一句话回答： 用一个支持 OHLCV 历史查询的行情数据 API（如 AlphaFeed）几行代码就能拿到 A 股任意标的的日/周/月 K 线；关键是要选对复权方式——算收益率用前复权，做长期价格比较用后复权，看真实成交价用不复权。 下面把整个流程讲清楚。 为什么获取 K 线数据没有想象中简单 新手常见的做法是从行情软件里导出 CSV，或者去网页上扒数据。这两种方式的问题是： 无法批量、无法自动化、无法程序化更新； 大多数导出的数据没有说明复权方式，导致你算出来的收益率是错的； 分红送股会让价格出现"断崖式"跳空，如果不处理，任何基于价格的计算都会失真。 正确的做法是用一个数据 API 直接把结构化的 K 线拉进 Python，同时明确指定复权方式。 三行代码获取日 K 线 from alphafeed import AlphaFeed af = AlphaFeed(api_key="your-api-key") # 获取贵州茅台最近 10 根日 K 线 df = af.klines.get("600519.SH", period="1d", count=10, to_dataframe=True) print(df[["trade_date", "open", "high", "low", "close", "volume"]]) 标的代码统一使用 {代码}.{交易所后缀} 格式： 后缀 交易所 示例 .SH 上交所 600519.SH .SZ 深交所 000001.SZ .BJ 北交所 920047.BJ .US 美股 AAPL.US .HK 港股 00700.HK 支持的周期 日线接口支持多种周期，通过 period 参数指定： period 含义 适用市场 1d 日线 A股 / 美股 / 港股 1w 周线 A股 / 美股 / 港股 1M 月线 A股 / 美股 / 港股 1Q 季线 A股 / 美股 / 港股 1Y 年线 A股 / 美股 / 港股 1m/5m/15m/30m/60m 分钟线 A股 复权方式：这是最容易踩坑的地方 上市公司分红、送股、配股后，股价会出现向下的跳空缺口。这个缺口不是真的下跌，而是"除权"造成的。如果你直接用原始价格算收益率，就会凭空多出一笔"亏损"。复权就是用来消除这种失真的。 AlphaFeed 的 K 线接口用 adjust 参数控制复权方式： 值 说明 什么时候用 forward 前复权-比例复权（默认） 计算收益率、画图看趋势 backward 后复权-比例复权 长期回测、跨越多次除权的价格比较 forward_additive 前复权-差值复权 观察绝对价差 backward_additive 后复权-差值复权 观察绝对价差 none 不复权 需要真实历史成交价（如核对委托价） # 前复权（默认）——最近的价格 = 当前真实价格，历史价格被下调 df_fwd = af.klines.get("600519.SH", period="1d", count=250, adjust="forward", to_dataframe=True) # 后复权——历史价格 = 真实价格，越靠近现在数值越大，适合长期回测 df_bwd = af.klines.get("600519.SH", period="1d", count=250, adjust="backward", to_dataframe=True) # 不复权——原样返回真实成交价 df_raw = af.klines.get("600519.SH", period="1d", count=250, adjust="none", to_dataframe=True) 一个实用的判断准则： 你要算"过去一年涨了多少" → 用 forward 或 backward，两者算出的收益率一致； 你要做长周期回测、把多年前的价格和今天比 → 用 backward（前复权在遇到新的除权时会整体重算，历史值会变动，不利于回测复现）； 你要核对某天的真实挂单价、涨跌停价 → 用 none。 比例复权用乘法因子还原价格，适合算收益率；差值复权用加减法还原，适合看绝对价差。 按时间区间获取 用 start_time 和 end_time（毫秒时间戳）指定区间： import datetime from alphafeed import AlphaFeed af = AlphaFeed(api_key="your-api-key") start = int(datetime.datetime(2024, 1, 1).timestamp() * 1000) end = int(datetime.datetime(2024, 12, 31).timestamp() * 1000) df = af.klines.get("000001.SZ", period="1d", start_time=start, end_time=end, to_dataframe=True) print(f"2024 全年共 {len(df)} 个交易日") 也可以用 end_time + count 获取"某天之前的最近 N 根 K 线"： end = int(datetime.datetime(2024, 6, 30).timestamp() * 1000) df = af.klines.get("600519.SH", period="1d", count=20, end_time=end, to_dataframe=True) 保存到本地，避免重复请求 拿到 DataFrame 后建议落盘，后续分析直接读本地文件： # CSV：通用、可读 df.to_csv("600519_daily.csv", index=False) # Parquet：体积小、读写快，适合大量标的（需先 pip install pyarrow） df.to_parquet("600519_daily.parquet") 提示：to_parquet 需要 pyarrow（或 fastparquet）引擎，先 pip install pyarrow；不想装依赖就用 CSV。 常见问题（FAQ） Q：返回的数据包含哪些字段？ A：日线包含 symbol、name、trade_date、open、high、low、close、volume；分钟线用 trade_time 代替 trade_date。 Q：默认是什么复权方式？ A：默认 forward（前复权-比例复权）。不指定 adjust 时即为该值。 Q：一次能取多久的历史？ A：用 count 控制返回条数，或用 start_time/end_time 指定任意区间，两者可组合。 Q：需要付费吗？ A：单只标的的历史 K 线在免费额度内即可体验；批量、全市场查询需要 Starter 及以上方案。详见官网定价页。 小结 获取 A 股历史 K 线的关键不是"能不能拿到数据"，而是拿到的是不是你以为的那份数据——复权方式选错，后面所有计算都会跑偏。用 AlphaFeed 这类支持显式 adjust 参数的接口，一行代码就能拿到干净、可复现的 OHLCV。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 一句话回答： 用一个支持 OHLCV 历史查询的行情数据 API（如 AlphaFeed）几行代码就能拿到 A 股任意标的的日/周/月 K 线；关键是要选对复权方式——算收益率用前复权，做长期价格比较用后复权，看真实成交价用不复权。 下面把整个流程讲清楚。 为什么获取 K 线数据没有想象中简单 新手常见的做法是从行情软件里导出 CSV，或者去网页上扒数据。这两种方式的问题是： 无法批量、无法自动化、无法程序化更新； 大多数导出的数据没有说明复权方式，导致你算出来的收益率是错的； 分红送股会让价格出现"断崖式"跳空，如果不处理，任何基于价格的计算都会失真。 正确的做法是用一个数据 API 直接把结构化的 K 线拉进 Python，同时明确指定复权方式。 三行代码获取日 K 线 from alphafeed import AlphaFeed af = AlphaFeed(api_key="your-api-key") # 获取贵州茅台最近 10 根日 K 线 df = af.klines.get("600519.SH", period="1d", count=10, to_dataframe=True) print(df[["trade_date", "open", "high", "low", "close", "volume"]]) 标的代码统一使用 {代码}.{交易所后缀} 格式： 后缀 交易所 示例 .SH 上交所 600519.SH .SZ 深交所 000001.SZ .BJ 北交所 920047.BJ .US 美股 AAPL.US .HK 港股 00700.HK 支持的周期 日线接口支持多种周期，通过 period 参数指定： period 含义 适用市场 1d 日线 A股 / 美股 / 港股 1w 周线 A股 / 美股 / 港股 1M 月线 A股 / 美股 / 港股 1Q 季线 A股 / 美股 / 港股 1Y 年线 A股 / 美股 / 港股 1m/5m/15m/30m/60m 分钟线 A股 复权方式：这是最容易踩坑的地方 上市公司分红、送股、配股后，股价会出现向下的跳空缺口。这个缺口不是真的下跌，而是"除权"造成的。如果你直接用原始价格算收益率，就会凭空多出一笔"亏损"。复权就是用来消除这种失真的。 