一句话回答： 涨跌停监控的关键是"拿到每只票当日的涨/跌停价，再和最新价比对"。用 AlphaFeed 一次取全 A 实时快照，用 instruments 的 limit_up/limit_down 判定涨跌停，再用五档盘口的封单量衡量封板强度、识别炸板——几十行就能搭出打板监控的数据底座。 为什么会有这个问题 涨跌停是 A 股独有的强信号，但很多人不知道每只票的涨跌停价怎么来（ST、次新、主板规则不同，比例不一样）。手工按 ±10% 估算会错。正确做法是直接取交易所给定的当日涨跌停价，再结合盘口封单判断"封得牢不牢"。 分步骤解决 第 1 步：取全 A 快照 + 当日涨跌停价 from alphafeed import AlphaFeed import pandas as pd af = AlphaFeed() # 读取 ALPHAFEED_API_KEY q = af.quotes.get(universes="CN_Stock", to_dataframe=True) codes = q["symbol"].tolist() # 涨跌停价来自 instruments 的 ext（交易所口径，已含 ST/次新差异） insts = af.instruments.batch(codes) lu = {i["symbol"]: i["ext"].get("limit_up") for i in insts} ld = {i["symbol"]: i["ext"].get("limit_down") for i in insts} q["limit_up"] = q["symbol"].map(lu) q["limit_down"] = q["symbol"].map(ld) 第 2 步：判定涨停 / 跌停（含"接近封板"） 用最新价与涨跌停价比对，留一点浮点容差： q["is_limit_up"] = q["last_price"] >= q["limit_up"] * 0.999 q["is_limit_down"] = q["last_price"] <= q["limit_down"] * 1.001 up = q[q["is_limit_up"]] down = q[q["is_limit_down"]] print(f"涨停家数: {len(up)} 跌停家数: {len(down)}") print(up[["symbol", "ext.name", "last_price", "limit_up", "ext.change_pct"]] .head(10).to_string(index=False)) 关键字段： 字段 含义 来源 last_price 最新价 quotes 快照 limit_up / limit_down 当日涨/跌停价 instruments.ext（交易所口径） ext.change_pct 当日涨跌幅（小数） quotes 快照 ext.turnover_rate 换手率（小数） quotes 快照 第 3 步：用五档封单量识别封板强度 / 炸板 涨停时买一价=涨停价，**买一挂单量（封单）**越大说明封得越牢；封单被吃光、价格跌破涨停即为"炸板"。用 depth 取五档： def seal_strength(symbol): d = af.depth.get(symbol) # dict: bid_prices/bid_volumes/ask_prices/ask_volumes lu_px = insts_map[symbol]["ext"].get("limit_up") bid1_px, bid1_vol = d["bid_prices"][0], d["bid_volumes"][0] sealed = abs(bid1_px - lu_px) < 1e-6 and bid1_vol > 0 # 买一在涨停价且有封单 return {"symbol": symbol, "bid1_px": bid1_px, "seal_vol": bid1_vol, "sealed": sealed} insts_map = {i["symbol"]: i for i in insts} for s in up["symbol"].head(5): print(seal_strength(s)) depth.get 返回的盘口字段： 字段 含义 bid_prices / bid_volumes 买一~买五 价格 / 挂单量 ask_prices / ask_volumes 卖一~卖五 价格 / 挂单量 symbol / region / timestamp 标的 / 市场 / 时间戳 涨停封板：买一价=涨停价且封单量大、卖档基本无量。炸板迹象：涨停价上卖档出现大量、买一封单快速减少。 第 4 步：封装成盯板快照 def limit_board_snapshot(): q = af.quotes.get(universes="CN_Stock", to_dataframe=True) insts = af.instruments.batch(q["symbol"].tolist()) lu = {i["symbol"]: i["ext"].get("limit_up") for i in insts} ld = {i["symbol"]: i["ext"].get("limit_down") for i in insts} q["limit_up"] = q["symbol"].map(lu); q["limit_down"] = q["symbol"].map(ld) up = q[q["last_price"] >= q["limit_up"] * 0.999] down = q[q["last_price"] <= q["limit_down"] * 1.001] return {"涨停": len(up), "跌停": len(down), "涨停清单": up[["symbol", "ext.name"]].values.tolist()} print(limit_board_snapshot()["涨停"], "只涨停") 关键坑与注意事项 别用固定 ±10% 估涨跌停：ST 是 ±5%、次新/北交所规则不同，务必用 instruments 的 limit_up/limit_down（交易所口径）。 一字板 vs 盘中封板：一字板全天封死，盘中封板可能反复开板；结合封单量与 ext.amplitude 判断。 炸板要看动态：单次快照只能看"此刻封没封"，识别炸板需连续多次快照对比封单量变化。 快照有延迟：quotes/depth 是准实时快照（秒级），不是逐笔；打板实盘对时延敏感，需评估。 停牌：停牌票 volume=0，不要计入涨跌停统计。 常见问题（FAQ） Q：涨跌停价为什么不自己按比例算？ A：因为 ST、次新股、北交所比例不同，且有四舍五入规则。直接用 instruments 给的交易所口径最准。 Q：怎么判断"封得牢不牢"？ A：看买一（涨停价）的封单量绝对值与相对成交额；封单远大于当日成交则较牢。 Q：能识别炸板吗？ A：能，但需周期性轮询记录封单量与价格，单帧快照只能判断当前状态。 Q：需要付费吗？ A：全市场池（universes）需 Starter 及以上；单标的 quotes/depth/instruments 有免费额度。详见定价页。 小结 涨跌停监控的本质是"最新价 vs 交易所涨跌停价"，封板强度看五档封单量。用 AlphaFeed 的全 A 快照 + instruments 涨跌停价 + depth 盘口，几十行就能统计涨跌停家数、识别封板与炸板，为打板策略打好数据底座。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 引言：为什么涨停后的回调更值得关注？ 在二级市场的博弈中，许多散户投资者都经历过这样的“至暗时刻”：费尽心力抓到了一个涨停板，正准备迎接大行情，股价却在次日开启阴跌。出于对利润回撤的恐惧，大多数人在洗盘的折磨中匆忙离场。可诡异的是，往往在你离场后的转身之间，股价便如离弦之箭，开启了翻倍的主升浪。 作为投资者，你必须看透：涨停后的回调，大多是主力为了清洗浮筹、蓄势主升而精心布置的“艺术性洗盘”。这并非行情的终结，而是主升浪前的“黄金坑”。面对波动，你是被噪音恐吓出局，还是能识别出那些藏在K线里的“最后登机牌”？ 信号一：三阴不破一阳，蓄势待发的“弹簧” “三阴不破一阳”是一种典型的压力测试形态。主力在拉出低位涨停后，通过连续的缩量阴线来观察市场的跟风盘与抛压。 **●**形态结构： 股价在低位起涨或底部放量涨停后，接连出现三根缩量阴线。 **●**核心准则： 无论这三根阴线如何震荡，其最低价绝不能跌破前一根涨停K线的最低点。这说明涨停板的底线是多头的“死守位”，主力的底仓并未动摇。 **●**心理博弈： 极度的缩量代表着“交易真空”，说明散户因为恐慌在卖，而主力只是在旁观测试抛压。这种形态就像被压到极致的弹簧，只等最后的一触即发。 ●**介入时机： 关键在第四个交易日。当出现一根放量阳线**重新掌控局面时，便是确认调整结束的信号。 “这通常代表调整结束，股价即将进入主升。” 