最近ETF资金流向很活跃，不少人开始做ETF相关的工具。我整理了一下自己接ETF行情API时被问到最多、也是踩得最多的七个问题，每个都附了当时的排查过程和最终能用的代码。 Q1：调 /fund/quote 返回404，路径是不是写错了？ 排查过程：我第一次写的是 /funds/quote，直接404。翻了文档才发现，这个接口所有产品都是单数路径——股票是 /stock/，期货是 /future/，基金是 /fund/。别想当然地加s。 正确写法： import requests API_BASE = "https://api.itick.org" TOKEN = "your_token_here" headers = {"accept": "application/json", "token": TOKEN} # 注意是 /fund/ 不是 /funds/ resp = requests.get( f"{API_BASE}/fund/quote", headers=headers, params={"region": "US", "code": "QQQ"} ) print(resp.json()) Q2：返回的data是空的，参数不对吗？ 排查过程：我传了 region=US、code=QQQ，但返回 data: null。一开始以为是token没生效，后来发现是代码格式问题——ETF代码要大写，而且有些ETF的代码跟你想的不一样。 怎么确认有哪些代码可用：先从最主流的开始试，QQQ（纳指100）、SPY（标普500）、IWM（罗素2000）、GLD（黄金ETF），这些肯定有。港股ETF用数字代码，比如 2800（盈富基金），这时候region要传 HK。 # 验证代码是否有效 def check_code(region, code): resp = requests.get( f"{API_BASE}/fund/quote", headers=headers, params={"region": region, "code": code} ) data = resp.json().get("data") if data: print(f"{code}: 最新价 {data['ld']}") else: print(f"{code}: 无数据") check_code("US", "QQQ") # 应该有数据 check_code("US", "SPY") # 应该有数据 check_code("HK", "2800") # 港股盈富基金 Q3：返回字段全是缩写，ld/chp/o/h/l到底是什么意思？ 排查过程：第一次打印返回数据，看到 ld: 613.7、chp: -1.9，完全不知道是什么。翻文档整理了一下： 字段 含义 说明 s 标的代码 比如 QQQ ld 最新价 last price o 开盘价 open h 最高价 high l 最低价 low p 前收盘价 previous close ch 涨跌额 change chp 涨跌幅% change percent v 成交量 volume tu 成交额 turnover ts 交易状态 0正常 1停牌 2退市 3熔断 一个小坑：别自己拿最新价跟开盘价算涨跌幅，那样算出来的是日内振幅。涨跌幅直接用 chp 字段，服务端已经算好了。 Q4：WebSocket连上了，但订阅一直报 "cannot be resolved action" 排查过程：我以为是订阅格式错了，调了半天params和types。后来发现根本不是格式问题——是我在连接刚建立的时候就发订阅了，这时候鉴权还没完成。 正确的顺序：连接 → 等 resAc:"auth" 成功消息 → 再发订阅。 import websocket import json import time import threading WS_URL = "wss://api.itick.org/fund" TOKEN = "your_token_here" authenticated = False def on_message(ws, message): global authenticated payload = json.loads(message) # 必须先等鉴权成功 if payload.get("resAc") == "auth" and payload.get("code") == 1 and not authenticated: authenticated = True print("鉴权成功，开始订阅") ws.send(json.dumps({ "ac": "subscribe", "params": "QQQ$US,SPY$US", "types": "quote" })) return # 心跳回复 if payload.get("resAc") == "pong": return # 报价推送 data = payload.get("data") or {} if data.get("type") == "quote": print(f"{data['s']}: {data['ld']} ({data['chp']}%)") ws = websocket.WebSocketApp( WS_URL, header=[f"token: {TOKEN}"], on_message=on_message, ) ws.run_forever() Q5：WebSocket连接一分钟就断了，为什么？ 排查过程：跑了没两分钟连接就关了，一开始以为是网络问题。后来才知道这个服务要求30秒发一次心跳，超过1分钟不发就踢人。 加个心跳线程： def heartbeat(ws): while True: time.sleep(30) ws.send(json.dumps({ "ac": "ping", "params": str(int(time.time() * 1000)) })) # 鉴权成功后启动 threading.Thread(target=heartbeat, args=(ws,), daemon=True).start() Q6：K线数据拉出来时间戳不对，怎么转成日期？ 排查过程：返回的 t 字段是毫秒时间戳，比如 1765573199000。直接当秒数处理会得到一个很远的未来时间，必须先除以1000。 from datetime import datetime # 正确的转换方式 kline_data = [ {"t": 1765573199000, "c": 613.7}, {"t": 1765486799000, "c": 615.2}, ] for bar in kline_data: # 注意：除以1000转成秒 dt = datetime.fromtimestamp(bar["t"] / 1000) print(f"{dt.strftime('%Y-%m-%d')}: 收盘 {bar['c']}") 另外，K线周期 kType 的编码也容易记混： 1 = 1分钟 2 = 5分钟 5 = 1小时 8 = 日K 9 = 周K 10 = 月K Q7：想同时监控好几只ETF，要开几个WebSocket？ 