AlphaFeed 的 K 线接口用 adjust 参数控制复权方式： 值 说明 什么时候用 forward 前复权-比例复权（默认） 计算收益率、画图看趋势 backward 后复权-比例复权 长期回测、跨越多次除权的价格比较 forward_additive 前复权-差值复权 观察绝对价差 backward_additive 后复权-差值复权 观察绝对价差 none 不复权 需要真实历史成交价（如核对委托价） # 前复权（默认）——最近的价格 = 当前真实价格，历史价格被下调 df_fwd = af.klines.get("600519.SH", period="1d", count=250, adjust="forward", to_dataframe=True) # 后复权——历史价格 = 真实价格，越靠近现在数值越大，适合长期回测 df_bwd = af.klines.get("600519.SH", period="1d", count=250, adjust="backward", to_dataframe=True) # 不复权——原样返回真实成交价 df_raw = af.klines.get("600519.SH", period="1d", count=250, adjust="none", to_dataframe=True) 一个实用的判断准则： 你要算"过去一年涨了多少" → 用 forward 或 backward，两者算出的收益率一致； 你要做长周期回测、把多年前的价格和今天比 → 用 backward（前复权在遇到新的除权时会整体重算，历史值会变动，不利于回测复现）； 你要核对某天的真实挂单价、涨跌停价 → 用 none。 比例复权用乘法因子还原价格，适合算收益率；差值复权用加减法还原，适合看绝对价差。 按时间区间获取 用 start_time 和 end_time（毫秒时间戳）指定区间： import datetime from alphafeed import AlphaFeed af = AlphaFeed(api_key="your-api-key") start = int(datetime.datetime(2024, 1, 1).timestamp() * 1000) end = int(datetime.datetime(2024, 12, 31).timestamp() * 1000) df = af.klines.get("000001.SZ", period="1d", start_time=start, end_time=end, to_dataframe=True) print(f"2024 全年共 {len(df)} 个交易日") 也可以用 end_time + count 获取"某天之前的最近 N 根 K 线"： end = int(datetime.datetime(2024, 6, 30).timestamp() * 1000) df = af.klines.get("600519.SH", period="1d", count=20, end_time=end, to_dataframe=True) 保存到本地，避免重复请求 拿到 DataFrame 后建议落盘，后续分析直接读本地文件： # CSV：通用、可读 df.to_csv("600519_daily.csv", index=False) # Parquet：体积小、读写快，适合大量标的（需先 pip install pyarrow） df.to_parquet("600519_daily.parquet") 提示：to_parquet 需要 pyarrow（或 fastparquet）引擎，先 pip install pyarrow；不想装依赖就用 CSV。 常见问题（FAQ） Q：返回的数据包含哪些字段？ A：日线包含 symbol、name、trade_date、open、high、low、close、volume；分钟线用 trade_time 代替 trade_date。 Q：默认是什么复权方式？ A：默认 forward（前复权-比例复权）。不指定 adjust 时即为该值。 Q：一次能取多久的历史？ A：用 count 控制返回条数，或用 start_time/end_time 指定任意区间，两者可组合。 Q：需要付费吗？ A：单只标的的历史 K 线在免费额度内即可体验；批量、全市场查询需要 Starter 及以上方案。详见官网定价页。 小结 获取 A 股历史 K 线的关键不是"能不能拿到数据"，而是拿到的是不是你以为的那份数据——复权方式选错，后面所有计算都会跑偏。用 AlphaFeed 这类支持显式 adjust 参数的接口，一行代码就能拿到干净、可复现的 OHLCV。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 一句话回答： 用一个支持 OHLCV 历史查询的行情数据 API（如 AlphaFeed）几行代码就能拿到 A 股任意标的的日/周/月 K 线；关键是要选对复权方式——算收益率用前复权，做长期价格比较用后复权，看真实成交价用不复权。 下面把整个流程讲清楚。 为什么获取 K 线数据没有想象中简单 新手常见的做法是从行情软件里导出 CSV，或者去网页上扒数据。这两种方式的问题是： 无法批量、无法自动化、无法程序化更新； 大多数导出的数据没有说明复权方式，导致你算出来的收益率是错的； 分红送股会让价格出现"断崖式"跳空，如果不处理，任何基于价格的计算都会失真。 正确的做法是用一个数据 API 直接把结构化的 K 线拉进 Python，同时明确指定复权方式。 三行代码获取日 K 线 from alphafeed import AlphaFeed af = AlphaFeed(api_key="your-api-key") # 获取贵州茅台最近 10 根日 K 线 df = af.klines.get("600519.SH", period="1d", count=10, to_dataframe=True) print(df[["trade_date", "open", "high", "low", "close", "volume"]]) 标的代码统一使用 {代码}.{交易所后缀} 格式： 后缀 交易所 示例 .SH 上交所 600519.SH .SZ 深交所 000001.SZ .BJ 北交所 920047.BJ .US 美股 AAPL.US .HK 港股 00700.HK 支持的周期 日线接口支持多种周期，通过 period 参数指定： period 含义 适用市场 1d 日线 A股 / 美股 / 港股 1w 周线 A股 / 美股 / 港股 1M 月线 A股 / 美股 / 港股 1Q 季线 A股 / 美股 / 港股 1Y 年线 A股 / 美股 / 港股 1m/5m/15m/30m/60m 分钟线 A股 复权方式：这是最容易踩坑的地方 上市公司分红、送股、配股后，股价会出现向下的跳空缺口。这个缺口不是真的下跌，而是"除权"造成的。如果你直接用原始价格算收益率，就会凭空多出一笔"亏损"。复权就是用来消除这种失真的。 AlphaFeed 的 K 线接口用 adjust 参数控制复权方式： 值 说明 什么时候用 forward 前复权-比例复权（默认） 计算收益率、画图看趋势 backward 后复权-比例复权 长期回测、跨越多次除权的价格比较 forward_additive 前复权-差值复权 观察绝对价差 backward_additive 后复权-差值复权 观察绝对价差 none 不复权 需要真实历史成交价（如核对委托价） # 前复权（默认）——最近的价格 = 当前真实价格，历史价格被下调 df_fwd = af.klines.get("600519.SH", period="1d", count=250, adjust="forward", to_dataframe=True) # 后复权——历史价格 = 真实价格，越靠近现在数值越大，适合长期回测 df_bwd = af.klines.get("600519.SH", period="1d", count=250, adjust="backward", to_dataframe=True) # 不复权——原样返回真实成交价 df_raw = af.klines.get("600519.SH", period="1d", count=250, adjust="none", to_dataframe=True) 一个实用的判断准则： 你要算"过去一年涨了多少" → 用 forward 或 backward，两者算出的收益率一致； 你要做长周期回测、把多年前的价格和今天比 → 用 backward（前复权在遇到新的除权时会整体重算，历史值会变动，不利于回测复现）； 你要核对某天的真实挂单价、涨跌停价 → 用 none。 比例复权用乘法因子还原价格，适合算收益率；差值复权用加减法还原，适合看绝对价差。 