信号二：涨停搓揉线，主力洗盘的“心理战” “搓揉线”是主力量价操纵的极致体现。它通过剧烈的日内波动，将不坚定的持有者“搓”出场外。 **●**技术细节： 第一天： 强力涨停，确立攻击基调。 第二天： 冲高回落，收出带有长上影线的K线（形态如“高空长矛”）。这主要用于诱出上方的解套盘，制造上涨乏力的假象。 第三天： 探底回升，收出带有长下影线的K线（俗称“探海神针”）。这一动作旨在通过急速下跌击穿散户心理防线，洗掉短线获利盘。 **●**心理本质： 主力在通过这种“揉搓”动作消耗散户的耐心。当你感觉到极度不安与绝望时，正是主力完成筹码交换的时刻。 ●**介入建议： 在第三天“探海神针”形成的尾盘（约14:50左右）**，一旦确认下影线支撑强劲且主力有护盘意愿，即是极佳的介入点。 信号三：涨停缩倍量，揭秘主力的“锁仓”底牌 在量价关系中，缩倍量往往比放量更能揭示主力的真实意图。 **●**描述场景： 股票在低位涨停后的第二天出现回落阴线，但成交量相比涨停当天成交量萎缩了一半或更多。 ●**操作策略： 这种“缩倍量”意味着筹码已经高度锁定，空头抛压已经衰竭。此时，请以涨停板的最高价**画一条水平压力线。 ●**介入时机： 不要盲目在缩量时进场，需耐心等待后续一根放量阳线**有效突破该水平压力线。这里的“放量”是确认主力开启第二波拉升的冲锋号。 “确认主力拉升，短线选手可跟随进场，享受后续拉升行情。” 信号四：涨停收敛阳线，时间窗口的“变盘点” 这种形态体现了主力在涨停后的强势横盘，是一种“横而不破”的高位蓄势。 **●**形态描述： 股价在涨停板上方进行小幅震荡，K线多以小阳线或十字星的形式紧密排列。 ●**关键支撑： 震荡期间，股价的收盘价必须严格守在5****日均线**之上，显示出极强的多头趋势。 ●**时间要素（斐波那契）： 引入斐波那契（波拉奇）数列**的概念，第3根K线是一个极为重要的时间变盘窗口。 **●**介入时机： 当第3根K线维持阳线状态且处于5日线上方时，说明主力已经完成了短期的筹码收集。该日尾盘即是变盘拉升前的最后切入机会。 总结：在波动的迷雾中寻找确定性 上述四种战法虽形态各异，但万变不离其宗。作为职业交易者，必须谨记一条金科玉律：所有的涨停回调战法，必须建立在股价处于**“低位”或“上升趋势初期”**的前提下。 如果这些信号出现在高位震荡区，那极有可能是主力诱多的陷阱，而非主升浪的跳板。 识别信号是技术，而持股不动是修养。主升浪开启前的每一次回调，都是对人性的拷问。交易不仅是与市场的博弈，更是与内心恐惧的较量。 最后，请深度反思：在看到明确的转强信号之前，你是否有足够的耐心和定力，去忍受那三天的阴跌或磨人的横盘？ 引言：为什么“不买”比“买什么”更重要 在股市中，很多散户投资者常常陷入一种无效的勤奋：每天废寝忘食地研究基本面、死守盯盘，却依然在“踩雷”和亏损中挣扎。其实，作为一个在市场摸爬滚打多年的策略分析师，我始终认为：投资的第一法则是生存。 在复杂的交易博弈中，识别并避开那些高风险的“必亏”标的，其重要性远超寻找所谓的翻倍黑马。学会在诱惑面前保持空仓，不仅是一种境界，更是保护你辛苦钱的铁律。 第一类：深陷下降通道的“自由落体” 趋势的形成绝非偶然，它是市场中多重因素产生共振并形成合力后的结果。我常说，趋势一旦形成就不容易改变，就像高速下行的列车，试图去挡住它只会粉身碎骨。 判定标准： 如果股价长时间运行在 **10 ****日、**20 日均线下方，且波动的高点和低点都在不断下移，反弹力度一波比一波弱。 深度警示： 散户最容易产生的错觉是“跌得够多了，该反弹了”。但在下降趋势中，股价会不断创出新低。 专业建议： 必须等到明显的“起稳迹象”出现——例如均线开始走平并粘合、小阳线比例增多、底部起稳平台真正走出。在此之前，任何抄底都是在接下落的飞刀。 “下跌趋势不言底，上涨趋势不言顶。在趋势面前，不要用主观臆断挑战市场规律。” 第二类：趋势破位，尤其是“主跌三浪” 趋势一旦破位，意味着原有的支撑逻辑彻底瓦解。在技术派眼中，最致命的陷阱就是“主跌三浪”的开启。 技术逻辑： 在一个标准的下跌序列中，经历了一浪初跌和二浪微弱反弹后，当第三浪正式破位下行时，才是杀伤力最惊人的阶段。 风险警告： 主跌三浪通常跌幅最大、速度最快，也是大部分散户账户被腰斩甚至清零的区域。如果三浪正在途中或刚刚开启，切记：绝不可入场捡便宜。 第三类：毫无波动的“心电图”僵尸股 有些股票的分时走势非常诡异，全天几乎没有起伏，看起来就像一条平直的“心电图”。 特征识别： 分时图波动极微，换手率常年在 0.5% 左右。 深度反思： 这种走势通常出现在“四大行”这种超大盘股中，这尚属正常；但如果一个小盘股走出这种“心电图”，说明该股已彻底被市场抛弃。 致命伤： 这类股没有震荡差价，你进去可能连手续费都赚不回来。更可怕的是它消耗了你的时间成本——在股市中，资金的周转率就是生命，被僵尸股锁死资产是极大的资源浪费。 第四类：大股东减持的“接盘陷阱” 大股东公告减持，是公司内部人对自家股票价值的变相“投低票”。 心理博弈： 减持的借口可以有千百种，但动作只有一个：真金白银的卖出离场。 大股东离场意味着大笔筹码将直接砸向二级市场，如果没有相应量级的大资金接盘，散户那点资金量根本挡不住抛压。 核心准则： 大股东减持会严重打击市场信心。记住，作为投资者，不要听他们嘴上说得多么冠冕堂皇，要看他们实际是怎么操作资金的。 别去做那个承接抛盘的“接盘侠”。 第五类：利好兑现后的“见光死” 散户最爱追利好，而主力最爱借利好出货。 逻辑拆解： 市场炒作的是“预期”。当利好还在预期阶段时，股价往往已经提前拉升到目标位。 策略启发： “当一个利好已经是全世界都知道的秘密时，它还有价值吗？” 当利好真正落地之日，往往就是主力资金利用热度派发筹码、功成身退之时。这类股票在消息公布瞬间，往往就是股价的阶段性顶峰。 第六类：股东人数激增的“筹码散乱” 个股的股本是固定的，股东人数的变化本质上反映了筹码的流向：是从庄家手中流向散户，还是反之。 筹码分配逻辑： 股东人数突然大幅增加，说明主力已经成功把手中的大额筹码，拆散并派发给了无数的小散户。 ●筹码状态：高度集中 股东人数：股东人数少，多为“强力手”持有 市场表现：控盘度高，易形成合力，能走出独立行情 ●筹码状态：极端分散 股东人数：股东人数激增，多为“弱势手”持有 市场表现：人心不齐，拉升时抛压巨大，极难形成合力 结论： 筹码越分散的票，越难产生上涨共振，也就越没有参与价值。 第七类：无业绩、无题材的“三无股票” 在股市赚钱通常只有两条路：要么赚公司成长的钱（业绩），要么赚未来愿景的钱（题材）。 流动性陷阱： 如果一家公司既没业绩支撑，又讲不出题材故事，这就是典型的“三无股票”。 结局预测： 没有业绩，随时面临退市风险；没有题材，主力根本不会花大价钱去推升股价。即使主力硬拉，由于缺乏故事吸引散户“接货”，最终筹码还是会砸在主力自己手里。 所以，这类股既拿不住，也没盼头。 结语：构建你的交易防线 作为一名策略师，我最后想送给大家一句话：在股市中，学会“忍耐”和“克制”远比学会“进攻”更难。避开这 7 种“地雷”股，是构建成熟交易体系的基石。 空仓观望并不可耻，盲目入场才是对本金的不负责。只有先守住防线，你才有机会在未来的牛市中发动反攻。 之前我分享过一个小工具网站，支持国内主流量化平台，可以让 AI 直接帮你写各个平台的策略代码，直接生成可运行的策略代码，代码质量远高于直接使用 DeepSeek、Trae 等平台。上线之后获得了非常多朋友的好评。 大家可以直接用描述策略，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。 AI工具平台：https://easyquant.ai 我看平台已经支持SuperMind的最新版本了，并且试下来效果很不错 外盘期货L2逐笔订单簿数据，到底能拿来干嘛 前几天整理硬盘，发现去年做外盘原油短线策略时扒下来的一堆csv，光压缩包就3个多G。当时为了找稍微靠谱点的逐笔数据，我差不多把市面上能试的渠道都踩了一遍坑，好多要么缺字段，要么直接给你合并过的快照，根本没法用。后来总算找到一个能直接下原始订单簿的地方，数据字段还算完整，就顺手把常用的几个品种都拉下来了。 现在它那个页面把数据分了几个大类，我直接说有哪些，省得你一个个点进去翻。 逐笔订单薄数据（L2） 这个是我最常用的，也是做高频类策略回测绕不开的东西。它给的是每个交易日一个csv文件，里面记录的是全市场订单簿的每次变动，不是那种固定时间间隔的快照，是真的逐笔推送。 打开一个文件大概长这样，字段我直接列出来比较直观： 字段名 大概意思 Timestamp 时间戳，精确到毫秒 Symbol 合约代码，比如CL、ES Side 订单方向，Ask/Bid Price 报价价格 Size 挂单量 OrderID 订单编号，同一笔增删改能对上 UpdateAction 新增、修改、删除 Sequence 消息序列号，用来排错序 这玩意儿最实用的地方在于，你可以自己还原出任意时刻的盘口深度，而不是只拿到五档或者十档。我试过拿它回测一个小单吃单策略，发现如果只用常规的tick快照，里面很多档位消失根本捕捉不到，回测结果和实盘差得离谱。后来把逐笔还原了，才找出问题在哪。 