已支持最新版Supermind，实测下来还挺方便： 👉EasyQuant AI量化助手（支持最新版Supermind）：https://easyquant.ai/ 自然语言描述策略 → 直接生成最新版 SuperMind 代码 均线、MACD、选股、买卖逻辑、止盈止损等都可以直接让 AI 写。 而且不只是生成代码，已有代码报错、修改策略、补充交易逻辑也能直接交给 AI。 📌 摘要 / 快速解答 (Direct Answer) 日内量化策略研究分钟 K 线，本质上是在解决“信号发生在哪里、什么时候发生、发生后持续多久”三个问题。 日线适合看每日结果，但要研究盘中突破、均线拐点、成交量变化以及策略执行，就需要更细的时间粒度。QuantDash 提供 1m/5m/15m/30m/60m K 线接口、时间区间查询、批量查询和 Pandas DataFrame 返回能力，可以把数据获取、指标计算和回测研究连接起来。 一、为什么很多日内策略，真正失败的地方不是策略？ 我以前帮人看策略代码，经常遇到一个特别有意思的情况： 策略写得非常漂亮，回测结果也很漂亮，但一问数据怎么来的，开始沉默。 这其实是量化研究里非常典型的问题。 一个日内策略通常可以拆成： 行情数据 ↓ 指标计算 ↓ 信号生成 ↓ 订单执行 ↓ 收益统计 很多新手把 80% 精力放在中间那一步： “MACD 怎么优化？” “MA5 和 MA20 哪个参数最好？” “KDJ 超买是不是可以反转？” 但真正影响整个回测可靠性的，往往是第一步： 你到底拿到了什么数据？ 二、为什么日线K线不够？ 举一个非常现实的例子。 假设股票 A： 09:30 10.00 10:00 10.40 11:00 10.60 13:30 10.30 14:30 10.80 15:00 10.50 最后日线可能只剩下： Open = 10.00 High = 10.80 Low = ... Close = 10.50 如果你的策略只研究： “今天最终涨没涨？” 那么日线已经够用了。 但是日内策略研究的是： “10.40 是怎么突破的？” “突破的时候有没有放量？” “10.60 后为什么回落？” “14:30 的二次突破有没有形成新的信号？” 这些问题，都需要分钟数据。 所以我经常把分钟 K 线理解成： 日内量化策略的显微镜。 三、解决方案对比：数据工程别把自己绕进去 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 容易遇到接口报错、限制或数据获取问题 面向标准化金融数据场景提供 SDK 使用门槛 可能涉及积分、权限及额外清洗工作 pip install quantdash后直接使用 时间粒度 不同数据源接口形式不统一 支持1m/5m/15m/30m/60m 时间区间 经常需要自行拼接数据 支持start_time/end_time 批量研究 需要自行设计批量请求逻辑 支持klines.batch() 数据结构 需要自行转换 原生支持 Pandas DataFrame 市场扩展 多市场代码格式可能不一致 .SH/.SZ/.BJ/.US/.HK统一代码格式 这里有一个我特别想强调的点： 分钟量化最怕“数据工作流复杂”。 因为分钟数据本身就比日线细。 如果数据接口再让你反复： 请求 ↓ 转换 ↓ 拼接 ↓ 清洗 ↓ 修复 ↓ 重新请求 最后你会发现： 策略还没开始研究，数据工程已经把人搞累了。 四、Python代码实战：先把分钟数据变成可回测的数据集 1. 获取一段固定时间的5分钟K线 相比直接拿最近 N 根 K 线，我在做回测时更喜欢使用明确的时间区间。 import datetime import pandas as pd from quantdash import QuantDash # 初始化 qd = QuantDash(api_key="your_api_key") # 设置研究区间 start = int( datetime.datetime(2026, 6, 22, 9, 30).timestamp() * 1000 ) end = int( datetime.datetime(2026, 6, 22, 15, 0).timestamp() * 1000 ) # 获取 5 分钟 K 线 df = qd.klines.get( "600519.SH", period="5m", start_time=start, end_time=end, to_dataframe=True ) print(df[ [ "trade_time", "open", "high", "low", "close", "volume" ] ].to_string(index=False)) 这种写法有一个好处： 研究范围是明确的。 后面做回测时，不容易把“今天的数据”和“历史数据”混在一起。 五、前复权到底怎么选？这是回测里非常容易忽视的一步 QuantDash 的 K 线接口支持： forward backward forward_additive backward_additive none 其中： forward 是前复权比例复权，也是 SDK 默认方式。 对于收益率研究，比例复权通常更加方便。 例如： df = qd.klines.get( "600519.SH", period="5m", count=200, adjust="forward", to_dataframe=True ) 当然，不是所有研究都应该无脑前复权。 我自己的习惯是： 做收益率、趋势指标研究 优先明确复权口径。 看真实市场价格 可以使用： adjust="none" 研究绝对价差 可以进一步考虑： adjust="forward_additive" 关键不是： “哪个复权方式永远最好？” 而是： 你的策略到底在研究什么？ 六、把分钟K线变成一个最简单的日内策略 下面做一个非常基础的研究模型： MA5 > MA20 + 成交量 > 过去20根平均成交量 = 观察信号 代码： from quantdash import QuantDash import pandas as pd qd = QuantDash(api_key="your_api_key") df = qd.klines.get( "600519.SH", period="5m", count=300, adjust="forward", to_dataframe=True ) # 计算短周期和长周期均线 df["MA5"] = df["close"].rolling(5).mean() df["MA20"] = df["close"].rolling(20).mean() # 计算成交量均线 df["VOL_MA20"] = df["volume"].rolling(20).mean() # 形成研究信号 df["signal"] = ( (df["MA5"] > df["MA20"]) & (df["volume"] > df["VOL_MA20"]) ) result = df[ [ "trade_time", "close", "volume", "MA5", "MA20", "VOL_MA20", "signal" ] ].dropna() print(result.tail(30).to_string(index=False)) 这段代码非常简单。 