backtest_*.md 报告，公式策略会沉淀公式策略结果和 funcat_backtest_*.md 报告。 Q：可以免费使用吗？ A：我们为每位用户每周提供了50 Credits的体验额度，可以满足多个策略代码生成任务。2026-07-12 23:59:59前体验额度限时2倍！ 六、总结 传统方式 量化实验室方式 学Python语法 → 学量化框架 → 写代码 → 调试 → 回测 说策略想法 → 生成Python/公式策略 → 自动回测 → 看报告 耗时：几天到几周 耗时：几分钟 不管你是量化新手想入门，还是老手想快速验证想法，SuperMind量化实验室都值得一试。尤其是策略代码生成这一步，它把“我有个策略想法”和“我看到了回测结果”之间的距离，压到了几分钟。 【重磅更新】 支持生成和执行通用代码 除策略代码外，量化实验室目前也支持生成通用python代码并执行，例如可以做数据处理、分析、可视化输出等。 与量化平台其他功能进行交互 supermind-cli 是Agent与SuperMind 量化平台进行交互的skill，可以让用户快速完成策略管理、回测与自选板块管理等。 管理个人策略仓库 将AI 生成的策略同步至云端仓库，或拉取其他策略的代码。推送后可以在“我的策略”-“策略研究”中看到这个策略。 示例：“把刚才写好的双均线策略推送到策略仓库里，命名为神奇均线”、“帮我看看云端现在有哪些策略” 异步回测 推送完成后可以发起异步回测任务。回测完成之后可在“我的策略”-“策略研究”-“回测列表”中查看回测详情。 示例：“用过去两年的数据跑一下这个策略的回测，初始资金500W” 维护自选板块 新增、更新或查询自选板块，添加后同花顺行情客户端可见。 示例：“帮我把这几只白酒股加到自选板块里”、“查一下我现在的自选板块都有哪些股票” 相关链接： AI Lab帮助文档 API文档 因子研究指南 回测引擎说明 做美股行情工具或者量化策略的人，几乎都会纠结同一个问题：实时行情到底该用HTTP轮询还是WebSocket推送？网上的说法五花八门，有人说不轮询就是不懂行情，有人说WebSocket才是正经解法。与其听别人讲，不如自己写代码测一遍——把两种方式接到同一个数据源上，用统一的口径量一量延迟、请求量、资源占用，结论自然就出来了。 这篇就是一次完整的测量过程记录：怎么设计测试、REST侧怎么测、WebSocket侧怎么测、结果怎么对比、最后什么场景该选哪个。 为什么延迟这事值得认真测 很多做美股的朋友一开始觉得"延迟差个一两秒无所谓"。这取决于你的策略： 日频选股：收盘后拿数据，延迟完全不敏感 分钟级监控：一两秒延迟可以接受，但要稳定 盘口、事件驱动、套利类策略：延迟直接决定策略能不能成立 另外延迟不是只看"快不快"，还要看抖不抖。一个接口平均100毫秒但偶尔跳到5秒，对策略的伤害比稳定200毫秒还大。所以测量的时候，别只记平均值，最大值和分布也要记。 测试设计：先定好口径再动手 延迟测试最容易出问题的地方是口径不统一。测REST和测WebSocket，如果"延迟"的定义不一样，对比就没有意义。 我建议统一用这个口径： 延迟 = 数据到达本地的时间 - 行情数据自身的生成时间戳 两种方式都对比这个差值。REST响应里有最新成交时间戳 t（毫秒），WebSocket推送的报价消息里也有 t。本地收到数据时记一个 time.time() * 1000，减去 t，就是这次数据的"端到端延迟"。 测量样本至少跑几百条，同时记录三组数：最小值、平均值、P95。只看平均会掩盖抖动，P95才能反映最差情况有多差。 还有一个公平性问题：两边要订阅同一批标的、在同一个时段测。美股盘中和盘后的推送频率完全不一样，跨时段对比出来的数字没有意义。 REST轮询怎么测 REST这边思路很简单：循环调用报价接口，每收到一次响应就计算一次延迟，连续跑N次，把延迟序列存下来。 import time import requests API_BASE = "https://api.itick.org" TOKEN = "your_token_here" headers = {"accept": "application/json", "token": TOKEN} def measure_rest_polling(symbol="AAPL", region="US", rounds=200): latencies = [] for _ in range(rounds): # 记录请求发出前的时间（毫秒） t0 = time.time() * 1000 resp = requests.get( f"{API_BASE}/stock/quote", headers=headers, params={"region": region, "code": symbol} ) data = resp.json()["data"] # 行情时间戳 t 是毫秒 latency = t0 - data["t"] latencies.append(latency) time.sleep(1) # 模拟真实轮询间隔 return latencies lats = measure_rest_polling() lats.sort() n = len(lats) print(f"样本数: {n}") print(f"最小: {lats[0]:.0f}ms, 平均: {sum(lats)/n:.0f}ms, P95: {lats[int(n*0.95)]:.0f}ms") 这里有个细节值得注意：t0 记的是"请求发出前"，但请求从发出到响应回来还有一个网络往返时间。严格说，REST轮询拿到的价格是上一次成交的价格，等你处理完这笔数据，行情可能已经又走了一段。所以REST的"有效延迟"天然比WebSocket大——它多了一个完整的请求-响应周期，哪怕你每秒刷一次也一样。 另外轮询频率是有上限的。一秒一刷，一小时就是3600个请求，一整天开着，请求量非常可观。对个人开发者来说，这既是成本问题，也是被限流的问题。 WebSocket推送怎么测 WebSocket这边，数据是服务端主动推过来的，测量逻辑变成：每收到一条报价消息，就用消息里的 t 和本地接收时间算延迟。 import json import threading import time import websocket WS_URL = "wss://api.itick.org/stock" TOKEN = "your_token_here" authenticated = False latencies = [] def on_message(ws, message): global authenticated payload = json.loads(message) if payload.get("resAc") == "auth" and payload.get("code") == 1 and not authenticated: authenticated = True ws.send(json.dumps({ "ac": "subscribe", "params": "AAPL$US", "types": "quote" })) threading.Thread(target=heartbeat, args=(ws,), daemon=True).start() return if payload.get("resAc") == "pong": return data = payload.get("data") or {} if data.get("type") == "quote": now = time.time() * 1000 latency = now - data["t"] latencies.append(latency) def heartbeat(ws): while True: time.sleep(30) ws.send(json.dumps({"ac": "ping", "params": str(int(time.time() * 1000))})) ws = websocket.WebSocketApp( WS_URL, header=[f"token: {TOKEN}"], on_message=on_message ) ws.run_forever() 跑一段时间，比如等几百条消息进来，然后离线分析 latencies： lats = sorted(latencies) n = len(lats) print(f"样本数: {n}") print(f"最小: {lats[0]:.0f}ms, 平均: {sum(lats)/n:.0f}ms, P95: {lats[int(n*0.95)]:.0f}ms") WebSocket的延迟有两个特点：一是推送频率跟着行情走——盘口活跃的时候消息多，清淡的时候消息少，不像轮询那样固定节奏；二是连接建立后只占一个长连接，不管订阅多少个标的，请求量都是恒定的，这是它跟轮询最本质的区别。 对比维度，不只是延迟 把两边都测完，你会得到两组数字。