另外，它同一个页面还提供分钟级别行情下载，这个就简单多了，就是标准的OHLCV，频率有1分钟、5分钟、15分钟、1小时、日线，字段基本就是： 字段 说明 Timestamp 分钟线起点时间 Open 开盘价 High 最高价 Low 最低价 Close 收盘价 Volume 成交量 OpenInterest 持仓量，这个很多免费源没有 分钟线适合做初步筛选或者跑一些对算力要求不高的趋势模型，我一般先拿分钟线过一遍条件，觉得有戏了再切到订单簿数据里细看。 中间插一句，我当时嫌下载csv再本地解析太麻烦，本来打算自己写个下载脚本，后来发现他们有个 CMES金融数据库 的接口，可以直接pip装，省了不少事。安装就一行： pip install cmesdata 然后调用的时候，记得把合约代码和时间范围填对，我贴一下我用的示例： from cmesdata import HistoryData # CMES金融数据库的行情接口，注意入参正确，调用频率正常 # 初始化数据源，token去官网个人中心拿 hd = HistoryData(token="your_token_here") # 拉取CL合约某天的逐笔订单簿 df = hd.get_tick_orderbook(symbol="CL", trade_date="2024-05-20") print(df.head()) 注释里提醒的那句“调用频率正常”是真的要注意，我之前图省事开了多线程并发，没几下就被限流了，老老实实单线程按顺序拉反而很快。 说回数据本身，我觉得这个源的订单簿有个好处是它没过滤掉那些极小单，有些数据商会把小于一定阈值的挂单直接去掉，看起来干净，但实际盘口上的“冰层”可能就看不到了。那个Sequence字段也挺关键，有一次我本地跑回测发现拟合度突然掉了很多，查了半天就是有一小段消息顺序乱了，靠这个字段重新排了序才恢复正常。 分钟线数据里，持仓量这个字段我经常拿来筛品种，像天然气、铜这类品种，持仓量变化大的时候跟着放量，这时候拉订单簿看细节特别有意思，能看到一些大单是怎么拆开来挂的。 最后提醒一下，这些数据下载下来都是csv格式，单品种普通交易日大概几百MB，做长周期回测的话硬盘得留够空间。另外这类数据只适合做研究和策略开发，不要当成投资建议，自己用着玩可以，别拿出去乱说。 大概就这些，反正数据本身是现成的，有需要直接去翻一下，比我之前到处求人发网盘链接强多了。 一句话回答： 做任何选股、回测、盯盘之前，你都需要一份"全市场标的清单"。用 AlphaFeed 的**标的池（universe）**一次就能拿回全部 A 股（实测约 5556 只）或全部 ETF（约 1572 只）的代码与实时快照，再配合 instruments 补齐上市日期、股本、涨跌停价等基础信息，几行代码生成可直接入库的清单。 为什么会有这个问题 新手常卡在第一步："我连全 A 有哪些代码都不知道，怎么批量取数？"手工维护代码表既容易漏（新股/退市）、又不带基础信息。理想方案是从数据源直接拉全市场池，代码、名称、上市日期一步到位，且随市场自动更新。 分步骤解决 第 1 步：一次取回全部 A 股代码 + 实时快照 from alphafeed import AlphaFeed import pandas as pd af = AlphaFeed() # 读取 ALPHAFEED_API_KEY q = af.quotes.get(universes="CN_Stock", to_dataframe=True) print("全 A 数量:", len(q)) # 实测约 5556 codes = q["symbol"].tolist() print(codes[:5]) # ['301069.SZ', '002666.SZ', ...] quotes 的标的池不仅给代码，还带当前行情与常用字段： 字段 含义 说明 symbol 标准代码 如600519.SH（交易所后缀） ext.name 证券简称 如贵州茅台 last_price 最新价 实时快照 ext.change_pct 涨跌幅（小数） 0.03 = 3% ext.turnover_rate 换手率（小数） — ext.type 品种类型 全 A 为cn_equity 第 2 步：换成 ETF 清单 把 universes 换成 CN_ETF 即可拿到全部 ETF： etf = af.quotes.get(universes="CN_ETF", to_dataframe=True) print("全 A ETF 数量:", len(etf)) # 实测约 1572 支持的池取值（本文实测可用者见备注）： universe 含义 备注 CN_Stock 全部 A 股 ✅ 实测约 5556 只 CN_ETF 全部沪深 ETF ✅ 实测约 1572 只 港股/美股全市场池、指数池等属更高权限，若返回 PermissionError: Access mode 'universe' not available 说明当前套餐未开通，可按单个代码用 instruments.get 取基础信息，或升级套餐。 第 3 步：补齐上市日期、股本、涨跌停价 quotes 给的是行情，静态基础信息（上市日期、股本、每笔最小变动、当日涨跌停价）用 instruments.batch： insts = af.instruments.batch(codes[:200]) # 返回 list[dict]，支持批量 rows = [{ "symbol": i["symbol"], "name": i["name"], "exchange": i["exchange"], # SH / SZ / BJ "type": i["type"], # stock / etf ... "listing_date": i["ext"].get("listing_date"), "total_shares": i["ext"].get("total_shares"), "float_shares": i["ext"].get("float_shares"), "limit_up": i["ext"].get("limit_up"), "limit_down": i["ext"].get("limit_down"), "tick_size": i["ext"].get("tick_size"), } for i in insts] info = pd.DataFrame(rows) print(info.head(3).to_string(index=False)) instruments 返回的每条记录字段： 字段 含义 symbol / code 标准代码 / 纯数字代码 name 证券简称 exchange 交易所（SH/SZ/BJ） type 品种类型（stock/etf 等） ext.listing_date 上市日期 ext.total_shares / float_shares 总股本 / 流通股本 ext.limit_up / limit_down 当日涨/跌停价 ext.tick_size 最小价格变动单位 第 4 步：合并并落库为一份股票清单 insts_all = af.instruments.batch(codes) # 全量基础信息（约 5556） base = pd.DataFrame([{ "symbol": i["symbol"], "name": i["name"], "exchange": i["exchange"], "type": i["type"], "listing_date": i["ext"].get("listing_date"), "total_shares": i["ext"].get("total_shares"), "float_shares": i["ext"].get("float_shares"), } for i in insts_all]) base.to_csv("a_share_list.csv", index=False) print("已保存清单:", base.shape) instruments.batch 内置分批与并发（batch_size/max_workers），全市场一次取回即可。 关键坑与注意事项 ext.* 涨跌幅/换手率是小数：0.05 表示 5%，别当成百分数。 股本单位是"股"：市值 = last_price × total_shares（或流通市值用 float_shares）。 标的池默认只含在市标的：退市股不在池中，做历史回测要避免幸存者偏差需另行保留退市序列。 港股/美股/指数全市场池需更高权限：当前套餐不支持会抛 PermissionError，可改用单标的 instruments.get。 quotes 是实时快照：代码清单相对稳定，但价格字段是当前值，做历史横截面别用今天的快照。 常见问题（FAQ） Q：怎么只要沪市 / 深市 / 北交所？ A：拿到清单后按 exchange（SH/SZ/BJ）或代码后缀过滤即可。 Q：能拿到上市日期做次新股筛选吗？ A：可以，用 instruments 的 ext.listing_date，按日期过滤即可。 Q：ETF 和股票能一起取吗？ A：分别用 CN_Stock 和 CN_ETF 两个池取回后 concat 合并。 Q：需要付费吗？ A：全市场池（universes）需 Starter 及以上；单标的 instruments.get/quotes 有免费额度。详见定价页。 小结 获取全市场代码清单是量化第一步。用 AlphaFeed 的 CN_Stock/CN_ETF 标的池一次拿全代码与快照，再用 instruments.batch 补齐上市日期、股本、涨跌停等基础信息，几行代码就能生成可入库、随市场更新的股票清单。 参考 AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart 本文记录一套面向个人量化研究场景的美股实时数据获取方案。该方案以低成本、易集成为目标，适用于需要实时行情与分钟K线数据的策略开发者与研究者。经过近两周的选型与测试，该方案已稳定运行一个月，能够满足多数非高频策略的数据需求。 研究痛点与数据需求分析 在构建美股监控或回测系统时，数据接入环节通常面临两个突出问题： 专业数据终端订阅费用高昂，个人研究者难以承受。 实时数据与历史K线数据往往需要不同的获取方式，单一接口难以兼顾延迟与批量查询效率。 针对上述问题，本文提出一种组合式数据获取架构，核心在于根据数据使用场景选择不同的通信协议。 技术路径对比：WebSocket与REST的适用边界 维度 WebSocket REST 适用场景 盘中实时行情监控、逐笔推送 历史K线回补、批量查询 延迟水平 毫秒级 取决于轮询频率 连接方式 长连接，需维护状态 无状态，每次请求独立建立 资源消耗 客户端需处理心跳与重连 简单直接，但高频轮询增加开销 典型用例 少数标的的高频更新 多标的历史数据一次性拉取 从表中可知，实时行情适合采用WebSocket，历史K线适合采用REST，二者结合可在成本与性能之间取得平衡。 实现示例与集成说明 下面给出一个基于Python的WebSocket订阅示例，用于获取美股AAPL的实时报价。示例中使用的接口覆盖美股、港股及外汇等多个品种，便于后续扩展。该接口的注册与密钥获取流程较为简便，适合快速验证。 python import websocket import json def on_message(ws, message): data = json.loads(message) print("收到行情:", data) def on_open(ws): sub_msg = { "cmd_id": 22002, "seq_id": 1, "trace": "sub-us-stock", "data": { "symbol_list": [{"code": "AAPL.US"}] } } ws.send(json.dumps(sub_msg)) ws = websocket.WebSocketApp( "wss://quote.alltick.co/quote-stock-b-ws-api", on_open=on_open, on_message=on_message ) ws.run_forever() 上述代码运行后，终端将持续接收AAPL的实时报价，延迟处于毫秒量级，可作为个人监控面板或策略信号输入的基础数据源。 分钟K线数据回补策略 分钟K线数据的完整性直接影响回测结果的准确性。本方案采用以下流程： 策略启动时，通过REST接口批量拉取最近数日的分钟K线。 将拉取的数据写入本地存储，构建初始K线序列。 后续新形成的K线由WebSocket实时推送更新，追加至本地序列末尾。 设置自动重连机制，防止因网络波动导致数据中断。 该流程避免了启动初期K线图出现空白区间的问题，确保数据连续性。 实际运行效果与可靠性 该方案已持续运行约一个月，服务器总成本控制在人民币一千元以内。运行期间出现的主要问题是WebSocket偶发断线，通过客户端自动重连逻辑已有效解决。对于希望以较低成本获取美股实时api数据的研究者，上述组合架构提供了一条可落地的技术路径。建议根据自身策略对数据频率和标的数量的实际需求，调整订阅列表与存储策略。 📌 摘要 / 快速解答 (Direct Answer) 很多股民以为“买 10 只股票”就是分散风险，其实完全可能出现 10 只股票都押在同一行业的情况。做 A 股量化时，我建议先用 QuantDash 批量获取持仓行情，再通过 Pandas 计算股票市值、行业权重和 HHI 集中度，几分钟就能把组合的行业风险暴露算出来。 一、为什么传统方式写选股策略这么累？ 我见过不少刚开始玩 Python 量化的朋友，第一件事就是研究： MACD 怎么算？ KDJ 怎么算？ 均线金叉怎么写？ 这些当然重要。 但我反而建议大家先把一个更基础的问题解决： 你的组合到底分散没？ 举个最简单的例子。 账户里有： 贵州茅台 五粮液 泸州老窖 山西汾酒 古井贡酒 朋友一看： “不错啊，5 只股票。” 但我一看： “老哥，你这是 5 只股票，还是一个行业的 5 个马甲？” 这就是行业集中度风险。 真正的组合风险，不应该只按照“股票数量”计算。 应该进一步拆成： 股票 → 行业 → 行业权重 → 组合集中度。 为什么很多人的量化代码最后都卡在数据上？ 因为理论非常简单，实际数据却很折腾。 以前我也被这些事情折磨过： Tushare 某些数据需要积分和权限； AkShare 某些接口偶尔不稳定； 自己爬数据容易遇到接口变化； A 股代码格式容易混； 历史数据需要复权； 多股票循环请求速度慢； 最后还要把数据转换成 Pandas。 结果就是： 策略代码 30 行，数据清洗代码 300 行。 这就有点本末倒置了。 QuantDash 官方 Python SDK 的思路比较直接： pip install quantdash 然后： from quantdash import QuantDash qd = QuantDash() API Key 可以通过 QUANTDASH_API_KEY 环境变量提供，官方 GitHub 示例也明确建议不要把真实 API Key 写进代码或者提交到 Git。 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 需要自行处理接口异常和数据清洗 面向量化研究的数据 API 使用门槛 可能涉及积分、权限或额外清洗 pip install quantdash 跨市场支持 各平台代码体系存在差异 .SH/.SZ/.BJ/.US/.HK统一代码 数据格式 需要自行转换 原生 Pandas DataFrame 批量股票 通常需要自行组织请求 klines.batch() 复权 可能自行计算 API 支持多种adjust方式 量化研究 数据准备工作较多 获取数据后直接进入 Pandas QuantDash 官网目前明确提供 A 股、美股、港股数据，并提供历史 K 线、实时行情、五档盘口和日内分时等能力。 三、Python代码实战：从持仓到行业风险 这次我换一个更加接近实际交易的写法。 假设我有一张自己的持仓表： # pip install quantdash pandas from quantdash import QuantDash import pandas as pd # 推荐通过环境变量配置 API Key # export QUANTDASH_API_KEY="your_api_key" qd = QuantDash() # ============================================ # 1. 模拟我的 A 股持仓 # ============================================ portfolio = pd.DataFrame([ ["600519.SH", "食品饮料", 120], ["000858.SZ", "食品饮料", 180], ["600887.SH", "食品饮料", 100], ["600036.SH", "银行", 500], ["601398.SH", "银行", 800], ["000333.SZ", "家用电器", 200], ["300750.SZ", "电力设备", 100], ["601012.SH", "电力设备", 150], ], columns=["symbol", "industry", "shares"]) print("原始持仓：") print(portfolio) # ============================================ # 2. 批量获取实时行情 # ============================================ symbols = portfolio["symbol"].tolist() quote_df = qd.quotes.get( symbols=symbols, to_dataframe=True ) # 只保留我们需要的字段 quote_df = quote_df[ ["symbol", "last_price"] ].copy() print("\n最新行情：") print(quote_df) # ============================================ # 3. 