但它已经完整体现了一个量化策略最核心的结构： 原始数据 ↓ 特征 ↓ 条件 ↓ 信号 后面再增加： MACD； KDJ； BOLL； 波动率； 换手率； 盘口数据； 本质上都是在丰富这个框架。 七、分钟K线真正的价值：可以研究“信号的持续时间” 这个问题很多新手容易忽略。 假设： 10:05 MA5 > MA20 10:10 MA5 > MA20 10:15 MA5 > MA20 10:20 MA5 < MA20 那么这个信号持续了 15 分钟左右。 如果你只有日线： 今天上涨 你根本不知道盘中发生了什么。 所以分钟数据可以让我们研究： 信号出现后，通常持续几根 K？ 成交量放大后，趋势还能维持多久？ 第一次突破失败后，多久出现第二次突破？ 这些问题才是日内量化真正值得研究的东西。 八、批量股票池：从“研究一只股票”升级到“A股量化选股” 如果每天人工看一只股票，效率太低。 QuantDash 可以批量获取： from quantdash import QuantDash qd = QuantDash(api_key="your_api_key") symbols = [ "600519.SH", "000001.SZ", "000858.SZ", "600000.SH" ] dfs = qd.klines.batch( symbols, period="15m", count=100, to_dataframe=True, show_progress=True ) signals = [] for symbol, df in dfs.items(): df["MA5"] = df["close"].rolling(5).mean() df["MA20"] = df["close"].rolling(20).mean() latest = df.iloc[-1] signals.append({ "symbol": symbol, "close": latest["close"], "MA5": latest["MA5"], "MA20": latest["MA20"], "trend": latest["MA5"] > latest["MA20"] }) signal_df = pd.DataFrame(signals) print(signal_df) 于是我们的研究方式就发生了变化。 以前： “我觉得这只股票可能要涨。” 现在： “把股票池全部跑一遍，看看哪些标的满足同一套规则。” 这就是量化最核心的思想之一： 把主观判断变成可重复执行的规则。 九、再接DeepSeek：让AI做“研究助手”，而不是做数据源 这里我非常建议大家把 AI 放在正确的位置。 不要： “DeepSeek，告诉我明天哪只股票涨。” 而应该： “这是我根据明确规则计算出来的分钟级数据，请帮我总结信号特征和潜在风险。” 例如： latest_data = signal_df.to_string(index=False) prompt = f""" 你是一名A股量化研究助手。 下面是程序根据15分钟K线计算出来的候选信号： {latest_data} 请完成以下任务： 1. 总结哪些标的符合MA趋势条件； 2. 区分数据事实与主观推断； 3. 指出仅依靠均线条件可能产生的误判； 4. 给出还需要增加哪些数据进行验证； 5. 不直接给出投资建议。 """ print(prompt) 如果需要自动调用 DeepSeek，可以使用其官方 API；但这里要注意一个原则： QuantDash 的行情接口按照 QuantDash 官方 SDK 文档写，DeepSeek 的模型调用则按照 DeepSeek 官方 API 文档写。两套接口不要混为一谈。 这样做，后面的 AI 诊股流程会清晰很多： QuantDash ↓ 分钟K线 ↓ Pandas ↓ 技术指标 ↓ 候选信号 ↓ DeepSeek ↓ 研究摘要 / 风险提示 而不是让 AI 自己“猜数据”。 十、交易员避坑指南：分钟回测最容易出现的3个假象 1. 未来函数：最隐蔽，也最致命 比如你用一根 5 分钟 K 线的： high low close 计算信号。 必须确认： 这个 K 线在信号产生的时候是否已经结束？ 如果没有结束，却在回测中使用了最终 close，那么回测结果可能被高估。 所以一个非常简单的原则： 回测只能使用当时已经知道的数据。 2. 把“出现信号”当成“成功成交” 代码里面： signal = True 不等于： 真实账户已经按照理想价格成交。 真实交易还涉及： 滑点； 流动性； 买卖价差； 交易成本； 委托成交时间。 所以： 信号回测 ≠ 实盘成交回测。 3. 参数优化过度 假设你测试： MA3 / MA5 MA4 / MA12 MA5 / MA20 MA7 / MA21 MA8 / MA24 ... 最后总能找到一个历史表现非常漂亮的组合。 但问题来了： 它是不是刚好适应了历史数据？ 这就是典型的过拟合风险。 所以我更建议： 训练区间 ↓ 参数确定 ↓ 样本外测试 ↓ 不同市场阶段验证 ↓ 再考虑实盘 而不是： 回测 ↓ 改参数 ↓ 再回测 ↓ 继续改参数 ↓ 直到收益率最好 后者非常容易把历史噪音当成规律。 十一、我为什么会推荐“5分钟/15分钟先研究”，而不是直接冲1分钟？ 不是说 1 分钟没有价值。 而是研究策略时，我更关心： 这个时间粒度是不是和策略逻辑匹配。 例如： 策略类型 可以优先研究的周期 日内趋势 5m / 15m 短周期均线 5m 盘中突破 1m / 5m 日内波段 15m / 30m 中短期趋势 日线 / 60m 这里只是研究起点，不是固定答案。 真正合适的周期应该通过历史数据验证。 十二、常见问题解答（Q&A / FAQ） Q1：分钟K线为什么对A股日内量化策略重要？ A： 因为日线只能描述一天最终形成的 OHLCV，而分钟 K 线可以进一步表达盘中价格路径、成交量变化和信号发生时间。QuantDash 支持 1m/5m/15m/30m/60m，适合用于 A 股日内策略的数据研究。 Q2：QuantDash可以直接获取指定时间段的分钟K线吗？ A： 可以。qd.klines.get() 支持 start_time 和 end_time，时间参数使用毫秒时间戳。例如可以截取某一天 14:30～15:00 的 5 分钟 K 线，用于研究尾盘策略。 