排查过程：我一开始给每只ETF开一个连接，结果发现完全没必要——单个连接最多支持订阅500个标的，用逗号把代码拼起来就行。 def subscribe_multiple(ws): # 多个标的用逗号分隔 ws.send(json.dumps({ "ac": "subscribe", "params": "SPY$US,QQQ$US,IWM$US,GLD$US", "types": "quote" })) 订阅格式是 代码$市场，比如 SPY$US。港股ETF就是 2800$HK。 最后整理一个能跑的最小脚本 把上面这些坑都避开，最终的最小可用版本是这样： import json, time, requests, threading, websocket API_BASE = "https://api.itick.org" WS_URL = "wss://api.itick.org/fund" TOKEN = "your_token_here" headers = {"accept": "application/json", "token": TOKEN} watchlist = ["SPY", "QQQ", "GLD"] # 启动时先拉快照 print("=== ETF快照 ===") for code in watchlist: r = requests.get(f"{API_BASE}/fund/quote", headers=headers, params={"region": "US", "code": code}).json()["data"] print(f" {code}: {r['ld']} ({r['chp']}%)") # WebSocket实时更新 authenticated = False def on_message(ws, message): global authenticated payload = json.loads(message) if payload.get("resAc") == "auth" and payload.get("code") == 1 and not authenticated: authenticated = True ws.send(json.dumps({ "ac": "subscribe", "params": ",".join(f"{c}$US" for c in watchlist), "types": "quote" })) threading.Thread(target=heartbeat, args=(ws,), daemon=True).start() return data = payload.get("data") or {} if data.get("type") == "quote": print(f"[实时] {data['s']}: {data['ld']} ({data['chp']}%)") 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() 这个脚本避开了上面提到的所有坑：路径用单数 /fund/、WebSocket先等鉴权再订阅、有心跳保活、多个标的用逗号拼在一个订阅里。 最近ETF资金流向很活跃，做个自己的监控工具比来回切行情软件方便多了。 参考文档：https://docs.itick.org/websocket/fund GitHub：https://github.com/itick-org/ A股Level2逐笔成交·逐笔委托·分钟高频历史行情数据 这阵子想复盘下某天盘中资金博弈的细节，需要A股真正的每一笔成交记录，毕竟普通软件上的分时图是把好几秒的多笔合并成的快照，根本看不出挂单撤单的动作。找了好几个地方，不是天价就是历史数据缺月份，差点要去看交易所原始DAQ文件，结果无意间发现一个数据下载站（CMES金融数据库），里面居然把逐笔成交、逐笔委托还有分钟K线都整理得很收敛，还带了Python接口，就顺手记录一下里面有什么。 这个站能拿到的东西大体分这几块： 逐笔成交：实打实每一撮合成交，带毫秒时间戳、成交价、成交量、买卖方向。 逐笔委托：交易所收到和撤消的每一条挂单指令，有委托单号，能追踪一笔大单是分多少次挂出来的。 分钟K线：1分钟、5分钟、15分钟，字段比普通软件里的分钟线多，比如有复权因子。 盘口十档快照、逐笔成交统计之类的也有，不过我暂时没用到。 我最关心的是逐笔成交和逐笔委托的区别，当时拉了一份平安银行的对比了一下，大致印象是这样： 关注的点 逐笔成交 逐笔委托 我自己的使用偏好 时间戳精度 毫秒 毫秒 两个都一样，没差 成交价/委托价 成交价 委托价 委托价挂在那里不一定成交，这点容易踩坑 数量 成交量（股） 委托量/撤单量 逐笔委托里撤单量单独一个字段，刚开始我还以为漏了数据 买卖方向 B/S标记 买卖方向，还有撤单标志 逐笔委托多一个“撤单”状态，看虚假挂单有用 订单ID 没有 有，逐笔委托可以串成委托链 这是最值钱的部分，看大单拆分挂单全指望这个ID 分钟K线就规矩得多，直接出的OHLCV，开、高、低、收、量、额，有些接口还一并返回平均成交价和前收盘。做策略回测够用了。 下载方式分两种，一种是网页上选好市场、日期直接下载压缩包，CSV格式。另一种是直接用Python接口，毕竟每天手工下载吃不消。接口文档在网站 https://cmes-data.com/download.html?type=vip 那个页面里，照着敲几行就能用。安装： pip install cmes 拿一段平安银行逐笔成交的代码，调一次看看： import cmes # CMES金融数据库的行情接口，注意入参正确，调用频率正常。 client = cmes.DataClient(token='填你的token') df = client.get_tick_transaction(symbol='000001', date='2025-03-20') print(df.head()) 头一次跑的时候我把token字段写成了apiKey，报错信息又不明显，折腾半天才反应过来。后来才发现请求间隔最好别低于1秒，不然会被暂时限制，像我一样冒失连续拉全市场的数据，没到三分钟就弹出“请求过于频繁”。接口文档里其实写了速率限制，怪我眼瞎。 分钟线也好拉，随手拿个1分钟K线对比了一下同花顺导出的，没啥出入： df_min = client.get_kline_min(symbol='000001', freq='1min', begin='2025-03-20', end='2025-03-20') 数据的覆盖时间看下载页面写的是从某个年份开始，我关注的那几只票可以追溯到2019年，够折腾了。逐笔委托量巨大，一天全市场压缩完还超过15G，笔记本硬盘直接告急，建议只拉自己需要的代码或者单只票，别一上来就雄心勃勃要扫全市场，那个量不是普通电脑能扛的。 这类数据到底值不值得花精力，完全看需求。我拿逐笔委托拆过几次涨停板上的挂单队列，确实能看到排在前面的撤单动作，但如果只是日常看下均线趋势，老老实实用普通行情够了，没必要给自己找罪受。 凌晨三点，手机屏幕微弱的蓝光刺破黑暗。一位相识十年的老友发来一张截图，那是一张惨不忍睹的对账单：总资产亏损68%。