但选择方案不能只看延迟，我建议用四个维度一起看： 维度 REST轮询 WebSocket推送 延迟 多一个请求-响应周期，端到端延迟偏高 服务端主动推送，延迟低且稳定 请求量 与轮询频率成正比，长时间运行成本高 连接建立后恒定，不随标的数量增长 资源占用 每次请求都要建连、HTTP开销 一个长连接常驻，需要维护心跳 复杂度 简单，一个requests循环就够 需要处理鉴权、心跳、断线重连 结论其实很清晰：低频、短时、脚本化场景用REST，高频、长时、多标场景用WebSocket。日频任务、一次性拉快照、测试脚本，REST足够；盘中盯盘、事件驱动、跨标的实时监控，走WebSocket。 实测之外的几个坑 测量过程中顺便把几个老坑也验证了一遍，写下来免得大家再踩： 鉴权时序。 WebSocket连接建立不等于可以订阅，必须等 resAc:"auth" 且 code:1 再发subscribe。我见过直接连上就订阅的代码，数据一条都收不到，程序还不报错。 心跳不能省。 文档要求每30秒发一次心跳，不发的话长连接会被服务端断开。跑测量脚本一挂几小时，心跳漏了，后半段数据就全没了。 时间戳单位。 报价和K线的时间戳都是毫秒，直接用 time.time()（秒）去减会得到一个巨大的负数。统一用毫秒口径，或者写个工具函数转换，别在业务代码里随手除。 交易状态要判断。 美股盘前、盘中、盘后的行情特征差别很大，ts 字段标识交易状态。做延迟测试最好选正常交易时段，不然测出来的分布毫无参考价值。 小结 "轮询还是推送"这个问题，答案不在网上，在你的测量脚本里。把口径定好、两边各跑一遍、四维度对比，你的场景该用哪个自然就清楚了。对大多数做美股行情的个人开发者来说，最终方案通常是：REST拿快照和历史数据，WebSocket做盘中实时监控，两者各司其职。 数据源的具体参数和返回字段说明，写代码的时候边写边翻官方文档对照，比自己猜参数靠谱多了。 GitHub：https://github.com/itick-org/ 我的策略在回测中除了大盘行情在极端不好的情况下，可能选不出股票，绝大多数都能选出股票来，但回测的代码直接转到模拟盘上，出现当天一只股都选不出来，或者选一二只。我又用代码回测比如：模拟盘是星期四，没有选出一只股，我星期五用同一个代码去回测星期四的行情，出来几十只可用的股票。这是怎么回事呢？这个很严重，直接影响收益。要不，不开仓一只股没选出来，要不一二只。回测完全 不是这种情况。这个问题怎么解决啊？是什么原因？ 同一个盘口接口，苹果返回1档，寒武纪5档，腾讯10档，比特币1000档。直觉会说比特币最深、苹果最浅。可把挂单换成钱一算，比特币1000档挂的钱，还不到腾讯10档的三分之一。这篇讲清档数到底由什么决定、盘口深度该怎么比，最后给行情App三条显示规矩和一段跨市场盘口代码。 10月16日晚上11点33分，美股正在交易，港股和A股已经收盘。我用同一个盘口接口，查了四个标的：苹果、寒武纪、腾讯、比特币。 返回的档数分别是：1、5、10、1000。 如果只看档数，结论似乎很明显：比特币的盘口最深，苹果最浅。但把每一档的价格乘上数量，换成挂单金额： 比特币1000档，买卖两侧合计约2,450万美元；腾讯10档，约7,890万美元。1000档的钱，不到10档的三分之一。苹果只有1档，买一卖一合计才约4万美元，可它10月16日全天的成交额有约206亿美元。 所以，档数不是深度。档数是交易所规则和数据权限决定的；深度要看两个数：盘口覆盖了多宽的价格，这段价格里挂了多少钱。 这篇适合谁： 做行情App、交易工具、看板的产品经理和开发者：盘口要显示几档、空档怎么处理、数量怎么标； 拿“支持多少档”比较数据供应商的采购和技术负责人； 用盘口估算滑点、做盘口因子的量化开发者。 不写代码的读者，读完前三部分就够了，第四部分可以直接转给技术同事。 一、档数是规则和权限，不是市场深度 很多人默认，五档、十档、一千档，是数据“好”和“更好”的区别。其实档数主要由两件事决定：交易所怎么发行情，你买的是哪一级数据。 A股：Level-1是五档，Level-2才是十档 上证所信息网络公司的接口说明书写得很清楚：Level-1行情快照里，买卖盘字段是“申买五价、申卖五价”；Level-2快照是“申买十价、申卖十价”，另外还有逐笔数据和买一卖一的前50笔订单。我们平时在大多数行情软件里看到的五档，就是Level-1。 港股：十档属于Level 2，更深要另买 港交所的行情产品按层级划分：Level 2及以上提供十个价位的市场深度；超过十档的汇总深度在更高一级的产品里；完整的逐笔订单只在Full Book里。 美股：公共合并行情只有最优价 美股分散在十几家交易所交易，公共合并行情（SIP）的“核心数据”，是各家交易所的最优买卖价和对应数量，也就是常说的top of book。更深的盘口，主要要从各交易所单独购买专有数据。所以很多美股行情服务只给1档，并不说明美股浅。 