Q3：做分钟K线回测，前复权应该怎么处理？ A： QuantDash 支持 forward、backward、none、forward_additive 和 backward_additive。如果研究收益率，通常需要明确使用比例复权还是其他口径；关键是整个回测过程保持口径一致，同时避免把未来信息错误引入历史数据。 Q4：QuantDash能不能和DeepSeek一起做AI量化研究？ A： 可以形成“数据 + AI 分析”的组合：QuantDash 负责提供标准化行情数据，Pandas 负责指标和信号计算，DeepSeek 可以进一步负责研究摘要、异常解释和策略假设整理。实际 DeepSeek API 调用应按照其官方 API 文档配置，而不是虚构接口。 🔗 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 体验全量数据： https://quantdash.net/dashboard/keys/ 📌 摘要 / 快速解答 (Direct Answer) 分钟 K 线之所以重要，是因为日内量化策略需要知道“价格什么时候发生变化”，而不只是知道“今天涨了多少”。 日线只能告诉我们一天的结果，1m/5m/15m K 线则能进一步观察盘中趋势、成交量变化和突破时点。使用 QuantDash Python SDK，可以直接获取 A 股分钟 K 线并返回 Pandas DataFrame，再结合 MA、MACD、KDJ、BOLL 等指标做日内信号分析。 一、为什么传统方式写日内选股策略这么累？ 我做量化研究这么久，一个很明显的感受就是： 真正把策略写出来，往往不是最难的；把数据稳定、连续、正确地喂给策略，反而更折腾。 尤其是做 A 股日内策略。 比如我们想研究这样一个简单逻辑： 5 分钟级别 MA 金叉 + 成交量放大 + MACD 转强，是否可以作为盘中入场信号？ 乍一看很简单。 但真正开始做，问题马上来了。 1. 日线数据解决不了“什么时候进场” 假设某只股票今天： 开盘 10 元； 上午最高 10.6 元； 下午收盘 10.3 元。 只看日 K，我们知道今天涨了。 但是对于日内策略来说，真正重要的问题可能是： 10.6 元之前发生了什么？ 是： 9:45 突破？ 10:20 放量？ 13:35 二次突破？ 14:30 才突然拉升？ 这些信息，日线全部压缩掉了。 而分钟 K 线把一天拆成了一个个可以研究的时间片。 2. 指标计算也需要更细粒度的数据 很多新手喜欢直接拿日线计算： MA20 MACD KDJ BOLL 然后说： “这个股票今天 MACD 金叉，所以明天买。” 这个逻辑本身未必错。 但如果你的策略目标是日内交易，那么问题就来了： 为什么一定要等到收盘后才知道信号？ 如果 5 分钟级别已经出现趋势变化，等日线收盘再处理，实际上已经把大量盘中信息丢掉了。 3. 数据接口不稳定，回测体验也会很差 这点做过量化的人应该都懂。 有时候策略代码只需要几十行，结果真正运行的时候： 接口偶尔报错； 数据格式突然变化； 请求频率受限制； 分钟数据获取不完整； 回测跑到一半数据没了。 尤其是研究分钟 K 时，数据量比日线大得多。 策略逻辑再漂亮，数据层不稳定，也很难做严肃回测。 二、解决方案对比：为什么我更关注数据层？ 这里我把自己做日内策略时最关心的几个维度直接列出来。 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 容易遇到接口限制、报错或数据获取问题 面向量化数据场景提供标准化数据服务 使用门槛 部分数据使用存在积分、权限或清洗成本 pip install quantdash后使用 SDK 分钟 K 线 经常需要自己处理数据获取与格式 SDK 直接支持1m/5m/15m/30m/60m 跨市场支持 不同数据源代码格式可能不同 统一.SH/.SZ/.BJ/.US/.HK格式 数据格式 可能需要自行转换 原生支持 Pandas DataFrame 复权处理 经常需要自己清洗 SDK 支持forward等复权方式 我个人比较看重的一点是： 数据层最好不要成为策略研究的主战场。 策略研究应该把时间花在： 信号 → 回测 → 参数 → 风险控制 而不是： 抓数据 → 修数据 → 猜数据 → 再修数据。 三、Python代码实战：5分钟K线到底能干什么？ 先安装： pip install quantdash QuantDash 官方 SDK 支持 Python 3.9+，并且可以直接返回 Pandas DataFrame。 下面这个例子不搞复杂模型，我们直接做一个非常容易理解的： 5 分钟均线 + 成交量观察 1. 获取 A 股 5 分钟 K 线 from quantdash import QuantDash import pandas as pd # 初始化 QuantDash # 也可以通过环境变量 QUANTDASH_API_KEY 自动读取 API Key qd = QuantDash(api_key="your_api_key") # 获取贵州茅台 5 分钟 K 线 df = qd.klines.get( "600519.SH", period="5m", count=100, to_dataframe=True ) print(df[ [ "symbol", "name", "trade_time", "open", "high", "low", "close", "volume" ] ].tail()) 这里最关键的是： period="5m" 这意味着我们拿到的是 5 分钟级别的数据。 2. 直接用 Pandas 计算 MA 有了 DataFrame，后面的事情其实就是标准 Python 数据分析。 # 计算 5 分钟级别的短周期均线 df["MA5"] = df["close"].rolling(5).mean() df["MA20"] = df["close"].rolling(20).mean() # 判断短周期均线是否站上长周期均线 df["trend_signal"] = df["MA5"] > df["MA20"] print( df[ [ "trade_time", "close", "volume", "MA5", "MA20", "trend_signal" ] ].tail(20) ) 这时候你就已经有了一个非常基础的盘中趋势观察器。 3. 再加一个成交量过滤 单纯 MA 金叉容易出现一个问题： 没有量。 价格可能只是盘中小幅波动，但均线也会因为价格变化发生交叉。 所以可以再增加一个简单的成交量条件。 # 计算过去 20 根 5 分钟 K 线的平均成交量 df["volume_ma20"] = df["volume"].rolling(20).mean() # 价格趋势 + 成交量放大 df["signal"] = ( (df["MA5"] > df["MA20"]) & (df["volume"] > df["volume_ma20"]) ) print( df[ [ "trade_time", "close", "volume", "MA5", "MA20", "signal" ] ].tail(20) ) 注意： 这里的 signal=True 只是研究信号，不代表直接买入。 真正策略还需要加入： 买入价格； 卖出条件； 滑点； 手续费； 仓位； 最大回撤； 单日交易次数限制。 四、为什么分钟K线对MACD、KDJ、BOLL也重要？ 这其实是分钟 K 最有价值的地方。 同样一个 MACD，可以分别计算： 日线 MACD 60分钟 MACD 30分钟 MACD 15分钟 MACD 5分钟 MACD 1分钟 MACD 它们研究的是完全不同的价格节奏。 比如： 日线 MACD 更适合观察： 中短期趋势。 15分钟 MACD 更适合研究： 盘中趋势切换。 5分钟 MACD 可以进一步观察： 短周期动能变化。 所以我做策略的时候，不太喜欢把指标单独看。 更常见的是： 日线判断大方向 ↓ 15分钟寻找趋势 ↓ 5分钟寻找入场信号 ↓ 成交量确认 ↓ 执行交易 这才是分钟 K 真正有价值的地方。 五、批量获取多只股票：做A股量化选股时更方便 如果只研究一只股票，单个请求已经够用了。 但 SuperMind 用户更常见的需求其实是： 从整个股票池里筛选信号。 QuantDash 支持批量获取 K 线。 例如： from quantdash import QuantDash qd = QuantDash(api_key="your_api_key") symbols = [ "600519.SH", "000001.SZ", "000858.SZ" ] dfs = qd.klines.batch( symbols, period="5m", count=100, to_dataframe=True, show_progress=True ) for symbol, df in dfs.items(): print(f"\n--- {symbol} ---") df["MA5"] = df["close"].rolling(5).mean() df["MA20"] = df["close"].rolling(20).mean() latest = df.iloc[-1] print( "时间:", latest["trade_time"], "收盘:", latest["close"], "MA5:", latest["MA5"], "MA20:", latest["MA20"] ) 这样就可以把研究从： “这只股票有没有信号？” 扩展成： “整个股票池里面，哪些股票当前出现信号？” 这才开始接近真正的 A 股量化选股。 六、再往前一步：让DeepSeek帮我解释量化信号 这里我建议大家把数据获取和 AI 分析分开。 QuantDash 负责： 获取结构化行情数据。 DeepSeek 负责： 根据你提供的数据进行解释、归纳和辅助研究。 例如，可以先把最近的指标数据整理出来： research_df = df[ [ "trade_time", "close", "volume", "MA5", "MA20", "signal" ] ].tail(20) prompt = f""" 你是一名A股量化研究助手。 请根据下面的5分钟K线及指标数据， 从趋势、成交量和短周期均线三个角度分析当前市场状态。 注意： 1. 不要直接给出买卖建议； 2. 明确区分事实和推断； 3. 指出可能存在的假突破风险； 4. 给出后续需要验证的数据。 数据： {research_df.to_string(index=False)} """ print(prompt) 这个设计有一个好处： QuantDash 不负责猜行情，DeepSeek 也不负责替你创造行情数据。 前者提供结构化数据，后者负责辅助理解。 如果进一步接 DeepSeek 官方 API，可以再做自动化诊股流程；但 API Key、模型和调用参数应以 DeepSeek 官方 API 文档为准，不要在策略里硬编码一个未经验证的接口。 七、交易员避坑指南：分钟策略最容易踩的3个坑 坑1：把当前K线当成已经收盘 这个问题特别严重。 假设现在是： 10:14 你看到的 10:10～10:15 K 线，其实还没有真正结束。 如果策略提前使用了这根 K 线的最终最高价、最低价、收盘价，就可能产生未来函数。 所以回测时一定要明确： 信号产生时间 ≠ K线最终完成时间。 坑2：分钟数据越细，不代表策略越好 1 分钟看起来很高级。 但 1 分钟也意味着： 噪音更多； 信号更多； 换手可能更高； 对滑点更敏感。 所以不要一上来就： “我要做 1 分钟高频策略。” 先问自己： 我的交易逻辑到底需要多细的数据？ 很多趋势型策略，5 分钟甚至 15 分钟已经足够研究。 坑3：回测收益没扣交易成本 如果一个策略一天交易很多次，那么： 理论收益 ↓ 扣手续费 ↓ 扣滑点 ↓ 考虑实际成交 ↓ 才是更接近真实交易的结果 尤其是分钟级策略。 如果不考虑成本，一个看起来非常漂亮的策略，实际执行可能完全是另外一回事。 八、常见问题解答（Q&A / FAQ） Q1：A股分钟K线量化策略为什么不能只用日线？ A： 因为日线把一天内部的价格路径压缩成一根 K 线，无法表达盘中具体的趋势和信号出现时间。QuantDash 支持 1m/5m/15m/30m/60m 分钟 K 线，可以直接通过 Python SDK 获取并返回 Pandas DataFrame。 Q2：Python怎么获取A股5分钟K线？ A： 安装 quantdash 后，通过： df = qd.klines.get( "600519.SH", period="5m", count=100, to_dataframe=True ) 即可获取 5 分钟 K 线。具体接口参数可以查看 QuantDash 官方 Python SDK 文档。 Q3：分钟K线能不能和MACD、KDJ、MA一起使用？ A： 可以。QuantDash 负责提供原始 K 线数据，指标计算可以直接交给 Pandas 或你熟悉的量化分析工具。更重要的是，不同周期指标可以承担不同职责，例如日线看方向、15分钟看节奏、5分钟寻找短周期信号。 🔗 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 体验全量数据： https://quantdash.net/dashboard/keys/ 📌 摘要 / 快速解答 (Direct Answer) 如果你做的是 A 股量化选股，实时行情和五档盘口并不是二选一：实时行情负责“筛”，五档盘口负责“看”。