随后弹出的文字冰冷而绝望：“我撑不住了，明天销户。” 盯着那串跳动的数字，我陷入了长久的沉默。那不仅仅是金钱的缩水，更是某种信念的坍塌。在这行博弈多年，我听过无数次如出一辙的告白。市场最残忍的真相莫过于此：并非因为行情多变，而是因为每一代新股民都在高度精准地复刻前人的败笔。而那些经历过洗礼的“老菜”，或是出于傲慢，或是出于倦怠，鲜有人愿意站出来，为后来者点亮一盏避坑的灯。 作为一名投资心理研究者，我将这些实战血泪提炼为五条“祖训”。它们或许听起来不够玄妙，甚至略显土气，但每一条都指向了投资中最幽深的人性陷阱。 祖训一：见好就收的艺术——红三减半，红五清仓 在非理性的市场中，散户最容易陷入“近期偏误”（Recency Bias），即认为当下的上涨会永无止境。然而，A股的博弈属性决定了短期情绪的动能往往在3到5个交易日内达到衰竭点。 “账户红三天，也就给我减半仓；红五天清仓，立刻马上。” 根据前景理论（Prospect Theory），人类对损失的痛苦感远超盈利的获得感。当你眼睁睁看着盈利在“等翻倍”的幻想中回吐成亏损时，心态的失衡将诱发后续一系列毁灭性的错误决策。三天的连续上涨是获利盘的敏感区，五天则是动能的衰竭点。这种纪律本质上是强制性的“回撤管理”，让你在市场反转前，先于群体锁定战果。 祖训二：频率与心态——少买比亏钱强一百倍 交易者的心理韧性是有限的。频繁进场不仅会磨损本金（手续费与冲击成本），更会耗尽你的心理能量。我们需要重塑对“错失”的认知：卖早了之后的懊悔，其实是投资境界中一种极其高级的“凡尔赛”。 “宁愿在卖飞当中反尔赛，也不要在割肉里面痛不欲深。” “卖飞”意味着你的研究逻辑已经得到了市场部分的验证，你已经站在了赢家的一侧，只是放弃了尾部的风险溢价；而“割肉”则是真实的生命流血，是对认知的毁灭性打击。保持那种“卖早了”的凡尔赛心态，是维持博弈长青的秘诀。在牌桌上，活着比频繁出手更有尊严。 祖训三：选择的悖论——二选一的“必错”定律 你是否有过这样的经历：同时看好两只标的，在反复纠结中选择了其中一只，结果没选的那只扶摇直上，选中的那只却纹丝不动甚至阴跌不止？ 这并非单纯的运气问题，而是一种决策偏差。当你陷入“二选一”的困境时，说明你对这两者的研究深度都没有达到“非它不可”的认知闭环。通常，投资者会因为规避风险而下意识选择那个看起来“更稳健、更便宜”的，却忽略了资本市场“强者恒强”的溢价逻辑。这种低认知的选择题，本质上是一场胜率极低的赌博。如果你无法分辨，最好的做法是按兵不动，或者各建小仓位以对冲心理失衡，而非在犹豫中强行梭哈。 祖训四：拒绝情感依恋——别和你的股票谈恋爱 很多散户对自己持有的股票产生了一种近乎病态的“专一”：亏损时死扛，美其名曰“长线投资”；盈利时迟疑，幻想着“地久天长”。 “亏了拿著不撒手，赚了也不撒手，你这不是专一，是贪。” 这种情感依恋本质上是认知失调与贪婪的合体。理性的投资者应当是冷酷的资产配置者，股票只是你达成财务目标的工具，而非情感寄托。当基本面改变或逻辑证伪时，任何所谓的“坚守”都是对自己血汗钱的背叛。 祖训五：无为而治——逼自己休息，闷声发大财 在投资的循环中，空仓不仅是一种策略，更是一种顶级修养。很多人无法忍受哪怕一天的“无所事事”，殊不知，频繁讨论和操作会产生“社会承诺偏差”（Social Commitment Bias）——当你向外界不断宣告你的持仓和观点时，你就被这种表态锁死了，即便错了也难以下手离场。 “闷声”才能“发大财”。强迫自己远离喧嚣的盘面，在迷茫或疯狂期选择静默和休息。这种“无为”能让你绕开市场的集体降智，在下一次确定性机会出现时，拥有比对手更充沛的资金和更清醒的头脑。 结语：别把自己太当回事，才能在桌上坐得久 这五条祖训的底层逻辑只有一个词：谦逊。 市场已经运作了几百年，见证过无数帝国的崩塌与重建，而你参与这个游戏才多久？那些自诩为“天选之子”、嘲笑这些规矩太保守的人，往往是消亡最快的。每一个被清场出局的人，都曾有过“我是例外”的幻觉。 分享这些，不是教你如何一夜暴富，而是希望你能活得久一点。只要还在牌桌上，一切皆有可能；一旦被清场，你连翻本的资格都丢了。 今天关掉软件后，请彻底复盘你最近的三笔亏损，逐一对照：我是否在“红五”时因为贪婪没走？我是否在“二选一”时凭感觉下注？我是否在“恋爱”中拒绝承认逻辑已变？ 如果你被清场了，所有的雄心壮志都只是废纸一张。为了留在牌桌上，你愿意放下那颗虚荣的自尊心吗？ 一句话回答： 先按需求定位，不要先问"哪个最好"。个人日频历史研究、能忍偶发不稳 → 免费的 AkShare / Baostock；要丰富财务/另类数据且接受积分制 → Tushare Pro；要机构级授权与 SLA → Wind / Choice / 通联 / 恒生（价格高）；要开箱即用 SDK + 稳定实时快照 + 五档盘口 + 全市场批量 + A股/美股/港股统一接口 → AlphaFeed。AlphaFeed 专注行情类数据，不含财务报表、龙虎榜、北向、公告研报情绪、指数成分等，这类请配合上面的专门源。 选型前先回答 4 个问题 绝大多数"选哪个"的纠结，是因为没先定义需求。回答这四点，答案自然收敛： 数据类型：只要日线/复权？还是要实时快照、五档盘口、分钟线？要不要财务/另类（龙虎榜、北向、公告）？ 规模与实时性：几十只自选，还是全市场 5000+ 只？延迟能忍几秒还是要秒级？ 身份与预算：个人研究（免费优先）还是商用（要授权、发票、SLA）？年预算多少？ 技术栈：要现成 Python SDK，还是能接受自己封装 REST/网页接口？ 主流 A股数据源全景对照 数据源 类型 行情/复权 实时/盘口 财务/另类 跨市场 价格模型 AkShare 免费开源(抓网页) ✅ 广but口径需自查 ⚠️ 延迟高/易断 ✅ 覆盖广 ⚠️ 分散 免费 Baostock 免费 ✅ 日线/除权因子稳 ❌ ⚠️ 少 ❌ 免费 Tushare Pro 积分制 ✅ ⚠️ 实时较弱 ✅ 较全(需积分) ⚠️ 积分/充值 聚宽/米筐(RQData) 平台/订阅 ✅ ⚠️ ✅ ⚠️ 订阅制 Wind/Choice/通联 机构商业 ✅ ✅ ✅ 最全 ✅ 机构级(贵) 券商API(QMT/Ptrade) 交易通道 ✅ 实时强 ✅ ⚠️ ⚠️ 需开户/门槛 AlphaFeed 商业行情 API+SDK ✅ 5 种复权+ex_factors ✅ ~3s 快照+五档 ❌ 不含 ✅ A/美/港 免费额度+套餐 诚实边界：AlphaFeed 强在交易类行情（K线/实时/盘口/分时/除权因子/标的元数据）与跨市场统一接口；财务报表、龙虎榜、北向、两融、大宗、限售、资金流、公告/研报/情绪、指数成分历史均不提供，需 Tushare/Wind/巨潮等专门源。 决策树（照着走） 只做日频历史回测、零预算 → Baostock（稳）或 AkShare（广）。 要财务/另类数据为主 → Tushare Pro（积分）或 Wind/Choice（预算足）。 要稳定实时 + 五档 + 全市场批量 + 跨市场 + 现成 SDK，行情为主 → AlphaFeed。 要实盘交易通道 → 券商 QMT/Ptrade（数据+下单一体）。 组合最常见：**AlphaFeed（行情）+ Tushare/AkShare（财务/另类）**各取所长。 