加密：1000档挤在很窄的价格里 比特币的最小价格变动是0.01美元，每一档之间几乎没有间隔。1000档听起来很多，其实只覆盖了中间价上下约0.3%。 推到这里，结论就清楚了：拿档数去比较数据源，比的是各家买了哪一级数据，不是在比市场；拿档数去比较不同市场，更是在比交易所规则。 那深度到底该怎么比？ 二、看深度，要看两个数：覆盖多宽，挂了多少钱 档数不能比，是因为每一档的“宽度”和“厚度”都不一样。能跨市场比的，是两个数。 第一个数：可见盘口覆盖了多宽的价格 腾讯10档，买卖各覆盖中间价上下约0.43%；比特币1000档，买盘0.31%、卖盘0.25%；寒武纪5档，买盘0.35%，卖盘只有0.05%；苹果1档，只有最优价，什么范围都看不出来。 第二个数：中间价附近挂了多少钱 我用“中间价上下0.1%以内的挂单金额”来比： 标的 买方（中间价下方0.1%内） 卖方（中间价上方0.1%内） 腾讯 7.22万股，约3,014万港元 13.15万股，约5,496万港元 比特币 76.19 BTC，约622万美元 83.62 BTC，约683万美元 寒武纪 400股，约37万元 3,600股，约329万元 苹果 只有1档，算不出来 同左 读法：同样是中间价附近0.1%，各市场能吃到多少钱。数据为10月16日盘口快照，A股、港股为收盘后最后一份盘口。 还有一个细节，能看出“档多不等于每档有量”：比特币第2到第5档，每档只挂着约0.0001 BTC，不到10美元。这些“灰尘单”把档数撑满了，对深度几乎没有贡献。 这不是一时的巧合。我在周六上午11点29分又取了一次比特币盘口，还是1000档，覆盖范围买盘0.29%、卖盘0.24%，合计挂单约2,600万美元，和周五晚上差不多。 所以，“能不能吃下一笔单子”，要看范围和金额，而不是档数。但即使看了金额，盘口也只是一半的信息。 三、盘口是意愿，成交是事实 盘口是还挂着、等着成交的订单，随时可能撤；成交是已经发生的事实。两者不仅不是一回事，大小还可能完全对不上。 腾讯10月16日的最后一笔成交，发生在16:08:14，价格417.8，数量114.24万股。这个时间正落在港股收市竞价的随机收市窗口里，是竞价撮合出来的一笔。而收盘后能看到的10档卖盘，加起来只有76.02万股。 一笔成交比整个可见盘口还大，原因很简单：收市竞价里积累的订单，不会提前全部挂在连续竞价的盘口上。只看盘口去估算“这只股票收盘时能成交多少”，会低估好几倍。 苹果的逐笔成交是另一种情况。我取的20笔成交，全部落在同一秒（北京时间23:33:30），数量从1股到160股不等，价格大多在344.71到344.85之间；其中有一笔10股的成交价是345.534，比同一秒其他成交高出约0.23%。 对做App的人来说，这意味着三件事： 成交明细和盘口分开显示，不要用成交去“修正”盘口； 同一秒的多笔成交，按接口返回的顺序排，不要按价格重排； 偏离当时买卖价较多的成交，可以单独标出来，不要直接拿它刷新最新价。 把前三部分落到界面上，就是下面三条规矩。 四、行情App显示盘口的三条规矩 规矩一：有几档显示几档 接口给了5档就显示5档，给了1档就显示1档。不要补0，不要复制最后一档，也不要用空行凑满十档。补出来的档位，用户和策略都会当成真实挂单来算，这就是在制造假深度。 规矩二：数量写单位，再换算成金额 A股盘口的数量通常按手计（1手为100股，按接口实测推断，接入时以文档确认），港股、美股按股，加密按币。寒武纪买一显示的“2”，是200股，不是2股。单位不写清，用户估算能成交多少时会差100倍。要跨市场比较，就统一换算成金额。 规矩三：深度用“范围 + 金额”表达，不用档数 想告诉用户盘口有多深，就显示“中间价上下0.1%内挂了多少钱”，或者“可见盘口覆盖了多宽的价格”。不要在产品介绍里写“支持1000档深度”，那只说明交易所规则和数据层级。 另外，今天是周末，打开App，A股和港股的盘口还停在周五收盘那一刻。盘口旁边要写明它属于哪个交易日、哪一刻，不要让用户以为这是现在的挂单。 这三条规矩落到各个市场，是这张表： 市场 常见档数 数据层级 数量单位 显示建议 A股 5档 Level-1；Level-2为10档 手（推断） 换算成股和金额；不补到10档 港股 10档 Level 2；更深需另购 股 显示金额；收市竞价成交单独标注 美股 1档 公共合并行情只有最优价 股 不暗示深度；成交明细单独显示 加密 最多1000档 交易所提供 币 用范围和金额表达；过滤灰尘单 读法：档数一列只说明规则，判断深度看最后一列。 怎么做 TickDB 为开发者和 AI 应用提供统一的全球行情数据接口，让团队通过一套接入获取多市场实时与历史数据，更快构建行情、分析和监控产品。 