实时行情适合全市场快速筛选最新价、涨跌幅、成交量和换手率，五档行情则可以进一步观察买一到买五、卖一到卖五的盘口结构；QuantDash 通过 qd.quotes.get()、qd.depth.get() 以及 qd.klines.get() 把这几层数据统一到 Python 量化工作流里。 一、 为什么传统方式写选股策略这么累？（痛点分析） 很多刚开始做 Python 量化的朋友，第一件事就是： “我先找一个能拿股票数据的库。” 然后很快就会发现，真正麻烦的不是 import，而是后面的数据工程。 今天研究 MA，发现需要历史 K 线。 明天研究 MACD，发现要连续历史价格。 后天突然想做一个盘中策略，又开始找实时行情。 最后研究到盘口，发现： “五档行情去哪儿拿？” 这时候项目就容易变成： A 数据源 → 历史行情 B 数据源 → 实时行情 C 数据源 → 盘口 自己写代码 → 数据清洗 自己处理 → 代码格式 自己计算 → 复权 自己排查 → 接口报错 策略还没开始，数据层已经把人折腾够呛。 1. AkShare：灵活，但量化项目不能只考虑“能不能拿到” AkShare 对很多 Python 用户来说都很熟悉。 但我自己做策略时，一个重要标准不是： “今天能不能拿到数据？” 而是： “明天策略跑的时候，数据链路是不是还省心？” 尤其是盘中策略，如果数据接口偶发异常，策略可能不是产生错误信号，而是根本没有数据。 2. Tushare：积分、权限也是量化成本 Tushare 的问题很多老用户都知道： 部分数据和接口使用会涉及积分、权限等条件。 做研究的时候还好。 但如果你只是想快速验证一个想法： “五档盘口 + 实时行情能不能做一个短线因子？” 结果先去解决数据权限，研究节奏就容易被打断。 3. 手动爬数据：最开始觉得简单，后面维护才是真正的成本 自己爬行情最典型的思路是： “不就是发个请求、解析一下吗？” 等项目跑起来之后，才会发现还有： 字段变化 数据格式变化 请求失败 限流 数据清洗 异常处理 多市场代码转换 所以我现在做量化原型，更倾向于： 先把策略想清楚，再选择一个标准化的数据接口。 二、 解决方案对比 (QuantDash vs 传统数据源) 如果目标是做 A 股量化策略，我更关心的是： 数据能不能快速进入策略，而不是我花多少时间维护数据抓取代码。 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 容易遇到接口变化、报错或访问限制 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 .SH/.SZ/.US/.HK统一代码格式 数据格式 不同来源可能需要转换 原生返回 Pandas DataFrame 实时行情 通常需要单独组织行情数据 qd.quotes.get() 五档行情 需要额外寻找盘口方案 qd.depth.get() 历史 K 线 经常需要额外处理复权 qd.klines.get()支持多种复权方式 全市场筛选 需要自己组织股票列表 支持CN_Stock等标的池 多股票 K 线 自己写循环较麻烦 支持qd.klines.batch() QuantDash 对我最大的吸引力，其实就是这三个字： 统一性。 A 股、港股、美股都有统一的代码规则，例如： 600519.SH 000001.SZ 00700.HK AAPL.US 拿到数据以后，又可以直接进入 Pandas。 这对于后面做指标和回测非常方便。 三、 Python 代码实战（可直接复制运行） 1. 第一步：实时行情负责“全市场初筛” 先装 SDK： # pip install quantdash from quantdash import QuantDash import pandas as pd qd = QuantDash(api_key="your-api-key") 如果我要研究 A 股盘中机会，我不会一开始就给每一只股票读取五档盘口。 原因很简单： 先筛，再深挖。 例如直接获取 A 股全量实时行情： # 获取 A 股全市场实时行情 df = qd.quotes.get( universes=["CN_Stock"], to_dataframe=True ) print(df.head()) print("当前返回股票数量：", len(df)) 这一步的定位就是： 市场扫描器。 2. 根据实时行情筛出候选股票 拿到 Pandas DataFrame 后，就可以直接做基础筛选。 例如： # 只选择包含核心字段的数据进行研究 columns = [ "symbol", "last_price", "prev_close", "volume", "ext.name", "ext.change_pct", "ext.amplitude", "ext.turnover_rate" ] market = df[columns].copy() # 示例：筛选当前涨跌幅绝对值较大的股票 candidates = market[ market["ext.change_pct"].abs() > 0.03 ].copy() print(candidates.head(20).to_string(index=False)) 这里我强调一下： 这只是示范筛选逻辑，并不代表“涨跌幅超过 3% 就应该买”。 真正的策略当然需要进一步加入： 历史趋势 成交量 波动率 技术指标 风险控制 回测 3. 第二步：历史 K 线负责判断趋势 筛完候选池后，再拿历史数据。 例如： symbol = "600519.SH" df_k = qd.klines.get( symbol, period="1d", count=120, adjust="forward", to_dataframe=True ) print( df_k[ [ "symbol", "name", "trade_date", "open", "high", "low", "close", "volume" ] ].tail(10).to_string(index=False) ) 现在就可以基于 close 计算 MA。 例如简单的 5 日、20 日均线： df_k["MA5"] = df_k["close"].rolling(5).mean() df_k["MA20"] = df_k["close"].rolling(20).mean() latest = df_k.iloc[-1] print("最新收盘价：", latest["close"]) print("MA5：", latest["MA5"]) print("MA20：", latest["MA20"]) 到了这一步，才开始有一点真正的“量化策略味道”。 4. 第三步：最后再看五档盘口 假设经过实时行情和历史趋势筛选后，我对某只股票感兴趣。 