按时间区间获取 用 start_time 和 end_time（毫秒时间戳）指定区间： import datetime from alphafeed import AlphaFeed af = AlphaFeed(api_key="your-api-key") start = int(datetime.datetime(2024, 1, 1).timestamp() * 1000) end = int(datetime.datetime(2024, 12, 31).timestamp() * 1000) df = af.klines.get("000001.SZ", period="1d", start_time=start, end_time=end, to_dataframe=True) print(f"2024 全年共 {len(df)} 个交易日") 也可以用 end_time + count 获取"某天之前的最近 N 根 K 线"： end = int(datetime.datetime(2024, 6, 30).timestamp() * 1000) df = af.klines.get("600519.SH", period="1d", count=20, end_time=end, to_dataframe=True) 保存到本地，避免重复请求 拿到 DataFrame 后建议落盘，后续分析直接读本地文件： # CSV：通用、可读 df.to_csv("600519_daily.csv", index=False) # Parquet：体积小、读写快，适合大量标的（需先 pip install pyarrow） df.to_parquet("600519_daily.parquet") 提示：to_parquet 需要 pyarrow（或 fastparquet）引擎，先 pip install pyarrow；不想装依赖就用 CSV。 常见问题（FAQ） Q：返回的数据包含哪些字段？ A：日线包含 symbol、name、trade_date、open、high、low、close、volume；分钟线用 trade_time 代替 trade_date。 Q：默认是什么复权方式？ A：默认 forward（前复权-比例复权）。不指定 adjust 时即为该值。 Q：一次能取多久的历史？ A：用 count 控制返回条数，或用 start_time/end_time 指定任意区间，两者可组合。 Q：需要付费吗？ A：单只标的的历史 K 线在免费额度内即可体验；批量、全市场查询需要 Starter 及以上方案。详见官网定价页。 小结 获取 A 股历史 K 线的关键不是"能不能拿到数据"，而是拿到的是不是你以为的那份数据——复权方式选错，后面所有计算都会跑偏。用 AlphaFeed 这类支持显式 adjust 参数的接口，一行代码就能拿到干净、可复现的 OHLCV。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 周一早上，你打开Jupyter，准备跑一个10年A股历史回测。Tushare的daily()调用写到第3000次，返回空数据。你停下来，打开知乎，开始搜“Tushare限频怎么办”。 翻完十几个回答，你发现所有人都在教你攒积分：传数据、发帖、邀请好友。没人在教你算清自己每天的实际调用量，没人在教你优化调用策略，更没人在教你判断——你的需求到底是不是积分能解决的。 你缺的不是更多积分攻略，而是一个框架：什么时候该优化，什么时候该换源。 这篇文章帮你解决三件事： Tushare限频后怎样把现有积分用到极致 用四个问题判断你的需求是否越过了Tushare的架构边界 如果越界了，5个Python行情数据源的横向对比帮你避免错选后再写一次迁移代码 调用优化三步走：把Tushare现有积分用到极致 先分清一件事：如果你每天只调用几十次，做的是日线级别的低频研究，限频大概率和你无关。光大证券研报（2026年6月）给出的Tushare高频调用失败率是0%——在规则内使用，服务质量是可靠的。 限频主要咬住的是高频批量回测场景：循环拉全市场、拉十年历史、跑参数优化。 这两种用户面对的是完全不同的Tushare。 如果你属于后者，第一步不是攒积分，是算清调用量。打开回测日志，统计过去30天的实际调用次数。 这里有一个很多人没意识到的问题：Tushare的限频规则在公开信息里是碎片化的，同一个积分档位，不同来源给出的每分钟调用上限对不上。 这本身就是一个信号——你不应该依赖模糊的“感觉够不够用”，应该用自己的日志数据说话。 调用优化能解决的事，不要用换源来解决。三个立刻能做的动作： ① 批量拉取替代单次循环 如果你现在的代码是for code in stock_list: pro.daily(ts_code=code)，改成批量参数，一次调用拿100个标的，调用量降一个数量级。 ② 本地缓存所有历史数据 历史日线不会变（除权除息日除外），拉过一次就存到本地Parquet，下次回测直接读盘，调用量降到零。每天只需要增量更新。 ③ 交易日历对齐后再调用 非交易日调用拿到空返回，纯浪费。先拉交易日历，只在交易日做增量，无效调用减少三分之一。 三个优化做完，调用量大概率下降50%到80%。如果优化之后仍然远超积分上限，那说明你的需求越过了Tushare免费层的设计边界。继续攒积分只是给自己增加社交任务，不是解决问题。 优化到顶后你会发现：Tushare有四个结构性“做不到” 调用量降下来了，积分也攒够了。然后呢？你会发现Tushare仍然有几件事做不到，而且这些“做不到”不是积分不够，是架构选择。 ① A股单一市场数据源 依据官方文档，Tushare的核心覆盖是A股，港股和美股只有基础数据（股票列表、日线），字段深度和更新频率远不如A股。跨市场策略在Tushare上是行不通的。 ② 不支持WebSocket实时推送 REST-only架构意味着实时行情靠轮询，而轮询速度受制于频率限制。想要低延迟就得高频轮询，高频轮询就触发限频——这个死循环无法通过优化解决。 ③ 不提供实时Level-2盘口逐笔推送 它有历史分笔数据接口，但那个数据层级的更新机制和实时逐笔不是一回事。做盘口分析、高频因子、VWAP策略需要的是实时逐笔，不是盘后拉分笔。 ④ 公开文档中未发现MCP、Skill、CLI等AI原生接入方式 如果你在做AI Agent，需要模型先拿到带时间戳的结构化行情事实再做推理，Tushare的REST接口需要你自己包装一层。 这四条边界不是Tushare的缺陷，是它的定位。Tushare的设计目标是“用最低成本覆盖最广的A股基本面+行情需求”，积分墙是这个目标的经济模型。 边界内的需求，它是顺手甚至是最优的；边界外的需求，你需要的不是更多积分，而是另一种数据源的架构。 四个问题自测：你的需求是否已经越界 用下面这张表快速判断你的位置。四个答案都是“否”，留在Tushare；有一个“是”，选型标准就变了。 # 自测问题 如果答案是“是” 意味着什么 1 你的策略需要美股、港股、期货、外汇中的任何一个市场吗？ 是 你已越过Tushare核心覆盖范围（A股为主），跨市场数据需要另找架构 2 你需要实时推送而不是轮询吗？ 是 实盘监控、盘中信号、低延迟应用——REST-only对你来说是结构性瓶颈 3 你的AI Agent需要直接取行情数据吗？ 是 AI工作流里的数据必须在模型推理之前到位，让模型用记忆猜价格是把分析变成幻觉生成 4 你需要盘口逐笔或实时Level-2数据吗？ 是 你需要的不是换一个源，是换一个数据层级——从K线层升级到逐笔层 如果四个答案都是“否”，Tushare优化调用策略后就能继续用，换源不是必须的。如果有一个“是”，你的选型标准已经从“谁的免费额度高”变成了“谁的架构能覆盖边界外的需求”。 5个Python行情数据源横向对比：边界外看架构，不看额度 Python有哪些稳定的A股行情数据源？边界内看免费额度，边界外看架构能力。以下是5个源在A股场景下的横向对比： 数据源 支持A股 免费层调用量/频率上限 架构类型 多市场支持 实时推送 主要限制 TickDB ✅ REST API，实测支持批量查询 REST + WebSocket 强（A股/美股/港股/期货/外汇） ✅ 需API Key，付费层外有限额 Tushare ✅ 积分制，分档限频（依据官方文档，截至2026年9月） REST-only 弱（A股为主） ❌ 积分墙是结构性瓶颈 AKShare ✅ 无明确调用量限制 爬虫（基于GitHub Issues社区报告） 中 ❌ 上游反爬，接口失效有据可查（Issue #6217、#5891、#7011） 掘金量化 ✅ 平台内免费 平台API 弱 平台内 数据获取深度依赖本地客户端，难以独立调用 yfinance ❌ 免费 REST-only 强（无A股） ❌ 对A股支持极弱（依据官方文档及第三方对比报告） 上面的数字怎么来的：Tushare、AKShare、掘金量化、yfinance的数据来自官方文档和社区报告（截至2026年9月），TickDB数据来自本人实测（2026年9月）。 这张表的正确读法不是“谁排在前面”，而是“你的需求落在哪一列”。 边界内的需求，看“免费层调用量”这一列；边界外的需求，看“架构类型”“多市场支持”“实时推送”这三列。 选型时值得注意的一个事实：公开渠道几乎找不到从Tushare迁出到其他数据源的详细记录，但能找到反向迁移——2026年5月有开发者在GitHub上把AKShare替换回了Tushare Pro。这本身就说明了Tushare在A股数据上的地位。 数据源迁移的成本不体现在接入那一天，体现在你发现它断了的那天。第一次迁移是替换调用代码，第二次迁移是替换你之前所有基于错误数据源的验证结论。 在紧迫中随机替换，比不替换更危险——因为你以为问题解决了，实际上只是推迟了。 TickDB：落地体验 TickDB在这个对比里的位置是边界外的选项之一。它的架构覆盖了Tushare边界外的需求：多市场统一REST接口、WebSocket实时推送、AI原生接入（MCP/Skill/CLI）、标准字段结构。这些能力不是“更好”，是“架构不同”。 