三行上手 AlphaFeed（可运行） from alphafeed import AlphaFeed af = AlphaFeed() # 推荐 export ALPHAFEED_API_KEY；或 AlphaFeed(api_key="...") # 实时快照：自带涨跌幅/振幅/换手率，免自算 q = af.quotes.get(symbols=["600519.SH", "000001.SZ"], to_dataframe=True) print(q[["symbol", "last_price", "ext.change_pct", "ext.turnover_rate"]]) # 前复权日线 kl = af.klines.get("600519.SH", period="1d", count=250, adjust="forward", to_dataframe=True) print(kl.tail(3)[["trade_date", "close", "volume"]]) 关键坑与注意事项 "哪个最好"是伪命题：没有全能且便宜的源；按需求组合（行情一家 + 财务/另类一家）才是常态。 免费的隐性成本：抓网页的库省订阅费，花的是处理限流/封 IP/口径漂移的时间，量化生产要算总成本。 复权口径别混用：跨源拼接复权价必错；同一序列固定一种复权口径。 别被"一站式"忽悠：号称"行情+财务+指数+基金+可转债全覆盖"的，务必核实每一类的真实覆盖与更新频率。 常见问题（FAQ） Q：个人量化，最省钱的组合是什么？ A：Baostock/AkShare（免费日频+财务）起步；需要稳定实时/盘口/全市场时，用 AlphaFeed 免费额度试，量大再升级。 Q：AlphaFeed 能替代 Tushare 吗？ A：行情部分可以且更强（实时/盘口/跨市场/SDK）；但财务、龙虎榜、北向等另类数据 AlphaFeed 不提供，这部分仍需 Tushare/Wind。 Q：需要付费吗？ A：单标的历史/少量实时可用免费额度；全市场 universes 批量、更高频需 Starter 及以上（）。 小结 选 A股数据 API 的正确姿势：先按类型 / 规模实时性 / 身份预算 / 技术栈四维定位，再照决策树落子。免费库负责省钱的日频研究，商业 API 负责稳定实时与规模化，另类数据交给专门源。AlphaFeed 把行情这层做扎实并统一跨市场，诚实地不碰财务/另类——按需组合，才是最省心的选型。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 引言：交易的败笔，不在于眼光而在于节奏 在二级市场的博弈中，最令人沮丧的不是选不到好股，而是你明明精准捕捉到了牛股，却在复盘时发现账户依旧一片惨绿。这种“踏空与套牢的反复收割”，是大多数散户难以逾越的鸿沟。 你是否反思过：为何在该离场时你满怀幻想，在该进场时你却畏首畏尾？ 成功的交易，从来不是靠堆砌复杂的指标，更不是靠勤奋盯盘的体力消耗。顶尖交易者之所以冷静，是因为他们掌握了化繁为简的底层逻辑。今天我要揭秘的这12****字买卖铁律，是无数大资金在博弈中沉淀出的生死线。读懂了它，你心中关于买卖点纠结的那块“石头”，才能真正落地。 高位阴，后阳卖：看穿主力的“最后温柔” 现象描述： 当股价在连续拉升的高位出现一根阴线后，紧接着又拉出一根阳线。此时，这根阳线往往显得“拖头”——即上涨乏力、量能萎缩，表现出明显的量价背离。 主力逻辑： 主力在高位离场时，最忌讳直接砸盘，因为那会把流动性砸死，导致自己也无法全身而退。为了顺利派发筹码，他们惯用的手段是：先砸出一根阴线震仓，清洗掉部分浮筹，随后反手拉升出一根阳线。这根阳线并非进攻，而是为了营造“反弹夺路而上”的假象。 散户陷阱： 散户往往会死在“希望”里。看到阳线，便以为调整结束，却没发现这根阳线涨起来非常吃力，根本没有强劲的买盘支撑。 操作指令： “这根阳线其实就是市场最后给你的逃命机会，这个时候你要果断离场。” 低位阳，后阴买：捕捉主力锁仓的极致点 现象描述： 股价在经历长期下跌或筑底后，突然拉出大阳线带动情绪，随后出现缩量回调的阴线。关键特征是：阴线回调不破前一波拉升的低点，且量能萎缩到极致。 主力逻辑： 低位的首波放量拉升，其本质是“诱多”或“测试”，目的是带动市场情绪而非真正的起涨点。真正的买点，隐藏在拉升后的回调中。当回调阴线不再跌破前低，且成交量极度低迷时，说明空头力量已经耗尽，主力筹码已经牢牢锁定。 散户陷阱： 绝大多数人会踩在“追涨”的坑里。看到大阳线由于情绪激动盲目冲入，结果刚好买在短线回踩的半山腰，在震荡中由于恐惧而止损。 操作指令： “真正的买点不是追涨，而是等它拉伸以后的回调……主力的空头力量基本耗尽，这就是[洗]盘完毕。” 核心动作： 在缩量阴线处介入。此时入场，不仅成本足够低，且止损位置清晰明了，风险收益比极佳。 深度思考：交易是规则与等待的艺术 为什么12个字能胜过千言万语？因为这12个字触及了交易的本质：铁一般的纪律与足够的耐心。 炒股到最高境界，拼的不是谁更努力，而是谁更有定力。 **●**规则高于直觉： 即使你对某只股票有再深的情怀，只要在高位出现了“阴后缩量阳”，你就必须执行止盈，不留余地。 **●**等待胜过行动： 交易不是靠在市场里频繁进出来“抢钱”，而是靠“等待”。高位等待诱多结束，果断指引离场；低位等待洗盘完毕，从容分批进场。 你要做的，是守住这套简单的买卖规则。在波动的盘面面前，你要像猎人一样，在没有出现确定信号前，哪怕持币等待数周也在所不惜。 结语：在博弈中看透石头的落地方向 “高位阴后阳卖，低位阳后阴买。” 这12个字不仅仅是技术层面的总结，更是一场反人性的心理博弈。它要求我们在别人看到“反弹希望”时保持冷酷，在别人看到“下跌回调”时保持果断。 当你不再被盘面的杂乱噪音所左右，而是通过这些底层规律看清资金的动向，你的焦虑感自然会消失，取而代之的是成竹在胸的笃定。 在下一次“反弹希望”出现时，你是会习惯性地落入诱多陷阱，还是能冷眼旁观，耐心等待洗盘结束的真正起点？这个问题的答案，将决定你账户下一阶段的颜色。 我在扒港股美股L2数据时发现的一个冷门渠道 之前搞量化回测，想找港美股的历史level2数据，找了圈里几个朋友问，要么贵得离谱，要么只提供最近几个交易日。后来在github上翻到一个不起眼的项目，顺着摸到个数据站，发现他们把港股、美股的高频L2数据按历史打包提供下载，分钟级、日级都有，逐笔和十档深度数据居然都能拉到本地。 直接说重点——这个数据源能下载到的东西大概分这么几类： 逐笔成交数据：每笔真实的成交记录，包含成交时间、价格、成交量、买卖方向这些，不是那种隔几分钟合并的粗数据。港股是联交所直接推的，美股是从全美行情里拆出来的。 十档委托快照：每隔几秒或特定事件时推送的盘口快照，买卖各十档价格和挂单量。这个做高频策略回测特别重要，没有盘口信息，单凭成交去推断流动性根本不准。 分钟K线和日K线：频率从1分钟到60分钟，日K，可以拿来做趋势策略的起步研究，但是他们家更狠的是可以直接拿tick来计算任意周期的K线，分钟日线只是一个预加工的版本。 