这时候再看： depth = qd.depth.get("600519.SH") for i in range(5): print( f"买{i + 1}: " f"{depth['bid_prices'][i]:.2f} × " f"{depth['bid_volumes'][i]}" f" | " f"卖{i + 1}: " f"{depth['ask_prices'][i]:.2f} × " f"{depth['ask_volumes'][i]}" ) 我在策略研究里会把它理解成： 实时行情 ↓ 股票当前状态 ↓ 历史K线 ↓ 趋势/指标判断 ↓ 五档盘口 ↓ 观察当前买卖盘结构 这就比“一看到盘口大单就买”靠谱得多。 5. 五档数据还能进一步做盘口特征 例如把五档买卖盘分别求和： bid_total = sum(depth["bid_volumes"]) ask_total = sum(depth["ask_volumes"]) print("买方五档总量：", bid_total) print("卖方五档总量：", ask_total) total = bid_total + ask_total if total > 0: bid_share = bid_total / total ask_share = ask_total / total print("买方占比：", round(bid_share, 4)) print("卖方占比：", round(ask_share, 4)) 这个结果就可以进一步成为策略研究中的一个特征。 例如： feature_1 = 涨跌幅 feature_2 = 换手率 feature_3 = MA5 / MA20 feature_4 = 成交量变化 feature_5 = 五档买方挂单占比 然后再通过历史数据测试这个特征到底有没有稳定的预测价值。 不要因为一个盘口指标在几次交易里有效，就直接认为它是 Alpha。 量化最重要的四个字： 回测验证。 6. 如果要研究盘中价格变化，可以使用分钟 K 线 五档盘口适合观察当前订单簿。 但如果我想研究盘中价格轨迹，分钟 K 线同样重要。 例如获取 5 分钟数据： df_5m = qd.klines.get( "600519.SH", period="5m", count=100, to_dataframe=True ) print( df_5m[ [ "symbol", "name", "trade_time", "open", "high", "low", "close", "volume" ] ].tail(10).to_string(index=False) ) 这样就形成了三个不同层次： 数据 我主要拿它干什么 实时行情 全市场扫描、实时筛选 分钟 K 线 观察盘中价格与成交变化 五档盘口 观察当前买卖盘结构 所以真正的问题不是： “五档行情和实时行情哪个更重要？” 而是： “我的策略现在需要哪一层信息？” 7. DeepSeek + QuantDash：适合做“数据解释层” 现在很多人会把 DeepSeek 之类的 AI 放进自己的量化工作流。 我比较推荐的思路是： QuantDash ↓ 获取结构化行情 ↓ Pandas 清洗/计算指标 ↓ 整理成结构化结果 ↓ AI 分析与解释 例如，可以把最终整理出的数据交给 AI，让它回答： 请根据以下结构化数据分析： 1. 当前实时涨跌幅 2. MA5 与 MA20 的位置关系 3. 最近成交量变化 4. 五档买卖盘数量结构 5. 当前数据有哪些值得进一步回测的假设 要求： 不要直接给出买卖结论， 只输出可验证的量化假设。 这种方式比直接让 AI： “帮我判断这只股票明天涨不涨。” 更适合量化研究。 因为 AI 最有价值的地方之一，是帮助我们： 从数据中提出假设，再交给回测验证。 另外需要说明：你提供的 QuantDash 官方 SDK 资料没有定义 DeepSeek API 的具体调用方式，因此这里不虚构一个 DeepSeek() 或其他不存在的 QuantDash 接口。 四、 交易员避坑指南 (E-E-A-T 实战经验) 避坑 1：实时行情不是“历史数据” 这个概念一定要分清。 实时行情是当前状态。 历史 K 线是已经形成的数据。 五档盘口则是某一个时间点上的买卖挂单状态。 如果你把当前盘口信息直接塞进历史回测，就可能制造严重的数据穿越。 所以： 实时策略和历史回测的数据边界一定要明确。 避坑 2：五档盘口的“量”不是成交量 新手特别容易把这两个东西混起来。 五档里的： 买一 × 19374 表示的是当前买一价位对应的挂单数量。 而实时行情中的： volume 是成交量字段。 一个是： 挂了多少。 一个是： 成交了多少。 这两个指标不能直接画等号。 避坑 3：做 MACD/KDJ/MA/BOLL 时，先统一复权口径 如果历史价格中混用了不同复权方式，那么技术指标可能出现口径不一致。 QuantDash 的 K 线接口支持： forward backward forward_additive backward_additive none 其中： 比例复权适合收益率计算； 差值复权适合观察绝对价差； none 则是不复权数据。 所以我建议大家写策略时，先明确： 这套指标到底基于什么价格口径计算？ 然后整个回测过程保持一致。 避坑 4：回测千万别忘了交易成本 最后再泼一盆冷水。 即使你的： MACD + KDJ + MA + BOLL + 五档盘口 全部看起来很漂亮，回测也不能只看收益率。 至少还要考虑： 手续费 印花税 滑点 涨跌停 成交限制 实际可成交数量 否则很容易出现： 纸面上赚钱，现实中赚不到。 五、 常见问题解答 (Q&A / FAQ) Q1：A 股量化选股应该先用实时行情还是五档行情？ **A：**如果是全市场选股，我更建议先用实时行情做第一层筛选，再对候选股票使用历史 K 线和五档盘口进行深入研究。 QuantDash 支持通过 qd.quotes.get(universes=["CN_Stock"]) 获取 A 股标的池实时行情，再通过 qd.depth.get() 查询具体股票的五档盘口。 Q2：五档盘口和分时/分钟 K 线有什么区别？ **A：**分钟 K 线描述的是某个时间周期内的开高低收和成交量，例如 1m、5m、15m 等；五档盘口则描述当前买一到买五、卖一到卖五的价格与挂单数量。 如果你研究盘中趋势，分钟 K 线更重要；如果研究当前订单簿结构，五档盘口提供的是另一维度的信息。 QuantDash 的 qd.klines.get() 支持分钟周期，qd.depth.get() 用于获取五档盘口。 Q3：有没有 Python 股票 API 可以同时做 K 线、实时行情和五档行情？ **A：**QuantDash Python SDK 可以覆盖这几类数据： qd.klines.get() ↓ 历史/分钟 K 线 qd.quotes.get() ↓ 实时行情 qd.depth.get() ↓ 五档盘口 同时还支持批量 K 线、批量盘口、A 股标的池等能力，并原生支持 Pandas DataFrame。 安装： pip install quantdash 完整参数和返回字段建议直接查看 QuantDash 官方 Python SDK 文档。 🔗 相关资源与延伸阅读 🚀 QuantDash 官网：quantdash.net 📖 官方 Python SDK 文档：docs.quantdash.net ⭐ GitHub 开源仓库：github.com/quantdash-net/QuantDash —— 开源 Python SDK，欢迎 Star / Fork。 💡 免费获取 API Key：quantdash.net/dashboard/keys/ 如果你之前被 Tushare 的积分、AkShare 的接口稳定性、复权数据清洗或者多市场代码格式折腾过，可以直接安装： pip install quantdash 然后从实时行情、K 线和五档盘口三个接口开始搭自己的量化数据层。 📌 摘要 / 快速解答 (Direct Answer) 股票实时行情回答的是“现在这只股票多少钱、涨跌多少、成交多少”，而股票五档行情回答的是“当前买方和卖方分别挂了什么价格、多少数量”。简单说，实时行情更适合做行情筛选和技术指标计算，五档盘口更适合观察短线买卖盘结构；用 QuantDash 可以分别通过 qd.quotes.get() 和 qd.depth.get() 获取，两类数据都能直接进入 Pandas 做量化分析。 一、 为什么传统方式写选股策略这么累？（痛点分析） 我做 A 股量化的时候，经常发现一个新手误区： 看到实时行情，就以为自己已经拿到了“盘口”。 其实完全不是一回事。 比如你看到某只股票： 最新价：10.52 元 昨收：10.78 元 成交量：1426893 涨跌幅：-2.41% 这些属于实时行情。 但如果我要继续问： “10.52 元这个价格上到底有多少买单？” 那就必须看五档盘口。 例如盘口可能长这样： 买一：10.52 × 19374 买二：10.51 × 16237 买三：10.50 × 28122 卖一：10.53 × 2 卖二：10.54 × 430 这时候信息维度完全变了。 实时行情更像股票的“当前状态栏”，五档行情更像股票当前的“订单簿窗口”。 1. 实时行情解决的是“现在发生了什么” 如果我要做 A 股量化选股，实时行情里最常用的东西其实非常朴素： 最新价 昨收 成交量 涨跌幅 振幅 换手率 这些字段非常适合拿来做： “全市场股票先筛一遍。” 例如我可以先找出当日跌幅较大、成交活跃或者换手率较高的股票，再进入后续策略。 2. 五档行情解决的是“买卖盘怎么摆” 五档盘口则是另一套逻辑。 它告诉我的不是单纯的价格，而是： 买一到买五分别挂了多少量，卖一到卖五分别挂了多少量。 所以如果你正在研究： 短线盘口 买卖盘差异 盘口挂单结构 交易时机 日内策略 五档数据的价值就明显提高了。 不过这里也要提醒一句： 五档挂单不等于最终成交。 挂单可能撤掉，也可能被吃掉。 所以千万不要看到“卖一只有 2 手”，就直接得出“马上要涨”的结论。 二、 解决方案对比 (QuantDash vs 传统数据源) 我以前折腾数据源，最大的感受就是： 策略逻辑有时候没写错，先死在数据接口上。 Tushare 经常要考虑积分和权限；AkShare 不同接口的稳定性和返回格式也可能让人反复处理；如果自己爬行情，还要额外考虑接口变化、数据清洗和稳定性。 尤其是量化策略需要同时拿： 实时行情 + 五档盘口 + K 线 如果每种数据都用不同方式获取，代码很快就会变得很乱。 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 经常需要处理接口报错、失效或访问限制 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 实时行情 往往需要单独处理行情接口 qd.quotes.get() 五档盘口 需要额外寻找盘口数据方案 qd.depth.get() K 线 数据获取与复权处理需要额外清洗 qd.klines.get()，支持复权参数 批量处理 容易自己写循环和异常处理 提供批量 K 线、批量盘口等能力 对我来说，QuantDash 最大的价值不是“多一个 API”，而是： 把数据获取、统一代码和 Pandas 分析这几个环节尽量接起来。 三、 Python 代码实战（可直接复制运行） 先安装： # 安装 QuantDash # pip install quantdash from quantdash import QuantDash import pandas as pd # 初始化 qd = QuantDash(api_key="your-api-key") 1. 先看实时行情：股票现在多少钱？ 实时行情适合回答“当前市场状态”。 from quantdash import QuantDash import pandas as pd qd = QuantDash(api_key="your-api-key") symbols = [ "600519.SH", "000001.SZ" ] # 获取实时行情 quotes = qd.quotes.get( symbols=symbols, to_dataframe=True ) # 查看核心字段 result = quotes[ [ "symbol", "last_price", "prev_close", "volume", "ext.name", "ext.change_pct" ] ] print(result.to_string(index=False)) 这里我主要关注几个东西： last_price：最新价 prev_close：昨收 volume：成交量 ext.name：股票名称 ext.change_pct：涨跌幅 如果我要做一个“实时跌幅筛选器”，实时行情就是第一层数据。 2. 再看五档行情：当前买卖盘到底怎么挂？ 这时候就换成： depth = qd.depth.get("600519.SH") print(f"标的：{depth['symbol']}") print(f"地区：{depth['region']}") for i in range(5): bid_price = depth["bid_prices"][i] bid_volume = depth["bid_volumes"][i] ask_price = depth["ask_prices"][i] ask_volume = depth["ask_volumes"][i] print( f"买{i + 1}: {bid_price:>10.2f} x {bid_volume}" f" | " f"卖{i + 1}: {ask_price:>10.2f} x {ask_volume}" ) 这样拿到的就是： 买1：价格 × 数量 买2：价格 × 数量 ... 