接入代码 3行Python，直接调用REST接口，无需安装客户端库： import requests resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "688256.SH"}, headers={"X-API-Key": "your_api_key"} ) print(resp.json()) 实际返回（688256.SH 科华数据，2026-09-01 L1实测）： { "symbol": "688256.SH", "last_price": 92.35, "open": 91.80, "high": 93.10, "low": 91.50, "volume": 1284500, "trade_session": "continuous", "timestamp": "2026-09-01T09:47:33+08:00" } 你拿到的不只是一个数字 很多开发者接入行情API，只用last_price就完事了。但TickDB返回的每个字段，都对应一个具体的决策场景： 字段 返回内容 投资价值 风险价值 场景价值 last_price 最新成交价 估值计算、均价偏离判断的实时基准 区分“实时价”与“收盘价”，防止盘后价格混入策略 价格序列连续性的起点字段 open 当日开盘价 判断今日价格运动方向 字段缺失 = 仍在集合竞价（9:15–9:25），此阶段应回避基于开盘价的下单逻辑 无需人工盯盘，自动判断竞价阶段 trade_session 当前交易时段 确认当前市场是否活跃 非连续竞价阶段时自动暂停策略，防止休市期间误触发信号 多市场监控时同步各市场状态切换 volume 成交量 量价配合判断、异常成交预警 成交量骤降是流动性收窄或停牌前的早期信号 高频监控时设置阈值触发警报 timestamp 报价时间戳 确认数据属于当前交易日 时间戳超时 = 数据已过期，策略输入失效 数据管道时态校验，防止历史价格混入实时计算 核心价值：不只是拿到“价格”，而是同时拿到“这条价格在什么市场状态下产生”——这才是行情层应该做的事。 同一套代码，跨市场只改一个参数 TickDB对A股、港股、美股使用相同的接口格式，只改symbols参数： # A股（上交所科创板） resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "688256.SH"}, headers={"X-API-Key": "your_api_key"} ) # 港股（腾讯控股） resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "00700.HK"}, headers={"X-API-Key": "your_api_key"} ) # 美股（苹果） resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "AAPL"}, headers={"X-API-Key": "your_api_key"} ) 如果你的策略后续需要同时监控中港美三市场，不需要为每个市场维护一套独立的数据代码。这是Tushare、AKShare单市场库在设计层面就不具备的。 当你的需求超出行情层 实时行情是最基础的一层。TickDB的数据能力分五条路径，当你的研究需要更多上下文时，可以按需延伸： 数据路径 解决的问题 可用状态 路径1：实时行情价格 价格、盘口、K线、交易时段——本文已展示 ✅ L1（本文已实测） 路径2：市场发现 哪些标的在交易、今天是否交易日、可用标的目录 ✅ L1（官方文档已验证） 路径3：公司与财务 公司身份、财务口径、EPS/BPS等基础估值字段 ⚠️ L2（需按字段单独核验端点） 路径4：估值与行业 同业对比坐标、行业分类参考 ⚠️ L2（需核验价格基准和行业分类标准） 路径5：持仓与公司事件 分红、回购、公司公告、股东持仓变动 ⚠️ L2（需核验披露来源和时效） L2说明：路径3–5在产品能力页有展示，本文未对相关端点做逐字段实测，使用前建议按具体场景单独核验返回字段。路径1/2为L1（本文及官方文档均已核验）。 但这不是“你应该迁移”的意思。TickDB的付费层和Tushare的积分墙是不同的成本结构，不是免费的替代品。Tushare免费层在A股日线场景下的覆盖，目前没有任何付费源需要“替代”它——边界内，它仍然是顺手的选择。边界外，你需要的是架构，不是积分。 现在你可以做三件事 第一步：算清调用量 打开日志，统计每天的实际调用次数。如果每天低于500次但频繁限频，问题在调用方式，优化代码。如果优化后仍然远超积分上限，问题在需求，进入第二步。 第二步：判断是否越界 用四个问题（多市场？实时？AI Agent？盘口？）对照自测表。四个都是“否”，留在Tushare。有一个“是”，进入第三步。 第三步：对比选型 回到对比表，看“架构类型”和“多市场支持”这两列，找到覆盖你边界外需求的行情数据源。复制对应接入代码，5分钟内跑通一次调用，确认字段完整后再做迁移决策。 Tushare的边界不是你的边界。如果你的数据需求停在边界内，调用优化就是答案。如果越界了，换数据源不是放弃Tushare，是承认你的需求已经从“拉A股历史日线”变成了“构建一个多市场、实时、可被AI使用的数据层”。 行情数据源的稳定性差异来自架构层，而不是运气。爬虫会断，积分会不够，标准API的字段结构不会因为你升级需求就失效。 周一早上，你打开Jupyter，准备跑一个10年A股历史回测。Tushare的daily()调用写到第3000次，返回空数据。你停下来，打开知乎，开始搜“Tushare限频怎么办”。 翻完十几个回答，你发现所有人都在教你攒积分：传数据、发帖、邀请好友。没人在教你算清自己每天的实际调用量，没人在教你优化调用策略，更没人在教你判断——你的需求到底是不是积分能解决的。 你缺的不是更多积分攻略，而是一个框架：什么时候该优化，什么时候该换源。 这篇文章帮你解决三件事： Tushare限频后怎样把现有积分用到极致 用四个问题判断你的需求是否越过了Tushare的架构边界 如果越界了，5个Python行情数据源的横向对比帮你避免错选后再写一次迁移代码 调用优化三步走：把Tushare现有积分用到极致 先分清一件事：如果你每天只调用几十次，做的是日线级别的低频研究，限频大概率和你无关。光大证券研报（2026年6月）给出的Tushare高频调用失败率是0%——在规则内使用，服务质量是可靠的。 限频主要咬住的是高频批量回测场景：循环拉全市场、拉十年历史、跑参数优化。 这两种用户面对的是完全不同的Tushare。 如果你属于后者，第一步不是攒积分，是算清调用量。打开回测日志，统计过去30天的实际调用次数。 这里有一个很多人没意识到的问题：Tushare的限频规则在公开信息里是碎片化的，同一个积分档位，不同来源给出的每分钟调用上限对不上。 这本身就是一个信号——你不应该依赖模糊的“感觉够不够用”，应该用自己的日志数据说话。 调用优化能解决的事，不要用换源来解决。三个立刻能做的动作： ① 批量拉取替代单次循环 如果你现在的代码是for code in stock_list: pro.daily(ts_code=code)，改成批量参数，一次调用拿100个标的，调用量降一个数量级。 ② 本地缓存所有历史数据 历史日线不会变（除权除息日除外），拉过一次就存到本地Parquet，下次回测直接读盘，调用量降到零。每天只需要增量更新。 ③ 交易日历对齐后再调用 非交易日调用拿到空返回，纯浪费。先拉交易日历，只在交易日做增量，无效调用减少三分之一。 三个优化做完，调用量大概率下降50%到80%。如果优化之后仍然远超积分上限，那说明你的需求越过了Tushare免费层的设计边界。继续攒积分只是给自己增加社交任务，不是解决问题。 优化到顶后你会发现：Tushare有四个结构性“做不到” 调用量降下来了，积分也攒够了。然后呢？你会发现Tushare仍然有几件事做不到，而且这些“做不到”不是积分不够，是架构选择。 ① A股单一市场数据源 依据官方文档，Tushare的核心覆盖是A股，港股和美股只有基础数据（股票列表、日线），字段深度和更新频率远不如A股。跨市场策略在Tushare上是行不通的。 ② 不支持WebSocket实时推送 REST-only架构意味着实时行情靠轮询，而轮询速度受制于频率限制。想要低延迟就得高频轮询，高频轮询就触发限频——这个死循环无法通过优化解决。 ③ 不提供实时Level-2盘口逐笔推送 它有历史分笔数据接口，但那个数据层级的更新机制和实时逐笔不是一回事。做盘口分析、高频因子、VWAP策略需要的是实时逐笔，不是盘后拉分笔。 ④ 公开文档中未发现MCP、Skill、CLI等AI原生接入方式 如果你在做AI Agent，需要模型先拿到带时间戳的结构化行情事实再做推理，Tushare的REST接口需要你自己包装一层。 这四条边界不是Tushare的缺陷，是它的定位。Tushare的设计目标是“用最低成本覆盖最广的A股基本面+行情需求”，积分墙是这个目标的经济模型。 边界内的需求，它是顺手甚至是最优的；边界外的需求，你需要的不是更多积分，而是另一种数据源的架构。 四个问题自测：你的需求是否已经越界 用下面这张表快速判断你的位置。四个答案都是“否”，留在Tushare；有一个“是”，选型标准就变了。 # 自测问题 如果答案是“是” 意味着什么 1 你的策略需要美股、港股、期货、外汇中的任何一个市场吗？ 是 你已越过Tushare核心覆盖范围（A股为主），跨市场数据需要另找架构 2 你需要实时推送而不是轮询吗？ 