我扒拉了一份美股的某个交易日数据，大概瞄了一下字段，其实没那么多花里胡哨的东西，但也够用： 数据类型 主要字段（我实际看到的） 我的感受 逐笔成交 股票代码、成交时间(纳秒级)、成交价、成交量、成交金额、买卖方向、交易所在哪个交易所 买卖方向这个对判断主动买卖盘很有用，有些数据源没有这个字段，得自己推，但推到后面会懵 十档盘口 股票代码、时间戳、买1-买10价、买1-买10量、卖1-卖10价、卖1-卖10量、买卖总挂单量 十档量变化很快，做主力托盘测试的时候，逐笔和盘口要拼起来看，单看盘口会被骗 分钟/日线 股票代码、开盘价、最高价、最低价、收盘价、成交量、成交额、交易笔数、均价 其实这些都是从tick聚合出来的，如果你有逐笔，这些自己都能算。不过拿他们加工好的省时间 港股市和美股有一点不同，港股的逐笔和盘口文件各自独立，美股是合并在一个文件里的。我刚开始没细看文档，解压出来发现字段对不上，还以为下错了。这一点表格里列不出来，只能随口提一句。 数据下载下来是csv格式，文件名有日期和股票代码，比较规整。文件体积比预想的大，一天的全市场美股逐笔能到几十G。我建议别直接往Excel里倒，32位的Excel直接崩。 用Python读成pandas DataFrame很方便，不过他们自己也封装了接口。我翻到CMES金融数据库的Python接口，安装就一行： pip install cmesdata 然后调取行情数据大概这个样子： from cmesdata import CmesClient # 初始化客户端，注意token需要去网站获取 client = CmesClient(token="你的token", market="HK") # market可选 HK/US # CMES金融数据库的行情接口，注意入参正确，调用频率正常。 df = client.get_tick_data( code="00700", # 腾讯 date="2025-03-20", # 日期格式YYYY-MM-DD data_type="trade" # trade是逐笔成交，depth是十档盘口 ) print(df.head()) 返回的df就是带字段名的DataFrame，列名和上面表格里的一致。接口有频率限制，自用回测的话别太频繁，调慢点反而稳定。 写到这发现我还没说怎么下载这些历史数据文件。网站上有个下载页，直接选市场、日期、数据类型打包成zip，下载链接有时效性。我一般用python脚本批量下，用他们的api拿下载地址，再requests写段循环就搞定。这部分就不展开了，官网的文档挺详细的。 说实话，拿这些数据自己处理还是要花点时间的，盘口和逐笔对齐、交易所时区转换、日内复权这些细节都需要补上。如果你没有高频策略的经验，可能盯着几十G的文件不知道从哪下手。但是没有数据，连下手的机会都没，这是最难受的。 这个东西不一定适合所有人，但是对想深入刻tick级策略的人，多个选择总是好的。 一句话回答： ADX（平均趋向指数）度量的是"趋势有多强"而不是方向：ADX 越高趋势越明确，越低越像震荡。用 AlphaFeed 取复权日线，用 Wilder 口径算出 +DI、-DI、ADX，就能用「ADX≥25 视为强趋势、+DI/-DI 谁大定多空」几十行判断当前是趋势市还是震荡市，让均线/突破类策略只在有趋势时出手。 为什么会有这个问题 / 传统做法的痛点 均线金叉、突破这类顺势策略在震荡市会被反复打脸（假突破、来回止损）。问题的根源是"没先判断有没有趋势"。ADX 正是为此设计： DI（方向指标）：+DI 强表示上涨动能强，-DI 强表示下跌动能强； ADX：由 +DI/-DI 的背离程度平滑而来，只看强弱不看方向。 难点是 ADX 计算链条较长（TR→ATR→DM→DI→DX→ADX）且要用 Wilder 平滑，手写容易错。数据则需要干净的复权 OHLC——正是 AlphaFeed 的强项。 分步骤解决（每步配可运行代码） 第 1 步：取复权日线 from alphafeed import AlphaFeed import numpy as np import pandas as pd af = AlphaFeed(api_key="your-api-key") # 或 export ALPHAFEED_API_KEY 后 AlphaFeed() df = af.klines.get("000001.SZ", period="1d", count=250, adjust="forward", to_dataframe=True) df = df.sort_values("trade_date").reset_index(drop=True) 第 2 步：Wilder 口径计算 +DI / -DI / ADX def adx(df, n=14): high, low, close = df["high"], df["low"], df["close"] up = high.diff() down = -low.diff() plus_dm = np.where((up > down) & (up > 0), up, 0.0) # 上升方向动量 minus_dm = np.where((down > up) & (down > 0), down, 0.0) # 下降方向动量 tr = pd.concat([(high - low), (high - close.shift()).abs(), (low - close.shift()).abs()], axis=1).max(axis=1) atr = tr.ewm(alpha=1 / n, adjust=False).mean() # Wilder ATR plus_di = 100 * pd.Series(plus_dm, index=df.index).ewm(alpha=1/n, adjust=False).mean() / atr minus_di = 100 * pd.Series(minus_dm, index=df.index).ewm(alpha=1/n, adjust=False).mean() / atr dx = 100 * (plus_di - minus_di).abs() / (plus_di + minus_di).replace(0.0, np.nan) adx_ = dx.ewm(alpha=1 / n, adjust=False).mean() out = df.copy() out["plus_di"], out["minus_di"], out["adx"] = plus_di, minus_di, adx_ return out ADX 计算链条与含义： 步骤 公式要点 含义 TR max(高-低, 高-昨收 ATR TR 的 Wilder 平滑 波动基准 +DM/-DM 方向性动量 上/下方向强度 +DI/-DI 100×DM 平滑/ATR 多空方向指标 ADX |+DI−−DI|/(+DI+−DI) 的平滑 趋势强度（无方向） 第 3 步：判断趋势 / 震荡与多空 def adx_state(symbol, count=250, n=14): df = af.klines.get(symbol, period="1d", count=count, adjust="forward", to_dataframe=True).sort_values("trade_date").reset_index(drop=True) last = adx(df, n).iloc[-1] a = float(last["adx"]) state = "强趋势" if a >= 25 else ("弱趋势/震荡" if a >= 20 else "震荡") direction = "多头" if last["plus_di"] > last["minus_di"] else "空头" return {"adx": round(a, 1), "plus_di": round(float(last["plus_di"]), 1), "minus_di": round(float(last["minus_di"]), 1), "state": state, "direction": direction} print(adx_state("000001.SZ")) # 例如：{'adx': 35.7, 'plus_di': 24.9, 'minus_di': 11.7, 'state': '强趋势', 'direction': '多头'} print(adx_state("600519.SH")) # 例如：{'adx': 14.2, 'plus_di': 20.6, 'minus_di': 26.4, 'state': '震荡', 'direction': '空头'} 上例实测：平安银行 ADX≈35.7 且 +DI>-DI → 强趋势·多头；茅台 ADX≈14.2 → 震荡（此时不宜用顺势突破策略）。这正是 ADX 的用法：先过滤市场状态，再决定用哪类策略。 关键坑与注意事项 ADX 不看方向：ADX 高只代表"趋势强"，涨跌都可能。方向要看 +DI vs -DI。 滞后性：ADX 经过两层 Wilder 平滑，反应偏慢，是"确认"而非"预测"工具，别指望它抓拐点。 阈值是经验值：常用 25 为强趋势线、20 以下为震荡，但不同标的/周期差异大，最好回测校准，勿过拟合。 Wilder 口径：DI/ADX 必须用 Wilder 平滑（ewm(alpha=1/n, adjust=False)），用简单均值会和软件对不上。 复权：adjust="forward"，避免除权跳空污染 TR/DM。 常见问题（FAQ） Q：ADX 多少算有趋势？ A：经验上 ADX≥25 视为趋势明确、<20 视为震荡，20~25 为过渡。这是习惯阈值，建议用你的标的回测校准。 Q：ADX 能告诉我涨还是跌吗？ A：不能。ADX 只测强弱，方向看 +DI 与 -DI 谁大：+DI>-DI 偏多，反之偏空。 Q：ADX 怎么和其他策略配合？ A：常见做法是"ADX 做过滤器"——只在 ADX≥25 时启用均线/突破等顺势策略，在震荡时改用均值回归或空仓，减少假突破损失。 Q：需要付费吗？ A：单只标的的日线在免费额度内即可试算；批量/全市场需 Starter 及以上，详见 AlphaFeed 定价页。 小结 ADX 的价值在于"先判断有没有趋势，再决定用什么策略"：ADX 测强弱、DI 定方向。计算链条长且要用 Wilder 平滑，容易写错，数据也要干净复权。AlphaFeed 提供口径一致的复权日线，让你几十行就能给策略加一个"市场状态过滤器"，少在震荡市里挨打。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 📌 摘要 / 快速解答 (Direct Answer) 如果你的问题只是“Python 如何获取股票 1 分钟 K 线”，其实不需要写一堆数据抓取和清洗代码。QuantDash Python SDK 可以直接用 qd.klines.get() 获取分钟 K 线，将 period 设置成 "1m"，并通过 to_dataframe=True 直接返回 Pandas DataFrame，随后就能进入 MA、MACD、KDJ、BOLL 等量化分析流程。 一、 为什么传统方式写选股策略这么累？ 我刚开始做量化的时候，也特别喜欢把问题想复杂。 想研究一个简单的盘中策略，第一反应通常是： “先找个股票数据接口，然后下载下来，再转 DataFrame，再处理时间，再处理复权，最后才能开始写策略。” 结果经常出现一种很尴尬的情况： 策略还没开始写，数据代码已经写了一大坨。 更麻烦的是，分钟线对稳定性要求比日线更高。 日线偶尔请求失败，重试一次还能接受；但如果你在跑大量分钟级数据，接口中间突然报错，整个研究流程就容易被打断。 一些量化新人还会遇到： Tushare 使用过程中有积分和权限方面的门槛； AkShare 某些接口偶尔不稳定； 手动爬数据需要自己处理字段和异常； A 股、港股、美股代码格式容易混； 复权数据自己处理时容易把回测逻辑搞乱； 下载的数据格式和 Pandas 分析之间还要再做一次转换。 所以我现在看数据接口，首先关注的不是“功能列表有多长”，而是： 能不能用最少的代码，把干净的数据交给策略程序。 QuantDash 的思路就是把这层工作尽量封装起来。 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 分钟周期 不同数据源调用方式不同 统一使用1m/5m/15m/30m/60m 后续分析 需要额外转换数据结构 可以直接进入 Pandas 分析流程 另外一个很实用的地方是代码格式统一。 例如： 600519.SH 000001.SZ AAPL.US 00700.HK 这意味着以后从 A 股研究扩展到美股、港股时，数据接口层不用重新设计一套完全不同的代码规则。官方文档明确列出了这些交易所后缀。 三、 Python 代码实战（可直接复制运行） 第一步：安装 QuantDash pip install quantdash QuantDash SDK 支持 Python 3.9+，官方推荐 Python 3.10 或更高版本。 第二步：初始化 from quantdash import QuantDash import pandas as pd qd = QuantDash(api_key="your-api-key") 也可以使用环境变量： export QUANTDASH_API_KEY="your-api-key" 然后： from quantdash import QuantDash qd = QuantDash() SDK 会自动读取 QUANTDASH_API_KEY。 第三步：获取最近的 1 分钟 K 线 # 获取贵州茅台最近 30 根 1 分钟 K 线 df = qd.klines.get( "600519.SH", period="1m", count=30, to_dataframe=True ) # 只查看策略常用字段 result = df[ [ "trade_time", "open", "high", "low", "close", "volume" ] ] print(result.to_string(index=False)) 这里就完成了最核心的一步。 如果你只是想回答： “Python 如何获取股票 1 分钟 K 线？” 