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 1、实时K线 获取沪深A股和ETF实时K线数据。目前支持沪深京A股和ETF基金，对应请求参数synbol为stock、etf；目前K线级别支持5分钟、15分钟、30分钟、60分钟、日线、周线、月线、年线 示例请求：http://api.fxyz.site/wolf/time/kline?symbol=stock&code=000001&period=1d&cq=1&startDate=2026-01-19&endDate=2050-01-01&token= 2、买卖五档 获取沪深A股和ETF买卖五档实时行情数据。 示例请求:http://api.fxyz.site/wolf/time/five?symbol=stock&code=000001&token= 3、实时行情 获取沪深A股实时行情数据。提供涨速、涨跌幅、换手率、振幅、量比、内盘、外盘、ROE等行情指标数据，适用于投资研究、量化交易。包年版支持all参数获取盘中全市场实时数据。 示例请求：http://**api.fxyz.site/wolf/time?**symbol=stock&code=000001&token= 4、日线快照 获取沪深A股和ETF实时日线行情数据。 示例请求:http://api.fxyz.site/wolf/time/day?symbol=stock&code=000001&token= 5、资金流向 获取沪深A股资金流向数据。资金流数据区分主买、主卖、特大单、大单、中单、小单等。 示例请求:http://api.fxyz.site/wolf/money?code=000001&tradeDate=2026-01-19&token= 6、逐笔交易 获取沪深A股逐笔交易数据。 示例请求:http://**api.fxyz.site/wolf/deal?**code=000001&tradeDate=2026-01-19&token= 7、分价数据 获取沪深A股分价数据。 示例请求:http://api.fxyz.site/wolf/price?code=000001&tradeDate=2026-01-19&token= 8、股票列表 获取股票的代码列表。flag取值范围：0-所有股票，1-深交所股票，2-上交所股票，3-北交所股票，4-指数，5-创业板股票，6-科创板股票，7-ETF，8-ST股票，9-退市股票 示例请求：http://**api.fxyz.site/wolf/list?**flag=0&token= 9、涨停板 获取盘中涨停板实时数据。 示例请求： http://**api.fxyz.site/wolf/zt?**tradeDate=2026-01-19&token= 10、跌停板 获取盘中跌停板实时数据。 示例请求： http://**api.fxyz.site/wolf/dt?**tradeDate=2026-01-19&token= 11、炸板 获取盘中炸板实时数据。 示例请求： http://**api.fxyz.site/wolf/zb?**tradeDate=2026-01-19&token= 12、强势股 获取盘中强势股票实时数据。 数据更新：实时数据交易时间段每1分钟更新，历史数据收盘后3:30更新。 示例请求：http://**api.fxyz.site/wolf/qs?**tradeDate=2026-01-19&token= 13、次新股 获取次新股数据。 数据更新：实时数据交易时间段每1分钟更新，历史数据收盘后3:30更新。 示例请求：http://**api.fxyz.site/wolf/cx?**token= API接口文档参考：黑狼数据 - 实时、稳定、专业的金融数据API平台 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。 