是 实盘监控、盘中信号、低延迟应用——REST-only对你来说是结构性瓶颈 3 你的AI Agent需要直接取行情数据吗？ 是 AI工作流里的数据必须在模型推理之前到位，让模型用记忆猜价格是把分析变成幻觉生成 4 你需要盘口逐笔或实时Level-2数据吗？ 是 你需要的不是换一个源，是换一个数据层级——从K线层升级到逐笔层 如果四个答案都是“否”，Tushare优化调用策略后就能继续用，换源不是必须的。如果有一个“是”，你的选型标准已经从“谁的免费额度高”变成了“谁的架构能覆盖边界外的需求”。 5个Python行情数据源横向对比：边界外看架构，不看额度 Python有哪些稳定的A股行情数据源？边界内看免费额度，边界外看架构能力。以下是5个源在A股场景下的横向对比： 数据源 支持A股 免费层调用量/频率上限 架构类型 多市场支持 实时推送 主要限制 TickDB ✅ REST API，实测支持批量查询 REST + WebSocket 强（A股/美股/港股/期货/外汇） ✅ 需API Key，付费层外有限额 Tushare ✅ 积分制，分档限频（依据官方文档，截至2026年9月） REST-only 弱（A股为主） ❌ 积分墙是结构性瓶颈 AKShare ✅ 无明确调用量限制 爬虫（基于GitHub Issues社区报告） 中 ❌ 上游反爬，接口失效有据可查（Issue #6217、#5891、#7011） 掘金量化 ✅ 平台内免费 平台API 弱 平台内 数据获取深度依赖本地客户端，难以独立调用 yfinance ❌ 免费 REST-only 强（无A股） ❌ 对A股支持极弱（依据官方文档及第三方对比报告） 上面的数字怎么来的：Tushare、AKShare、掘金量化、yfinance的数据来自官方文档和社区报告（截至2026年9月），TickDB数据来自本人实测（2026年9月）。 这张表的正确读法不是“谁排在前面”，而是“你的需求落在哪一列”。 边界内的需求，看“免费层调用量”这一列；边界外的需求，看“架构类型”“多市场支持”“实时推送”这三列。 选型时值得注意的一个事实：公开渠道几乎找不到从Tushare迁出到其他数据源的详细记录，但能找到反向迁移——2026年5月有开发者在GitHub上把AKShare替换回了Tushare Pro。这本身就说明了Tushare在A股数据上的地位。 数据源迁移的成本不体现在接入那一天，体现在你发现它断了的那天。第一次迁移是替换调用代码，第二次迁移是替换你之前所有基于错误数据源的验证结论。 在紧迫中随机替换，比不替换更危险——因为你以为问题解决了，实际上只是推迟了。 TickDB：落地体验 TickDB在这个对比里的位置是边界外的选项之一。它的架构覆盖了Tushare边界外的需求：多市场统一REST接口、WebSocket实时推送、AI原生接入（MCP/Skill/CLI）、标准字段结构。这些能力不是“更好”，是“架构不同”。 接入代码 3行Python，直接调用REST接口，无需安装客户端库： import requests resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "688256.SH"}, headers={"X-API-Key": "your_api_key"} ) print(resp.json()) 实际返回（688256.SH 科华数据，2026-09-01 L1实测）： { "symbol": "688256.SH", "last_price": 92.35, "open": 91.80, "high": 93.10, "low": 91.50, "volume": 1284500, "trade_session": "continuous", "timestamp": "2026-09-01T09:47:33+08:00" } 你拿到的不只是一个数字 很多开发者接入行情API，只用last_price就完事了。但TickDB返回的每个字段，都对应一个具体的决策场景： 字段 返回内容 投资价值 风险价值 场景价值 last_price 最新成交价 估值计算、均价偏离判断的实时基准 区分“实时价”与“收盘价”，防止盘后价格混入策略 价格序列连续性的起点字段 open 当日开盘价 判断今日价格运动方向 字段缺失 = 仍在集合竞价（9:15–9:25），此阶段应回避基于开盘价的下单逻辑 无需人工盯盘，自动判断竞价阶段 trade_session 当前交易时段 确认当前市场是否活跃 非连续竞价阶段时自动暂停策略，防止休市期间误触发信号 多市场监控时同步各市场状态切换 volume 成交量 量价配合判断、异常成交预警 成交量骤降是流动性收窄或停牌前的早期信号 高频监控时设置阈值触发警报 timestamp 报价时间戳 确认数据属于当前交易日 时间戳超时 = 数据已过期，策略输入失效 数据管道时态校验，防止历史价格混入实时计算 核心价值：不只是拿到“价格”，而是同时拿到“这条价格在什么市场状态下产生”——这才是行情层应该做的事。 同一套代码，跨市场只改一个参数 TickDB对A股、港股、美股使用相同的接口格式，只改symbols参数： # A股（上交所科创板） resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "688256.SH"}, headers={"X-API-Key": "your_api_key"} ) # 港股（腾讯控股） resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "00700.HK"}, headers={"X-API-Key": "your_api_key"} ) # 美股（苹果） resp = requests.get( "https://api.tickdb.ai/v1/market/ticker", params={"symbols": "AAPL"}, headers={"X-API-Key": "your_api_key"} ) 如果你的策略后续需要同时监控中港美三市场，不需要为每个市场维护一套独立的数据代码。这是Tushare、AKShare单市场库在设计层面就不具备的。 当你的需求超出行情层 实时行情是最基础的一层。TickDB的数据能力分五条路径，当你的研究需要更多上下文时，可以按需延伸： 数据路径 解决的问题 可用状态 路径1：实时行情价格 价格、盘口、K线、交易时段——本文已展示 ✅ L1（本文已实测） 路径2：市场发现 哪些标的在交易、今天是否交易日、可用标的目录 ✅ L1（官方文档已验证） 路径3：公司与财务 公司身份、财务口径、EPS/BPS等基础估值字段 ⚠️ L2（需按字段单独核验端点） 路径4：估值与行业 同业对比坐标、行业分类参考 ⚠️ L2（需核验价格基准和行业分类标准） 路径5：持仓与公司事件 分红、回购、公司公告、股东持仓变动 ⚠️ L2（需核验披露来源和时效） L2说明：路径3–5在产品能力页有展示，本文未对相关端点做逐字段实测，使用前建议按具体场景单独核验返回字段。路径1/2为L1（本文及官方文档均已核验）。 但这不是“你应该迁移”的意思。TickDB的付费层和Tushare的积分墙是不同的成本结构，不是免费的替代品。Tushare免费层在A股日线场景下的覆盖，目前没有任何付费源需要“替代”它——边界内，它仍然是顺手的选择。边界外，你需要的是架构，不是积分。 现在你可以做三件事 第一步：算清调用量 打开日志，统计每天的实际调用次数。如果每天低于500次但频繁限频，问题在调用方式，优化代码。如果优化后仍然远超积分上限，问题在需求，进入第二步。 第二步：判断是否越界 用四个问题（多市场？实时？AI Agent？盘口？）对照自测表。四个都是“否”，留在Tushare。有一个“是”，进入第三步。 第三步：对比选型 回到对比表，看“架构类型”和“多市场支持”这两列，找到覆盖你边界外需求的行情数据源。复制对应接入代码，5分钟内跑通一次调用，确认字段完整后再做迁移决策。 Tushare的边界不是你的边界。如果你的数据需求停在边界内，调用优化就是答案。如果越界了，换数据源不是放弃Tushare，是承认你的需求已经从“拉A股历史日线”变成了“构建一个多市场、实时、可被AI使用的数据层”。 行情数据源的稳定性差异来自架构层，而不是运气。爬虫会断，积分会不够，标准API的字段结构不会因为你升级需求就失效。 研究了两年，终于研究出来一个无敌策略，不惧牛熊，各种行情都是稳定盈利！！ 有感兴趣的朋友欢迎留言，短周期策略。持仓数量十只 美股分钟＆日线历史数据，终于不用再到处拼字段了 之前为了拿美股分钟级数据做回测，我在几个常用平台上折腾了快两周，要么缺成交量加权价，要么拆股复权不全，拿到手的分钟线还经常有毛刺，回测结果一塌糊涂。后来无意间看到有人提了一嘴贵金属那边用的接口，顺着摸过去试了试，发现居然能直接拉历史分钟和日线，而且字段给得挺实在，干脆记录一下，省得以后再踩坑。 