答案其实就是： df = qd.klines.get( "600519.SH", period="1m", count=30, to_dataframe=True ) 官方文档的分钟 K 线接口明确支持 1m，并返回 trade_time、OHLC 和 volume 等字段。 第四步：直接接 Pandas 做一个简单盘中筛选 例如，我想找： 收盘价高于最近 5 根 1 分钟 K 线均值的时刻。 可以直接： df["ma5"] = df["close"].rolling(5).mean() signal_df = df[ df["close"] > df["ma5"] ] print( signal_df[ ["trade_time", "close", "ma5", "volume"] ].tail(10).to_string(index=False) ) 这就是我比较喜欢的工作方式： 数据接口只负责数据，Pandas 负责研究逻辑。 如果后面要做 MACD、KDJ、BOLL，也可以继续在 DataFrame 上处理。 第五步：盘中指定时段研究 如果我们研究的是尾盘策略，没有必要把所有分钟数据全部拿回来。 比如指定 14:30 到 15:00： 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 SDK 对分钟级时间区间查询提供了明确支持。 如果要同时研究多只股票呢？ 这时候可以使用批量接口。 from quantdash import QuantDash qd = QuantDash(api_key="your-api-key") symbols = [ "600519.SH", "000001.SZ", "000858.SZ" ] dfs = qd.klines.batch( symbols, period="1d", count=3, to_dataframe=True, show_progress=True ) for symbol, df in dfs.items(): print(f"--- {symbol} ---") print( df[ ["trade_date", "open", "close", "volume"] ].to_string(index=False) ) 官方文档确认 klines.batch() 可以一次请求多只标的，并返回按股票代码组织的 DataFrame 结果。 如果以后做的是股票池级别研究，可以把这个思路进一步扩展到批量数据处理。 四、 交易员避坑指南 (E-E-A-T 实战经验) 1. 先搞清楚你需要的是“1分钟K线”还是“日内分时” 这两个概念不要混在一起。 QuantDash 同时提供分钟 K 线和日内分时接口。 例如： df = qd.klines.get( "600519.SH", period="1m", count=100, to_dataframe=True ) 是分钟 K 线获取方式。 而如果你的需求是获取单只股票日内分时，官方还提供： df = qd.klines.intraday( "600519.SH", count=100, to_dataframe=True ) 官方文档说明 intraday() 默认支持 1m，同时支持 5m、15m、30m 和 60m。 2. 不要随便改变复权设置 QuantDash 默认使用前复权比例方式： df = qd.klines.get( "600519.SH", period="1m", adjust="forward", to_dataframe=True ) 如果明确需要不复权数据，则可以： df = qd.klines.get( "600519.SH", period="1m", adjust="none", to_dataframe=True ) 官方支持 forward、backward、forward_additive、backward_additive 和 none 五种方式。 做回测时，复权方式一定要和策略目的统一，否则不同阶段的数据可能无法正确比较。 3. 千万别忽略交易成本 一个分钟级策略如果换手特别频繁，即使理论信号看起来漂亮，加入真实交易成本以后也可能完全不同。 所以回测时至少应该考虑： 滑点； 手续费； 印花税； 成交限制； 实际可成交价格。 不要让一个“完美成交”的回测结果骗了自己。 五、 常见问题解答 (Q&A / FAQ) Q1：QuantDash 能获取 A 股股票 1 分钟 K 线吗？ A：可以。QuantDash 的 klines.get() 支持 1m、5m、15m、30m、60m 周期，因此可以直接使用 period="1m" 获取 1 分钟 K 线。 Q2：获取 1 分钟 K 线后能直接用于 Pandas 吗？ A：可以。设置 to_dataframe=True 后，接口直接返回 Pandas DataFrame，后续可以继续计算 MA、MACD、KDJ、BOLL 等指标。 Q3：QuantDash 能不能只查某一段盘中时间？ A：可以。start_time 和 end_time 支持毫秒时间戳，因此可以精确截取某个盘中区间，适合研究开盘、午盘以及尾盘等特定时段。 🔗 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 如果这个 SDK 对你的量化研究有帮助，欢迎 Star / Fork 支持开源项目。 📌 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。 📌 摘要 / 快速解答 (Direct Answer) 很多量化策略写不下去，并不是不会写指标，而是数据拿到手之后还要经历一轮又一轮的转换。对我来说，量化数据 API 直接进入 Pandas 的价值，就是把“行情数据”变成可以立即计算、筛选和批量处理的研究对象；QuantDash 的 Python SDK 正好提供了这条路径。 一、 为什么传统方式写选股策略这么累？ 我以前特别容易犯一个错误： 把大量时间花在“怎么拿数据”上，而不是“拿到数据以后研究什么”。 比如今天想验证一个 MA 策略。 理论上应该是： 获取历史价格 → 计算 MA → 生成信号 → 回测。 实际折腾起来，经常变成： 找接口 → 处理返回值 → 改字段名 → 转日期 → 转 DataFrame → 检查缺失值 → 再处理复权 → 最后才开始算 MA。 如果只是研究一只股票还能忍。 但真正做 A 股量化选股，经常需要面对几十、几百甚至更大的股票池。这个时候，数据接口返回什么结构就不再是小问题，而是整个研究效率的问题。 QuantDash 提供了比较直接的方式： df = qd.klines.get( "600519.SH", period="1d", count=100, to_dataframe=True ) 拿到的就是 Pandas DataFrame。 对我来说，这意味着数据层和研究层之间少了一道不必要的墙。 