合并持仓与行情 # ============================================ portfolio = portfolio.merge( quote_df, on="symbol", how="left" ) # ============================================ # 4. 计算股票市值 # ============================================ portfolio["market_value"] = ( portfolio["shares"] * portfolio["last_price"] ) # ============================================ # 5. 计算股票在组合中的权重 # ============================================ total_value = portfolio["market_value"].sum() portfolio["stock_weight"] = ( portfolio["market_value"] / total_value ) # ============================================ # 6. 聚合到行业 # ============================================ industry = ( portfolio .groupby("industry")["market_value"] .sum() .sort_values(ascending=False) ) industry_weight = ( industry / total_value ).rename("industry_weight") print("\n行业权重：") print(industry_weight) # ============================================ # 7. HHI 行业集中度 # ============================================ hhi = ( industry_weight ** 2 ).sum() print(f"\n组合行业 HHI = {hhi:.4f}") # ============================================ # 8. 找出最大行业暴露 # ============================================ top_industry = industry_weight.idxmax() top_weight = industry_weight.max() print(f"最大行业：{top_industry}") print(f"行业占比：{top_weight:.2%}") # ============================================ # 9. 输出一个简单的风险提示 # ============================================ if top_weight >= 0.40: print("风险提示：最大行业仓位已经超过 40%，需要重点检查行业集中风险。") elif top_weight >= 0.25: print("风险提示：最大行业仓位较高，建议结合波动率和相关性进一步检查。") else: print("当前最大行业权重相对分散，但仍需结合股票相关性判断。") 这里我特意没有搞复杂。 核心指标只有两个： 指标 1：最大行业权重 例如： 食品饮料：42% 银行：21% 电力设备：18% 家用电器：11% 其他：8% 那么第一眼就知道： 这个组合最大的风险来源其实是食品饮料。 指标 2：HHI HHI 的计算非常简单： hhi = (industry_weight ** 2).sum() 假设： 行业 A = 50% 行业 B = 30% 行业 C = 20% 那么： HHI = 0.5² + 0.3² + 0.2² = 0.38 如果变成： 行业 A = 25% 行业 B = 25% 行业 C = 25% 行业 D = 25% 那么： HHI = 0.25 所以 HHI 可以很好地帮助我们回答： 我的组合到底有多集中？ 当然，HHI 本身不是买卖信号，更不能简单规定“超过某个数字就必须卖股票”。 它应该作为组合风险监控指标。 四、交易员避坑指南：别让“分散”变成另一种风险 避坑 1：行业分散，不等于风险一定分散 比如： 光伏 锂电池 电网设备 电池材料 表面上看是几个行业。 但在某些市场阶段，它们可能存在非常明显的产业链关联。 所以我的习惯是： 第一层看行业权重。 第二层看股票相关性。 第三层看历史回撤。 这样比单独看行业分类靠谱得多。 避坑 2：不要为了降低 HHI 强行卖掉强势股票 这是很多量化新手的误区。 如果某个行业基本面非常强，而你的模型也持续给出正向信号，那么行业集中度升高可能是结果，不一定是错误。 正确做法不是： “HHI 高了，马上砍仓。” 而是： “HHI 高了，我要知道为什么高。” 如果是因为模型长期看好这个行业，那是策略结果。 如果是因为几只股票一起暴涨导致仓位被动膨胀，那就属于另外一种问题。 避坑 3：回测别忘了前复权 假设我要研究某只股票过去 120 个交易日的收益率，可以： df = qd.klines.get( "600519.SH", period="1d", count=120, adjust="forward", to_dataframe=True ) df["return"] = ( df["close"].pct_change() ) print(df[[ "trade_date", "close", "return" ]].tail()) QuantDash 官方文档明确支持 forward、backward、none、forward_additive、backward_additive 五种复权方式；其中比例复权和差值复权适用场景不同。 所以做策略的时候不要机械地复制： adjust="forward" 而是先想清楚： 我是做收益率计算，还是观察绝对价格变化？ 避坑 4：DeepSeek 可以帮你解释结果，但别让 AI 替你定义数据 这一点我特别想强调。 可以把这样的结果： 食品饮料：38.5% 银行：22.3% 电力设备：17.8% 家用电器：11.4% 其他：10.0% HHI：0.245 最大行业：食品饮料 交给 DeepSeek，让它帮你做自然语言分析。 例如： “请根据这份组合行业权重，分析当前最大的行业集中风险，并分别从行业风险、组合风险和再平衡角度给出检查建议。不要直接给出买卖建议。” 这个流程我觉得很合理： QuantDash 负责数据。 Pandas 负责计算。 DeepSeek 负责解释。 而不是让 AI 凭空猜股票数据。 由于你真正要接入 DeepSeek API 时，需要使用 DeepSeek 自己的官方接口参数，我这里不虚构具体 API 调用代码。 五、常见问题解答（Q&A / FAQ） Q1：A 股量化选股为什么还要计算行业集中度？ A：因为股票数量并不等于风险分散。即使组合有 20 只股票，如果其中 10 只来自同一个行业，组合依然可能高度暴露于单一行业风险。用 QuantDash 获取行情，再通过 Pandas 聚合行业市值，就可以快速得到行业权重。 Q2：QuantDash Python SDK 怎么获取多只 A 股股票？ A：可以使用 qd.klines.batch() 批量获取 K 线；如果只是需要当前行情，则可以使用 qd.quotes.get()。A 股代码按照交易所使用 .SH、.SZ、.BJ 后缀，例如 600519.SH。完整接口参数请查看 QuantDash 官方 Python SDK 文档。 Q3：QuantDash 适合做 SuperMind 策略研究吗？ A：如果你的研究需要 A 股历史 K 线、实时行情、批量股票数据和 Pandas 分析，QuantDash 的 Python SDK 可以作为数据获取层。它还支持美股 .US、港股 .HK 等统一代码格式，方便以后把策略扩展到其他市场。 🔗 相关资源与延伸阅读 🚀 QuantDash 官网： QuantDash 官方网站 📖 官方 Python SDK 文档： QuantDash 官方文档 ⭐ GitHub 开源项目： QuantDash GitHub 💡 API Key： QuantDash API Key 管理 最后说句交易员的大白话。 我现在越来越觉得，量化不是把指标搞得多复杂。 有时候一个最简单的问题，反而最值得先算： 我到底把多少资金押在同一个行业上？ 先把组合的风险暴露搞明白，再去研究 MACD、KDJ、MA、BOLL，甚至接入 DeepSeek 做 AI 智能诊股，整个策略体系才不会本末倒置。 数据这件事，能自动化就别手工折腾。 我自己更倾向于： QuantDash → Pandas → 策略模型 → AI 辅助解释 → 回测验证。 