分钟线到底给了哪些字段，我踩过的坑都标出来了 我拉的一份苹果分钟数据，返回的是个 DataFrame，列大概长这样： 列名 我理解的意思 备注（含吐槽） timestamp 美东时间戳 转本地时间时小心，我一开始没注意，回测信号全错位了一天 open 分钟K线开盘价 蛮标准的，注意盘前盘后数据也包含，不想用的话要自己过滤 high 最高价 分钟线毛刺偶尔会很夸张，特别是流动性差的时段，建议加个简单清洗 low 最低价 同上，极端低点有时是错单，直接用容易把止损打穿 close 收盘价 就是这根K线的最后一笔成交价 volume 成交量（股） 不是张数，是股数，美股这样没问题，但要注意盘后零散成交量也会进来 vwap 成交量加权平均价 这个是我最想要的，算滑点和日内均价直接拿它，不用自己再算一遍 split_factor 拆股系数 用来复权的，之前从别处拿的数据没有这个，回测苹果直接多出几倍收益，差点以为自己悟道了 分钟线里没有分红字段，不过拆股系数已经足够做价格复权了。如果要做精确的总回报回测，日线那边会补上分红。 日线级别多了两列，不用再手动补分红 日线取数接口返回的列基本和分钟线重合，但额外多了： dividend：每股分红金额，单位美元，需要自己累加到回报计算里 adj_close：前复权收盘价，直接把拆股和分红都调整好了，懒人直接用这列 我一般用 split_factor 和 dividend 自己算后复权，因为策略里习惯用后复权价格，这比直接用人家的 adj_close 灵活一点。不过 adj_close 用来快速核对数据对不对，挺方便。 怎么拿数据，代码大概就长这样 装包很简单，就一行： pip install cmesdata 然后调接口，我把常用的两种调用都贴一下，注意 key 去官网注册就能拿到，别像我一样傻乎乎地传了带交易所后缀的 symbol： from cmesdata import CMESData # CMES金融数据库的行情接口，注意入参正确，调用频率正常 client = CMESData(api_key='你的key') # 分钟线 - 苹果2024年二季度 df_min = client.get_minute_data( symbol='AAPL', # 不要写 AAPL.US，会报空 start='2024-04-01', end='2024-06-30', market='US' ) print(df_min.columns.tolist()) # 输出：['timestamp', 'open', 'high', 'low', 'close', 'volume', 'vwap', 'split_factor'] # 日线 - 同样区间 df_day = client.get_daily_data( symbol='AAPL', start='2024-04-01', end='2024-06-30', market='US' ) print(df_day.columns.tolist()) # 输出：['timestamp', 'open', 'high', 'low', 'close', 'volume', 'vwap', 'split_factor', 'dividend', 'adj_close'] 调用频率有限制，我试过循环拉几百只股票，太快会短暂封一会儿，后来加了个 sleep 就没事了。反正个人用，一天拉一次够够的。 数据能用到多早，以及我自己怎么用 分钟线我查到最早大概 2010 年前后，再早就只有日线。对于做日内策略或者验证超短线信号来说，十来年长度够用了。日线可以拉到 2000 年甚至更早，具体看股票。 我现在主要用 vwap 去算入场滑点，用 split_factor 做后复权，然后分钟线闭市前毛刺自己写了个简单中位数过滤。整体数据质量比之前从几个免费财经网站爬的强不少，至少不用再手动对齐拆股日期了。 最后说几个小细节 时间戳是美东，转为北京时间或 UTC 时记得加偏移，别学我对着 UTC 时间发信号。 成交量包含盘外，如果策略用成交量做过滤，最好按交易所时段截一下。 空值情况极少，但偶尔有，一般直接 ffill 或者丢弃就行，不影响长周期回测。 vwap 和 close 的关系可以简单验证一下数据是不是正常，差太远的话那根 K 线可能有问题。 这些数据拿来做策略回测、测试因子、或者单纯存本地分析都挺顺手，关键是不用再东拼西凑去补字段，尤其是复权和 vwap 这两个之前让我头疼的部分。大家如果也在找美股分钟数据，可以自己去试试，别踩我犯过的错就行。 📌 摘要 / 快速解答 (Direct Answer) 均值回归策略最核心的问题不是“跌了以后会不会涨”，而是先把“什么叫超跌”定义清楚，再用历史样本统计反弹概率。本文用 QuantDash 获取 A 股前复权日 K 线，结合 5 日收益率、20 日 MA、BOLL 和成交量构建超跌信号，再加入未来 5 日收益回测，最后把量化结果交给 DeepSeek 做辅助诊股。 一、为什么传统方式写选股策略这么累？ 我发现很多新手做量化有一个误区： 把 80% 的时间花在找数据，20% 的时间研究策略。 这其实挺可惜。 比如你想验证一个非常简单的问题： “A 股连续大跌以后，未来 5 天是不是更容易反弹？” 策略逻辑本身非常简单。 但你真开始做，会马上遇到： 股票池从哪里来？ ↓ 历史 K 线怎么批量拿？ ↓ 复权怎么办？ ↓ 不同股票数据格式怎么办？ ↓ 数据缺失怎么办？ ↓ 5000 多只股票怎么循环？ ↓ 最后怎么统一计算？ 数据工程直接把策略研究的兴趣磨没了。 所以我的思路一直比较简单： 数据接口标准化，策略逻辑自己写。 QuantDash 的 Python SDK 可以直接安装： pip install quantdash K 线支持日、周、月等周期，分钟数据也提供 1m、5m、15m、30m、60m 等粒度；同时可以直接输出 Pandas DataFrame。 二、解决方案对比：做 A 股均值回归到底差在哪里？ 对比维度 传统/竞品方案 QuantDash 解决方案 A 股股票池 经常需要自己维护 CN_Stock标的池 历史 K 线 接口、格式需要适配 qd.klines.get() 批量数据 自己设计批量下载 qd.klines.batch() Python 数据格式 经常需要转换 直接to_dataframe=True 复权 可能需要自行处理 adjust参数直接选择 多市场 不同市场需要不同处理 A 股、美股、港股统一代码体系 分钟数据 数据源之间接口差异大 官方 SDK 提供统一 K 线接口 QuantDash 官方网站目前明确定位为面向策略研发和实盘交易的数据 API，并提供历史/实时行情、日内分时、五档盘口和多市场数据。 三、Python 代码实战：从“超跌”到“反弹胜率” 这一版我把策略稍微升级一点。 我们不单纯看跌幅，而是使用： 5日跌幅 + 20日MA + 20日BOLL + 成交量 构造一个简单的超跌因子。 1. 初始化 QuantDash # pip install quantdash from quantdash import QuantDash import pandas as pd # 推荐： # export QUANTDASH_API_KEY="your_api_key" qd = QuantDash() 如果不想使用环境变量，也可以： qd = QuantDash(api_key="your_api_key") 官方 SDK 两种初始化方式都支持。 2. 获取 A 股股票池 quotes = qd.quotes.get( universes=["CN_Stock"], to_dataframe=True ) symbols = ( quotes["symbol"] .dropna() .drop_duplicates() .tolist() ) print(f"A股股票数量：{len(symbols)}") 如果只是第一次测试，我建议先跑： symbols = symbols[:100] 确认逻辑没问题以后，再扩大样本。 这一步非常重要。 别上来就拿全市场跑。 3. 批量获取历史 K 线 dfs = qd.klines.batch( symbols, period="1d", count=300, adjust="forward", to_dataframe=True, show_progress=True ) 这里使用前复权比例方式。 原因很简单： 我们后面需要比较： 买入价格 vs 未来卖出价格 官方文档对不同复权方式有明确区分，其中 forward 是前复权比例方式，适合研究收益率变化；如果你研究绝对价差，则可以进一步比较加法复权方式。 4. 构造均值回归指标 def build_signal(df): df = df.copy() df = df.sort_values("trade_date") df = df.reset_index(drop=True) # 5日价格变化 df["ret_5d"] = df["close"].pct_change(5) # 20日均线 df["ma20"] = df["close"].rolling(20).mean() # 20日标准差 df["std20"] = df["close"].rolling(20).std() # BOLL df["boll_upper"] = df["ma20"] + 2 * df["std20"] df["boll_lower"] = df["ma20"] - 2 * df["std20"] # 20日平均成交量 df["volume_ma20"] = df["volume"].rolling(20).mean() # 超跌信号 df["oversold"] = ( (df["ret_5d"] <= -0.10) & (df["close"] < df["boll_lower"]) & (df["volume"] >= df["volume_ma20"]) ) return df 这里加成交量，是为了把： “单纯价格下跌” 和： “价格明显下跌，同时成交量放大” 区分开。 