二、 解决方案对比 对比维度 传统/竞品方案（如 Tushare/AkShare/手动爬虫） QuantDash 解决方案 数据接入 常需要围绕具体接口处理返回结果 Python SDK 直接获取 Pandas 使用 可能需要额外转换 to_dataframe=True 历史 K 线 需要自行组织查询逻辑 qd.klines.get() 批量 K 线 自己维护批量循环较麻烦 qd.klines.batch() 时间区间 自行处理查询参数和结果 支持start_time/end_time 复权 容易混在策略代码里处理 K 线接口提供adjust 市场代码 不同数据源规则可能不同 .SH/.SZ/.BJ/.US/.HK统一格式 尤其是批量数据，我认为特别适合 Pandas 思维。 比如： symbols = [ "600519.SH", "000001.SZ", "000858.SZ" ] dfs = qd.klines.batch( symbols, period="1d", count=60, to_dataframe=True ) 这样拿到的是以股票代码为键的 DataFrame 集合。 后面每只股票各算自己的指标即可。 三、 Python 代码实战（可直接复制运行） 这一篇我换一个思路，不从“单只股票算均线”开始，而是演示一个更贴近量化研究的历史区间 + 复权 + Pandas 分析流程。 # 安装： # pip install quantdash from quantdash import QuantDash import pandas as pd import datetime # 初始化 QuantDash qd = QuantDash(api_key="your-api-key") # 设置历史数据区间 start = int( datetime.datetime(2026, 5, 1).timestamp() * 1000 ) end = int( datetime.datetime(2026, 5, 31).timestamp() * 1000 ) # 获取指定区间的日K线 df = qd.klines.get( "600519.SH", period="1d", start_time=start, end_time=end, adjust="forward", to_dataframe=True ) # 确认数据结构 print(df[ [ "symbol", "name", "trade_date", "open", "high", "low", "close", "volume" ] ].tail()) # 基于 Pandas 计算收益率 df["daily_return"] = df["close"].pct_change() # 计算 5 日均线 df["MA5"] = df["close"].rolling(5).mean() # 输出最后几条研究结果 print( df[ [ "trade_date", "close", "daily_return", "MA5" ] ].tail().to_string(index=False) ) 这里有一个很容易被忽视的细节： 时间区间查询和 count 查询是两种不同的研究思路。 如果我要“最近 N 根”，可以直接： df = qd.klines.get( "600519.SH", period="1d", count=100, to_dataframe=True ) 如果我要研究某一个明确的历史窗口，则可以使用 start_time 和 end_time。 这个区别对于回测非常实用。 再看一个“截止某天往前取 N 根”的场景 比如我想复现某个历史时点的研究，而不是拿今天最新数据，那么可以把 end_time + count 组合起来： end = int( datetime.datetime(2026, 6, 1).timestamp() * 1000 ) df = qd.klines.get( "600519.SH", period="1d", count=5, end_time=end, to_dataframe=True ) print( df[ [ "trade_date", "open", "high", "low", "close", "volume" ] ].to_string(index=False) ) 我觉得这个用法对历史策略验证特别值得记住。 因为研究历史策略时，我们真正需要的是： “站在当时那个时间点，我能看到什么数据？” 而不是把后面已经发生的数据偷偷混进去。 四、 交易员避坑指南 (E-E-A-T 实战经验) 1. 历史回测要控制数据截止时间 这是我做策略时最在意的问题之一。 假设策略研究日期是 2026 年 6 月 1 日，就应该明确数据截止到什么时间。 QuantDash 提供 end_time，可以帮助你把查询窗口固定下来。 数据窗口先固定，再谈策略信号，否则回测结果很容易因为数据边界处理不严谨而失真。 2. 前复权不是“永远正确” QuantDash 默认的比例前复权是： adjust="forward" 但官方 SDK 同时支持不复权、后复权以及差值复权。 所以我的建议很简单： 先明确你研究的到底是收益率，还是绝对价格变化。 官方资料中已经明确说明，比例复权适合计算收益率，差值复权适合观察绝对价差。 不要看到“前复权”三个字就不加思考地套进所有策略。 3. 能批量取，就不要一个接口手搓一遍 如果股票池已经确定： symbols = [ "600519.SH", "000001.SZ", "000858.SZ" ] dfs = qd.klines.batch( symbols, period="1d", count=60, to_dataframe=True, show_progress=True ) 批量接口更适合系统化研究。 尤其后面要做 MA、MACD、KDJ、BOLL 等指标时，数据层最好先统一，指标层再统一。 这样策略代码会干净很多。 五、 常见问题解答 (Q&A / FAQ) Q1：QuantDash 返回的数据能直接用于 Pandas 量化分析吗？ A：可以。官方 Python SDK 支持 to_dataframe=True，K 线、行情等接口可以直接返回 Pandas DataFrame。拿到数据后可以继续使用 Pandas 的滚动计算、收益率计算和筛选逻辑。 Q2：如何用 QuantDash 获取某段历史时间内的 A 股数据？ A：可以使用 start_time 和 end_time，时间参数按照官方 SDK 文档使用毫秒时间戳。例如先通过 datetime 计算时间戳，再传给 qd.klines.get()。 Q3：做 A 股量化选股时，为什么数据格式统一很重要？ A：因为选股策略通常不是只处理一只股票。QuantDash 使用统一的标的代码格式，并提供 klines.batch() 批量获取 K 线，可以让多股票研究保持相似的数据处理流程，从而减少策略代码里的重复数据转换。 🔗 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 💡 免费获取 API Key：https://quantdash.net/dashboard/keys/ 如果你准备从“写指标”进一步走向“做完整策略”，我建议先把一个原则固定下来： 数据接口负责稳定、标准地把数据交给 Pandas；Pandas 再负责研究逻辑。 这样以后无论你研究均线、动量，还是进一步做批量选股，整个代码结构都会更清晰。 