文中四个市场的盘口，是用它的同一个盘口接口、在同一时刻取到的：接口按市场返回原生档位，美股1档、港股10档、A股5档、加密最多1000档，有几档返回几档，不做补齐；外汇和指数不提供盘口。 下面这段代码不比档数，而是算每个盘口的覆盖范围和中间价上下0.1%内的挂单金额： # 测试环境：Python 3.11 / 2026-10-17（用 10/16 四个市场的真实盘口验证） # 用途：跨市场比较盘口深度，不比档数，比“覆盖范围”和“中间价附近挂了多少钱” import os from decimal import Decimal import requests LOT = {"SH": 100, "SZ": 100} # A股盘口数量按手计（推断，接入时以文档确认），换算成股 def get_book(symbol): r = requests.get("https://api.tickdb.ai/v1/market/depth", params={"symbol": symbol}, headers={"X-API-Key": os.environ["TICKDB_API_KEY"]}, timeout=10) # Key 只放服务端 body = r.json() if body.get("code") != 0: raise RuntimeError(body.get("message")) return body["data"] def depth_stats(book, width=Decimal("0.001")): mult = LOT.get(book["symbol"].rsplit(".", 1)[-1], 1) bids = [(Decimal(p), Decimal(q) * mult) for p, q in book["bids"]] # 有几档用几档，不补齐 asks = [(Decimal(p), Decimal(q) * mult) for p, q in book["asks"]] mid = (bids[0][0] + asks[0][0]) / 2 near = lambda side, ok: sum(p * q for p, q in side if ok(p)) return { "levels": (len(bids), len(asks)), "range_pct": (float((bids[0][0] - bids[-1][0]) / mid * 100), float((asks[-1][0] - asks[0][0]) / mid * 100)), "notional_near_mid": (float(near(bids, lambda p: p >= mid * (1 - width))), # 中间价下方 0.1% 内的买单金额 float(near(asks, lambda p: p <= mid * (1 + width)))), # 中间价上方 0.1% 内的卖单金额 } if __name__ == "__main__": for s in ["AAPL.US", "700.HK", "688256.SH", "BTCUSDT"]: print(s, depth_stats(get_book(s))) 设置环境变量 TICKDB_API_KEY 后运行，Key 只放在服务端。用10月16日的四份盘口跑，腾讯中间价上方0.1%内的卖单约5,496万港元，比特币约683万美元，和第二部分的表格一致。 档数说明的是规则和权限，深度要用范围和金额来量。盘口告诉你有人愿意在哪里买卖，成交告诉你实际发生了什么，两样都要看，也都要分开看。 今天就可以打开你们App的盘口页看一眼：有没有补出来的空档，数量写没写单位，周末的盘口有没有写明是哪一天的。 参考资料 上证所信息网络有限公司，《上海证券交易所历史数据接口说明书》v1.1.2，2023年12月13日。sseinfo.com 香港交易所，Real-time Datafeeds 产品说明。hkex.com.hk Sidley Austin，《SEC Proposes Overhaul of Market Data Infrastructure》，2020年4月9日。sidley.com 数立方投研服务平台，《level1和level2数据的区别》。datacube.foundersc.com TickDB 官方文档，盘口接口说明。docs.tickdb.ai 苹果、寒武纪、腾讯、比特币的盘口与逐笔成交：TickDB 实测，2026年10月16日23:33（北京时间）；比特币另于10月17日11:29复测。 