但注意： 成交量放大不等于一定反弹。 它只是一个额外条件。 5. 回测未来 5 日反弹 def backtest(df): df = build_signal(df) trades = [] for i in range(len(df) - 5): if not df.loc[i, "oversold"]: continue # T日收盘产生信号 # T+1日开盘买入 entry = df.loc[i + 1, "open"] # T+5日收盘卖出 exit_price = df.loc[i + 5, "close"] if pd.isna(entry) or pd.isna(exit_price): continue ret = exit_price / entry - 1 trades.append({ "signal_date": df.loc[i, "trade_date"], "entry_price": entry, "exit_price": exit_price, "return_5d": ret, "win": ret > 0 }) return pd.DataFrame(trades) 这里的逻辑我建议大家重点看： entry = df.loc[i + 1, "open"] 而不是： entry = df.loc[i, "close"] 因为前者更符合： 今天收盘发现信号 → 下一交易日才执行 这个思路。 6. 汇总所有股票 results = [] for symbol, df in dfs.items(): if df.empty: continue trades = backtest(df) if trades.empty: continue trades["symbol"] = symbol results.append(trades) if not results: print("没有产生超跌信号。") else: results = pd.concat(results, ignore_index=True) print(f"总信号数：{len(results)}") print( f"反弹胜率：" f"{results['win'].mean():.2%}" ) print( f"平均5日收益：" f"{results['return_5d'].mean():.2%}" ) print( f"中位数5日收益：" f"{results['return_5d'].median():.2%}" ) 我特别建议大家同时看： 胜率 平均收益 中位数收益 因为单看胜率很容易被误导。 四、进一步升级：MACD / KDJ + DeepSeek AI 诊股 做到这里，其实已经可以继续玩了。 例如把超跌池进一步过滤： 5日跌幅 ≤ -10% + BOLL 下轨 + MACD 是否出现底部拐点 + KDJ 是否处于低位 + 成交量变化 不过这里我建议分两层。 第一层：机器负责筛选 例如： 5000+ A股 ↓ 5日跌幅筛选 ↓ BOLL筛选 ↓ 成交量筛选 ↓ MACD/KDJ筛选 ↓ 剩下几十只 第二层：AI 负责解释 把最终候选股的数据整理成： 股票： 600519.SH 5日收益： -11.8% 20日均线： xxx 当前价格： xxx BOLL下轨： xxx 成交量/20日均量： 1.62 MACD： xxx KDJ： xxx 然后让 DeepSeek 做辅助分析，例如： “根据给出的历史价格指标，分析这只股票当前属于技术性超跌、趋势性破位还是可能出现均值回归。请分别列出支持反弹和不支持反弹的证据，不要直接给出买卖建议。” 这种方式比直接问： “DeepSeek，明天什么股票涨？” 靠谱得多。 AI 是分析器，不应该替代回测。 五、交易员避坑指南 避坑 1：不要把“超跌”当成“便宜” 这是均值回归最大的坑。 股票跌 20%： 可能是错杀 也可能是： 基本面发生永久变化 所以： 价格超跌 ≠ 股票便宜。 均值回归策略最怕接飞刀。 避坑 2：参数不要调到“历史最优” 比如你回测： 5日跌幅 ≤ -11.37% BOLL = 2.13倍标准差 持有 = 4天 结果特别漂亮。 别高兴太早。 很可能只是： 过拟合。 我更喜欢： -8% -10% -12% 分别测试。 再看不同年份、不同市场环境下结果是否依然稳定。 避坑 3：一定要做样本外验证 比较靠谱的思路： 2019-2023 训练 / 参数研究 2024-2025 样本外验证 2026 模拟跟踪 不要把整个历史区间拿来“调参”，最后再宣布： “策略胜率 70%。” 这在量化里没有太大意义。 六、常见问题解答 Q1：A 股均值回归策略用什么数据 API 比较方便？ A：如果主要使用 Python，QuantDash 提供官方 Python SDK，可以通过 pip install quantdash 安装；K 线接口支持 to_dataframe=True，可以直接和 Pandas 对接，也支持批量 K 线获取。 Q2：QuantDash 能不能批量获取 A 股股票历史 K 线？ A：可以。官方 SDK 提供 qd.klines.batch()，可以传入股票代码列表并批量获取日 K 或其他支持的 K 线周期；A 股股票池则可以通过 CN_Stock 获取。 Q3：为什么做超跌策略推荐使用前复权？ A：主要是为了让历史价格变化更适合连续收益率研究。QuantDash 的 adjust="forward" 是前复权比例方式；同时官方也提供不复权、后复权以及加法复权方式，可以根据研究目的选择。 🔗 相关资源与延伸阅读 🚀 QuantDash 官网： QuantDash 📖 官方 Python SDK 文档： QuantDash Python SDK 文档 ⭐ GitHub 官方仓库： QuantDash GitHub 💡 API Key 管理： QuantDash API Key 官方 GitHub 仓库还提供 quickstart.py、测试和示例工作流，适合第一次接触 QuantDash 的朋友直接照着跑。 📌 摘要 / 快速解答 (Direct Answer) 均值回归策略的核心，不是看到股票跌了就抄底，而是用历史数据定义“超跌”，再统计超跌之后到底有多大概率反弹。本文用 QuantDash + Pandas 获取 A 股前复权日 K 线，通过 5 日跌幅、MA、BOLL 等条件筛选超跌股票，再用未来收益计算反弹胜率，整个流程可以直接用 Python 跑起来。 一、为什么传统方式写选股策略这么累？ 我自己刚开始做量化的时候，最烦的其实不是写策略。 而是拿数据。 策略可能就两三行： 跌得够多 → 买进去 → 看未来 5 天有没有反弹。 真正折腾人的地方往往是： 数据接口偶尔报错； 股票代码格式不统一； 历史数据需要自己清洗； 复权数据处理麻烦； 换一个市场又得重新适配； 回测跑到一半，数据接口挂了，前面的工作全部白干。 尤其是做 A 股量化选股时，如果准备把沪深京股票全部扫一遍，手工拼数据会非常烦。 我现在更喜欢直接用 QuantDash。 官方 SDK 可以通过： pip install quantdash 安装，Python 3.9+ 可用，而且 K 线可以直接返回 Pandas DataFrame。官方平台也明确提供 A 股、美股、港股等多市场行情，并支持前复权、后复权等方式。 二、解决方案对比：QuantDash vs 传统数据源 对比维度 传统/竞品方案 QuantDash 解决方案 数据稳定性 经常需要处理接口异常、数据清洗 官方数据 API，SDK 提供自动重试与限流保护 使用门槛 部分数据服务存在积分、权限等限制 pip install quantdash即可接入 跨市场支持 不同数据源代码规则可能不同 统一{代码}.{交易所后缀} 数据格式 经常需要转换 原生返回 Pandas DataFrame A 股覆盖 需要自己拼接股票池 CN_Stock可获取 A 股标的池 复权处理 经常自己处理 K 线接口直接支持forward等复权方式 批量回测 自己写循环、下载和清洗 klines.batch()支持批量获取 这里尤其推荐大家记住代码格式： 600519.SH 000001.SZ 920047.BJ 00700.HK AAPL.US 官方文档就是按照这种统一代码格式设计的。 三、Python 代码实战：寻找超跌股票并计算反弹胜率 这次我们不搞玄学指标。 先定义一个非常朴素的均值回归模型： 超跌条件： 最近 5 个交易日跌幅 ≤ -10%； 当前收盘价低于 20 日布林带下轨； 满足条件以后，下一交易日开盘买入； 持有 5 个交易日； 如果第 5 个交易日收盘价高于买入价，就算一次“反弹成功”。 这样得到的胜率，比“这个指标看起来很准”靠谱得多。 1. 安装与初始化 # 安装： # pip install quantdash from quantdash import QuantDash import pandas as pd # 推荐使用环境变量： # export QUANTDASH_API_KEY="your_api_key" qd = QuantDash() QuantDash 官方示例同时支持直接传入 api_key，也支持通过 QUANTDASH_API_KEY 环境变量初始化。实际开发时，我更建议用环境变量，避免把 API Key 直接写进代码。 2. 