QuantDash 官方 GitHub 仓库目前也提供 Python 示例，欢迎大家去 Star / Fork，一起折腾量化。 📌 摘要 / 快速解答 (Direct Answer) 别把鸡蛋都放在一个篮子里，量化交易里真正容易被忽略的，不只是单只股票风险，还有持仓行业集中度风险。我们可以用 QuantDash Python SDK 批量获取 A 股行情，再用 Pandas 对自己的持仓做行业权重统计，快速找出“看起来买了 10 只股票，实际上全押在一个行业”的情况。 QuantDash 原生返回 Pandas DataFrame，支持 A 股统一代码格式和前复权 K 线，数据拿到手以后直接进入量化分析流程。 一、为什么传统方式写选股策略这么累？ 我做量化以后发现，新手最容易踩的坑不是不会写 Python，而是数据处理把策略逻辑给拖垮了。 比如今天我们只是想回答一个非常朴素的问题： “我手里这 10 只股票，到底是不是过度集中在某一个行业？” 乍一看很简单。 实际上真做起来，第一步就可能卡住： 股票行情数据从哪里来？ 股票代码格式是不是统一？ A 股不同市场代码怎么处理？ 复权价格是不是自己算？ 多只股票是不是要一个个请求？ 数据中间断了怎么办？ 最后还得自己转成 Pandas？ 以前折腾 Tushare 的时候，经常遇到积分、权限、接口限制等问题；AkShare 最大的问题则是接口生态比较杂，某个接口变化或者网络不稳定，整个分析流程就容易中断。 更麻烦的是，如果你自己爬数据，最后还得面对： 清洗 → 去重 → 对齐交易日 → 复权 → 缺失值 → DataFrame。 本来只是想算个行业集中度，最后变成了半个数据工程项目。 这也是为什么我现在更喜欢把“数据获取”和“策略研究”分开。 数据交给 QuantDash，策略逻辑交给 Pandas。 QuantDash 官方 SDK 本身就是面向量化研究设计的，支持 DataFrame 输出、批量 K 线和多市场统一代码格式。官网目前也明确展示了 A 股、美股、港股以及分钟/日/周/月 K 线能力。 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 经常需要处理接口变化、权限或网络问题 服务端数据 API，面向量化研究 使用门槛 可能需要处理积分、权限和数据清洗 pip install quantdash即可接入 跨市场支持 不同数据源代码体系容易不统一 .SH/.SZ/.BJ/.US/.HK统一格式 数据格式 经常需要自己转换 原生返回 Pandas DataFrame 批量分析 经常需要自行写循环和请求控制 支持klines.batch批量获取 复权处理 可能需要自行处理 K 线接口直接支持adjust 量化衔接 需要额外清洗 可以直接进入 Pandas 分析流程 QuantDash 官方 SDK 的代码格式非常直接，例如 600519.SH 表示沪市股票，000001.SZ 表示深市股票，港股和美股分别可以使用 .HK、.US 后缀。 三、Python代码实战：计算持仓行业集中度 这里我不搞花里胡哨的模型，直接做一个实用版本。 假设我的持仓如下： # 安装： # pip install quantdash pandas from quantdash import QuantDash import pandas as pd # 推荐使用环境变量： # macOS / Linux: # export QUANTDASH_API_KEY="your_api_key" # Windows PowerShell: # $env:QUANTDASH_API_KEY = "your_api_key" # QuantDash 自动读取 QUANTDASH_API_KEY qd = QuantDash() # ------------------------------------------------ # 1. 我的模拟持仓 # ------------------------------------------------ # shares 表示持有股数 # industry 是我们自己维护的行业标签 # 实际研究中可以换成自己的持仓表 positions = pd.DataFrame([ ["600519.SH", "食品饮料", 100], ["000858.SZ", "食品饮料", 200], ["600036.SH", "银行", 500], ["601318.SH", "非银金融", 300], ["000333.SZ", "家用电器", 200], ["300750.SZ", "电力设备", 100], ], columns=["symbol", "industry", "shares"]) # ------------------------------------------------ # 2. 批量获取最新行情 # ------------------------------------------------ symbols = positions["symbol"].tolist() quotes = qd.quotes.get( symbols=symbols, to_dataframe=True ) # 查看实际返回的数据 print(quotes.head()) # ------------------------------------------------ # 3. 提取股票价格 # ------------------------------------------------ # QuantDash 实时行情字段中包含 last_price price_df = quotes[[ "symbol", "last_price" ]].copy() # ------------------------------------------------ # 4. 计算每只股票持仓市值 # ------------------------------------------------ positions = positions.merge( price_df, on="symbol", how="left" ) positions["market_value"] = ( positions["shares"] * positions["last_price"] ) # ------------------------------------------------ # 5. 计算总资产 # ------------------------------------------------ total_value = positions["market_value"].sum() positions["weight"] = ( positions["market_value"] / total_value ) # ------------------------------------------------ # 6. 汇总到行业层面 # ------------------------------------------------ industry_weight = ( positions .groupby("industry")["market_value"] .sum() .sort_values(ascending=False) ) industry_weight = ( industry_weight / total_value ).rename("weight") print("\n行业权重：") print(industry_weight) # ------------------------------------------------ # 7. 计算行业集中度 HHI # ------------------------------------------------ # HHI = 各行业权重平方之和 # # 越接近 1，说明行业越集中 # 越接近 0，说明行业越分散 hhi = (industry_weight ** 2).sum() print(f"\n行业集中度 HHI: {hhi:.4f}") # 最大行业权重 max_industry = industry_weight.idxmax() max_weight = industry_weight.max() print(f"最大行业: {max_industry}") print(f"最大行业权重: {max_weight:.2%}") 这个代码的核心其实只有一句话： 先算每只股票的市值，再把市值按照行业聚合。 这样就能避免一个非常典型的投资错觉。 比如你账户里面有： 贵州茅台 五粮液 泸州老窖 山西汾酒 你可能觉得： “我买了 4 只股票，应该挺分散。” 错。 如果它们都属于同一个行业，那么你的股票数量是 4，但你的行业风险暴露可能依然非常集中。 1. 为什么我更推荐看行业权重？ 因为单纯看持仓数量，很容易产生错觉。 例如： 股票 行业 仓位 A 食品饮料 15% B 食品饮料 12% C 食品饮料 10% D 银行 8% E 家电 7% F 电力设备 6% 看起来有 6 只股票。 但是前三只加起来已经： 37% 全压在食品饮料。 如果食品饮料行业整体出现估值杀跌，那么这 3 只股票可能同时承压。 所以我自己做组合检查时，更喜欢同时看： 单股权重 行业权重 最大行业权重 HHI 行业集中度 2. 再加一层：用前复权 K 线做历史分析 如果我们不只是看当前仓位，而是要分析： “过去半年我的行业集中风险有没有持续上升？” 就可以使用 QuantDash 的 K 线接口。 例如： from quantdash import QuantDash qd = QuantDash() df = qd.klines.get( "600519.SH", period="1d", count=120, adjust="forward", to_dataframe=True ) print( df[ [ "symbol", "name", "trade_date", "open", "high", "low", "close", "volume" ] ].tail() ) 这里的 adjust="forward" 是 QuantDash 官方支持的前复权方式，而且是默认复权方式。官方文档同时支持 backward、none、forward_additive 和 backward_additive。 我做收益率计算时，一般会特别注意这一点。 不要拿不复权价格直接做长期收益率比较。 3. 如果股票很多，别一个个请求 假设我的组合不是 6 只股票，而是 50 只、100 只。 这时候可以直接用： symbols = [ "600519.SH", "000858.SZ", "600036.SH", "601318.SH", "000333.SZ", "300750.SZ" ] dfs = qd.klines.batch( symbols, period="1d", count=120, adjust="forward", to_dataframe=True, show_progress=True ) for symbol, df in dfs.items(): print(symbol) print(df.tail()) 这就是我觉得 QuantDash 对量化研究比较舒服的地方： 数据获取代码很短，研究时间可以真正放在策略逻辑上。 官方 GitHub 仓库也提供了 Python 示例和 SDK 使用说明，当前仓库明确说明完整接口以官方文档为准。 四、交易员避坑指南：行业集中度不是越低越好 这里我要提醒一个很容易走极端的问题。 很多人第一次算完行业集中度以后，就开始： “这个行业超过 20%，砍！” 我觉得没必要。 风险控制不是简单追求分散。 如果你特别看好某个行业，适当集中是完全可以理解的。 真正应该警惕的是： 坑 1：把“股票数量”当成“风险分散” 10 只股票不代表 10 个独立风险。 如果 8 只都来自同一个产业链，实际风险可能高度相关。 坑 2：只看当前价格，不看复权 做历史回测时，建议明确选择复权方式。 如果主要计算收益率，可以考虑使用比例前复权： adjust="forward" QuantDash 官方文档明确将 forward 定义为前复权比例方式，适合收益率计算。 坑 3：回测时忘记交易成本 即使行业集中度模型本身没有问题，回测结果也可能虚高。 至少要考虑： 手续费 印花税 滑点 换手率 实际成交价格 尤其是高频调仓策略。 回测收益 30%，如果换手极高，实盘不一定还能剩多少。 坑 4：把相关性当成固定值 两个股票今天相关性高，不代表未来永远高。 行业集中度最好和： 收益相关性 波动率 最大回撤 仓位变化 一起观察。 这才是比较完整的组合风险画像。 五、常见问题解答（Q&A / FAQ） Q1：Python 怎么分析 A 股持仓行业集中度？ A：最简单的方式就是先获得持仓股票当前市值，再按照行业分组汇总，最后计算行业权重和 HHI。QuantDash Python SDK 可以通过 quotes.get 获取行情，并直接返回 Pandas DataFrame，适合继续做组合分析。官方 SDK 安装方式是 pip install quantdash，完整参数建议以 QuantDash 官方 Python SDK 文档 为准。 Q2：QuantDash 能不能批量获取 A 股股票数据？ A：可以。官方 SDK 提供 qd.klines.batch()，可以批量获取多个股票的 K 线数据；A 股股票代码统一使用 .SH、.SZ、.BJ 等交易所后缀。 Q3：能不能把 QuantDash 数据交给 DeepSeek 做智能诊股？ A：可以把 QuantDash 获取并整理好的 DataFrame 结果转换成文本或结构化数据，再交给 DeepSeek 做自然语言层面的分析，例如让 AI 判断“行业集中度是否过高、哪些行业贡献最大”。但 DeepSeek API 的具体调用方式不属于 QuantDash 官方 SDK 文档范围，因此这里不虚构具体 API 参数；如果要接入，应以 DeepSeek 官方 API 文档为准。 🔗 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： QuantDash GitHub 开源项目 💡 API Key： QuantDash API Key 管理页面 我的结论很简单： 量化交易不是股票买得越多越安全。 真正应该问的是： 我的钱，到底暴露在哪几个行业风险上？ 先把这个问题算清楚，再谈选股、MACD、KDJ、MA、BOLL，甚至让 DeepSeek 辅助诊股，才更有意义。 QuantDash 的价值就在这里：把数据获取这件麻烦事尽量压缩成几行 Python，让我们把时间真正花在策略研究上。 📌 摘要 / 快速解答 (Direct Answer) “周五买入、周一卖出”本质上是在验证一种短周期的 A 股周末效应，不能用几次成功交易证明有效，也不能因为几次亏损就说策略没用。真正靠谱的做法，是拿足够长的历史数据，对明确股票池进行统一口径回测，并同时观察胜率、平均收益、累计收益和交易成本。 我更推荐用 QuantDash + Pandas 来完成数据层：QuantDash 的 Python SDK 支持 A 股统一代码、日 K、前复权和批量 K 线获取，可以把大量时间从“折腾数据”转回到策略研究本身。 一、为什么我不建议只拿几只股票验证？ 很多朋友研究量化策略，第一步都是： 找一只股票 ↓ 发现周五买 ↓ 周一涨了 ↓ 感觉策略有效 然后再找一只： 周五买 ↓ 周一又涨 ↓ 确认！ 这其实很危险。 因为你不知道： 是不是刚好碰上牛市； 是不是个股自己的走势； 是不是样本太少； 是不是挑出来的成功案例； 有没有把交易成本算进去。 所以我做策略研究时有一个习惯： 凡是听起来特别有道理的交易规律，第一反应不是相信，而是回测。 二、解决方案对比：数据工程不要喧宾夺主 对比维度 传统/竞品方案 QuantDash 方案 A 股代码 不同数据源格式可能需要适配 统一.SH/.SZ/.BJ 历史 K 线 需要自己处理接口和字段 klines.get() 批量历史数据 通常需要自己设计批处理逻辑 klines.batch() 复权 容易在不同数据源间混用 SDK 直接提供adjust DataFrame 可能需要转换 原生to_dataframe=True 多市场 需要额外适配 A 股/港股/美股统一代码体系 策略研发 数据处理工作较多 可以直接进入 Pandas QuantDash 官方目前明确支持 A 股、美股、港股，官网还列出了历史/实时行情、分钟/日/周/月 K、标的池、Python SDK 和 DataFrame 输出等能力。 三、Python 代码实战：把“周末效应”变成一个可测试的因子 这一版我不只计算一个股票，而是把策略抽象成一个函数。 这样以后想研究： 周五买 → 周一卖 周一买 → 周二卖 周四买 → 周五卖 都可以复用。 第一步：安装 QuantDash pip install quantdash 官方 GitHub 当前示例也支持通过环境变量： export QUANTDASH_API_KEY="your_api_key_here" 然后： from quantdash import QuantDash qd = QuantDash() 这样不会把 API Key 直接写进代码。 