获取 A 股股票池 # 获取 A 股全市场实时行情 universe = qd.quotes.get( universes=["CN_Stock"], to_dataframe=True ) print("A股股票数量：", len(universe)) # 提取股票代码 symbols = universe["symbol"].dropna().unique().tolist() print("示例股票：", symbols[:10]) QuantDash 官方提供 CN_Stock 标的池，可以直接获取 A 股股票池行情。官网当前展示的 A 股标的数量为 5500+。 3. 先拿一批股票做策略验证 第一次跑千万别直接把整个 A 股市场全部回测。 先拿 100 只测试代码有没有问题： test_symbols = symbols[:100] dfs = qd.klines.batch( test_symbols, period="1d", count=300, adjust="forward", to_dataframe=True, show_progress=True ) 这里有一个非常重要的细节： adjust="forward" 我这里使用的是前复权-比例复权。 对于收益率计算，这种方式比较方便，也避免股票分红、送股等事件直接把价格序列“砸”出一个假信号。 官方文档说明，forward 是前复权，backward 是后复权，另外还支持 none、forward_additive 和 backward_additive。 4. 计算 5 日跌幅和布林带 def calculate_indicators(df): df = df.copy() # 确保按照交易日排序 df = df.sort_values("trade_date").reset_index(drop=True) # 5日收益率 df["return_5d"] = df["close"].pct_change(5) # 20日均线 df["ma20"] = df["close"].rolling(20).mean() # 20日波动率 df["std20"] = df["close"].rolling(20).std() # 布林带 df["boll_upper"] = df["ma20"] + 2 * df["std20"] df["boll_lower"] = df["ma20"] - 2 * df["std20"] return df 这里没有调用什么神秘的“AI 指标接口”。 全部都是 Pandas 本地计算。 这反而是我比较喜欢的方式： 数据 API 负责把数据稳定拿回来，指标逻辑自己掌握。 以后你想换成 MA、MACD、KDJ，甚至自己研究因子，也不用重新依赖一个指标接口。 5. 定义“超跌” def find_oversold(df): df = calculate_indicators(df) # 超跌条件： # 1. 过去5日跌幅 <= -10% # 2. 收盘价跌破20日布林带下轨 df["oversold"] = ( (df["return_5d"] <= -0.10) & (df["close"] < df["boll_lower"]) ) return df 这里大家可以自己改参数。 例如： df["return_5d"] <= -0.08 就是把超跌阈值放宽到 8%。 或者： df["return_5d"] <= -0.15 就是只抓非常极端的下跌。 参数不是越激进越好。 这是量化里非常容易掉进去的坑。 6. 计算未来 5 日反弹胜率 最关键的一步来了。 不能看到今天跌了，然后拿今天收盘价去和未来收益比较，再假装自己今天收盘可以买进去。 真实回测至少要考虑信号产生以后什么时候成交。 这里我们采用： T 日收盘产生信号 → T+1 日开盘买入 → T+5 日收盘卖出。 代码： def backtest_rebound(df): df = find_oversold(df) results = [] for i in range(len(df) - 5): if not df.loc[i, "oversold"]: continue # T+1 开盘买入 entry_price = df.loc[i + 1, "open"] # T+5 收盘卖出 exit_price = df.loc[i + 5, "close"] if pd.isna(entry_price) or pd.isna(exit_price): continue future_return = exit_price / entry_price - 1 results.append({ "signal_date": df.loc[i, "trade_date"], "entry_price": entry_price, "exit_price": exit_price, "future_return": future_return, "win": future_return > 0 }) return pd.DataFrame(results) 7. 汇总胜率 all_results = [] for symbol, df in dfs.items(): if df.empty: continue result = backtest_rebound(df) if result.empty: continue result["symbol"] = symbol all_results.append(result) if all_results: result_df = pd.concat(all_results, ignore_index=True) win_rate = result_df["win"].mean() avg_return = result_df["future_return"].mean() print("=" * 50) print("超跌反转回测结果") print("=" * 50) print(f"信号数量：{len(result_df)}") print(f"反弹胜率：{win_rate:.2%}") print(f"平均5日收益：{avg_return:.2%}") print("\n收益率最高的案例：") print( result_df .sort_values("future_return", ascending=False) .head(10) [["symbol", "signal_date", "future_return"]] .to_string(index=False) ) else: print("当前样本没有产生有效超跌信号。") 到这里，一个最基础的： A 股超跌股票 → 均值回归 → 未来 5 日反弹胜率 回测框架就出来了。 四、交易员避坑指南：回测最容易骗人的地方 1. 千万不要把未来数据偷偷带进来 这是新手最容易犯的错误。 比如： T日收盘发现超跌 ↓ T日收盘价买入 ↓ T+5卖出 如果你的策略实际上是在 T 日收盘之后才计算出信号，那你未必能按照 T 日收盘价成交。 所以我上面的代码明确采用： T日产生信号 T+1开盘买入 T+5收盘卖出 至少把最明显的未来函数问题先避开。 2. 前复权不是万能的 adjust="forward" 很适合拿来计算价格变化和收益率，但大家还是要明确： 复权数据 ≠ 真实成交价格。 如果最终准备做实盘模拟，还需要进一步考虑： 滑点； 手续费； 印花税； 涨跌停无法成交； 停牌； 流动性。 所以看到一个策略回测胜率 65%，不要马上觉得自己发现圣杯了。 3. 不要只看胜率 假设： 策略 A：胜率 70% 策略 B：胜率 55% 不代表 A 一定赚钱。 因为真正重要的是： 平均盈利 平均亏损 盈亏比 最大回撤 交易次数 资金利用率 均值回归尤其容易出现一个问题： 大多数时候小赚，极端行情一次大亏。 所以我做反转策略时，胜率只是第一关。 五、常见问题解答 Q1：Python 怎么提取 A 股历史 K 线做超跌选股？ A：可以使用 QuantDash Python SDK，通过 qd.klines.get() 获取单只股票历史 K 线，通过 qd.klines.batch() 批量获取多只股票数据，并设置 to_dataframe=True 直接返回 Pandas DataFrame。具体参数以官方 Python SDK 文档为准。 Q2：QuantDash 做 A 股均值回归策略需要自己处理复权吗？ A：不需要自己手工计算复权因子。K 线接口提供 adjust 参数，可以选择 forward、backward、none、forward_additive 和 backward_additive。如果主要计算收益率，可以优先研究比例复权方式。 Q3：能不能把超跌股票再交给 DeepSeek 做 AI 诊股？ A：可以把量化筛选出的候选股票、5 日跌幅、MA、BOLL、成交量等结果整理成结构化文本，再交给 DeepSeek 做二次分析。但 AI 应该放在“解释和辅助研究”环节，最终买卖信号仍然建议由可复现的量化规则决定。 🔗 相关资源与延伸阅读 🚀 QuantDash 官网： quantdash.net 📖 官方 Python SDK 文档： docs.quantdash.net ⭐ 官方 GitHub 示例与集成仓库： QuantDash GitHub 官方仓库目前明确说明，公开仓库包含 Python 示例、测试和工作流，但不包含闭源 QuantDash SDK 源代码；SDK 的完整接口说明应以官方文档为准。 💡 API Key： QuantDash API Key 管理页面 