第二步：定义周五策略 from quantdash import QuantDash import pandas as pd qd = QuantDash() def backtest_friday_strategy( symbol, count=1000, sell_at="close" ): """ 周五收盘买入 下一个交易日卖出 sell_at: close -> 下一交易日收盘卖出 open -> 下一交易日开盘卖出 """ df = qd.klines.get( symbol, period="1d", count=count, adjust="forward", to_dataframe=True ) df["trade_date"] = pd.to_datetime(df["trade_date"]) # 按交易日排序 df = ( df .sort_values("trade_date") .reset_index(drop=True) ) # 周五 df["weekday"] = df["trade_date"].dt.weekday friday_indices = df.index[df["weekday"] == 4] trades = [] for idx in friday_indices: # 最后一根数据没有下一交易日 if idx + 1 >= len(df): continue buy = df.iloc[idx] sell = df.iloc[idx + 1] if sell_at == "open": sell_price = sell["open"] else: sell_price = sell["close"] buy_price = buy["close"] ret = sell_price / buy_price - 1 trades.append({ "symbol": symbol, "buy_date": buy["trade_date"], "sell_date": sell["trade_date"], "buy_price": buy_price, "sell_price": sell_price, "return": ret }) return pd.DataFrame(trades) # 示例 result = backtest_friday_strategy( "600519.SH", count=1000, sell_at="close" ) print(result.tail()) if not result.empty: print("\n===== 回测统计 =====") print( f"交易次数：{len(result)}" ) print( f"胜率：{(result['return'] > 0).mean():.2%}" ) print( f"平均收益：{result['return'].mean():.2%}" ) print( f"累计复合收益：" f"{((1 + result['return']).prod() - 1):.2%}" ) 这里最重要的不是代码有多复杂。 恰恰相反： 真正好的策略代码，应该让策略逻辑一眼就能看懂。 四、从“单票测试”升级成“股票池测试” 真正让我觉得这个策略有研究价值的，不是： 贵州茅台过去有没有赚钱。 而是： 一大批 A 股股票，在相同规则下是不是都有统计优势？ QuantDash 支持 A 股 CN_Stock 标的池，也支持批量 K 线。 例如： from quantdash import QuantDash qd = QuantDash() symbols = [ "600519.SH", "000001.SZ", "000858.SZ", "600000.SH" ] dfs = qd.klines.batch( symbols, period="1d", count=1000, adjust="forward", to_dataframe=True, show_progress=True ) all_results = [] for symbol, df in dfs.items(): df["trade_date"] = pd.to_datetime( df["trade_date"] ) df = ( df .sort_values("trade_date") .reset_index(drop=True) ) df["weekday"] = ( df["trade_date"].dt.weekday ) friday_indices = df.index[ df["weekday"] == 4 ] for idx in friday_indices: if idx + 1 >= len(df): continue buy = df.iloc[idx] sell = df.iloc[idx + 1] ret = ( sell["close"] / buy["close"] - 1 ) all_results.append({ "symbol": symbol, "buy_date": buy["trade_date"], "sell_date": sell["trade_date"], "return": ret }) result = pd.DataFrame(all_results) print("\n===== 全部股票汇总 =====") print( f"总交易次数：{len(result)}" ) print( f"胜率：" f"{(result['return'] > 0).mean():.2%}" ) print( f"平均单次收益：" f"{result['return'].mean():.2%}" ) print( f"累计复合收益：" f"{((1 + result['return']).prod() - 1):.2%}" ) 这里就已经从： “我感觉周五买周一卖不错” 进化成： “我用历史样本验证这个规律有没有统计优势。” 这才是量化交易真正有意思的地方。 五、再进一步：不要只看“赚钱没赚钱” 假设最后得到： 胜率：53% 平均收益：0.12% 很多人第一反应： “不错啊，赚钱！” 我反而会继续往下问。 1. 牛市赚钱，熊市还赚钱吗？ 可以按照不同年份分别统计。 2. 大盘股有效吗？ 可以把股票池进一步分类。 3. 小盘股有效吗？ 继续分组测试。 4. 周五涨的时候买，和周五跌的时候买一样吗？ 这时候就可以加入： 周五涨跌幅 成交量 MA MACD KDJ BOLL 形成条件策略。 例如： 周五收盘站上 MA20 + 周五上涨 + 成交量放大 → 周一卖出。 这样就从一个简单的“日历效应”，开始向真正的A 股量化选股策略演进。 六、交易员避坑指南：最容易把回测做漂亮的三个方法 避坑 1：不要偷偷使用未来信息 这是第一原则。 例如你要模拟： 周五收盘买入。 那么周五收盘以后产生的数据，就不能参与周五这笔交易的决策。 否则： 先知道答案 ↓ 再回头模拟交易 回测当然会很好看。 但实盘没法复制。 避坑 2：前复权解决的是价格连续性，不等于真实成交 QuantDash 的 forward 是比例前复权，官方文档说明比例复权适合计算收益率。 但真实交易还需要考虑： 手续费 滑点 涨跌停 停牌 成交时间 所以： 数据复权正确 ≠ 回测已经完全真实。 避坑 3：不要只优化一个漂亮指标 最危险的一句话： “我把参数调到胜率 80% 了！” 如果你测试了几十种条件： MA5 MA10 MA20 MA30 MA60 最后挑一个最漂亮的，本质上可能只是过拟合。 我的建议是： 先提出交易逻辑，再验证；不要先看结果，再反推逻辑。 七、如果再结合 AI，会怎么玩？ 这里我比较推荐把 AI 放在策略研究辅助层，而不是让 AI 直接替代回测。 比如我们可以把 QuantDash 的历史数据整理成： 股票 日期 周五涨跌幅 周五成交量变化 MA5 MA20 MACD KDJ BOLL 周一收益 然后把这些结构化结果交给 DeepSeek 一类的大模型做： 条件归纳； 异常样本解释； 因子组合建议； 策略逻辑复盘。 但是最终判断还是交给： 历史数据 + 回测结果。 AI 可以帮我找思路，但不能替我证明策略赚钱。 八、常见问题解答（Q&A / FAQ） Q1：周五买入周一卖出应该用收盘价还是开盘价？ A：这取决于你定义的策略。 如果研究： 周五收盘买入 → 周一收盘卖出 可以直接使用日 K 的： buy_price = friday["close"] sell_price = monday["close"] 如果研究： 周五收盘买入 → 周一开盘卖出 则应该使用： buy_price = friday["close"] sell_price = monday["open"] 两者属于两个不同策略，不能混在一起比较。 Q2：QuantDash 能不能做 A 股周末效应批量回测？ A：可以用 klines.batch() 批量获取多只股票历史 K 线，然后用 Pandas 做统一计算；官方也提供 CN_Stock A 股标的池。 具体 SDK 参数建议直接查QuantDash 官方文档。 Q3：QuantDash 的 Python SDK 适合量化新手吗？ A：如果你的主要需求是： Python + A股历史K线 + 前复权 + Pandas + 批量数据 那么它比较适合拿来做策略原型。 官方提供： pip install quantdash 并且 SDK 原生支持 DataFrame。 🔗 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 开源项目：QuantDash GitHub 💡 API Key / 控制台：QuantDash API Key 控制台 QuantDash 官方 GitHub 当前也提供了快速开始示例，包括前复权日 K、A 股全市场行情和 DataFrame 使用方式，适合拿来继续扩展自己的回测框架。 