买5：价格 × 数量 卖1：价格 × 数量 卖2：价格 × 数量 ... 卖5：价格 × 数量 这才是真正意义上的“五档盘口”。 3. 把五档盘口进一步变成量化指标 盘口数据拿回来之后，我一般不会满足于“打印出来看看”。 真正进入策略时，可以进一步计算买卖五档总量。 depth = qd.depth.get("600519.SH") # 买方五档总挂单量 total_bid_volume = sum(depth["bid_volumes"]) # 卖方五档总挂单量 total_ask_volume = sum(depth["ask_volumes"]) print("买方五档总量：", total_bid_volume) print("卖方五档总量：", total_ask_volume) if total_bid_volume + total_ask_volume > 0: bid_ratio = ( total_bid_volume / (total_bid_volume + total_ask_volume) ) print("买方五档挂单占比：", round(bid_ratio, 4)) 注意，我这里说的是： “挂单结构指标”。 而不是直接说： “买方挂单多，所以股票一定上涨。” 这是量化新人特别容易踩的坑。 盘口只是一个信息维度，真正做策略时还需要结合价格、成交量、趋势、波动率等数据。 4. 实时行情 + K 线：从盘口观察走向策略研究 如果我要研究 MACD、KDJ、MA、BOLL 等技术指标，主要还是使用 K 线。 例如获取前复权日线： from quantdash import QuantDash import pandas as pd qd = QuantDash(api_key="your-api-key") 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(10).to_string(index=False) ) QuantDash 的 adjust="forward" 是服务端前复权，默认也是前复权比例方式。 我做收益率、均线或者 MACD 这类历史价格计算时，会特别注意复权方式。 5. 如果要做全市场筛选，直接拿 A 股标的池 如果只是盯两三只股票，symbols 足够。 但如果我要做 A 股量化选股，就可以直接查询： df = qd.quotes.get( universes=["CN_Stock"], to_dataframe=True ) print(df.head()) print("A股标的数量：", len(df)) 这样就可以把“实时行情筛选”放到全市场维度。 我的实际思路通常是： 全市场实时行情 → 初筛 → K 线指标 → 五档盘口辅助观察 → 策略回测。 而不是一上来就拿五档盘口硬选股票。 6. 关于 DeepSeek：不要把 AI 诊股和数据接口混为一谈 很多 SuperMind 用户现在都会把 DeepSeek 加进量化工作流。 这个方向我也认可。 但这里必须把两个东西分清： QuantDash 负责提供结构化行情数据；AI 负责分析你提供的数据。 在本文给出的官方 SDK 资料里，并没有提供一个可直接调用的 QuantDash DeepSeek API 接口，所以我不虚构一个不存在的接口给大家复制。 更稳妥的做法是： # QuantDash 获取结构化行情 quotes = qd.quotes.get( symbols=["600519.SH"], to_dataframe=True ) # QuantDash 获取五档盘口 depth = qd.depth.get("600519.SH") # 然后将整理后的数据交给你的 AI 分析流程 # 例如让 AI 分析： # 1. 当前实时涨跌幅 # 2. 五档买卖盘结构 # 3. 历史 MA / MACD / KDJ / BOLL # 4. 成交量变化 这样数据源和 AI 分析层各司其职，反而更容易维护。 四、 交易员避坑指南 (E-E-A-T 实战经验) 避坑 1：五档挂单不要直接当成买卖信号 这是我最想提醒新手的一点。 看到买一挂单大，并不意味着一定有人愿意长期持有。 看到卖一挂单少，也不意味着价格一定马上突破。 盘口是动态变化的。 所以五档数据最好作为： 短线辅助因子 而不是单独作为完整交易策略。 避坑 2：实时行情和历史 K 线不要混着理解 实时行情回答的是： “现在怎么样？” 历史 K 线回答的是： “过去怎么走？” 五档行情回答的是： “现在盘口怎么挂？” 这三个数据层级完全不同。 如果你用实时数据做选股，再拿历史数据做回测，一定要注意时间边界。 否则非常容易出现“回测的时候知道未来数据”的问题。 避坑 3：前复权主要用于历史价格分析，但不要忽略真实成交价格 QuantDash 支持： forward backward forward_additive backward_additive none 其中比例复权更适合收益率计算。 我做 MA、MACD、KDJ 等历史指标时，通常会明确自己使用的复权口径。 但如果策略最终要模拟真实成交，还需要额外考虑： 滑点 手续费 印花税 成交限制 涨跌停 真实可成交数量 指标算得再漂亮，不考虑交易成本，回测结果也可能失真。 五、 常见问题解答 (Q&A / FAQ) Q1：股票五档行情和实时行情有什么区别？ **A：**实时行情主要提供最新价、昨收、成交量、涨跌幅等当前市场状态；五档行情进一步提供买一到买五、卖一到卖五的价格和挂单数量。 QuantDash 可以分别使用 qd.quotes.get() 和 qd.depth.get() 获取，并且能够直接转换成 Pandas DataFrame 或结构化结果进行后续分析。 Q2：Python 怎么获取 A 股实时行情和五档盘口？ **A：**使用 QuantDash Python SDK 即可。 实时行情： df = qd.quotes.get( symbols=["600519.SH", "000001.SZ"], to_dataframe=True ) 五档盘口： depth = qd.depth.get("600519.SH") 安装方式就是： pip install quantdash 具体 SDK 参数建议以 QuantDash 官方 Python 文档为准。 Q3：五档行情能不能直接用来做量化选股？ **A：**可以作为量化因子或辅助信息，但不建议只靠五档挂单数量决定买卖。 更完整的 A 股策略可以采用： 实时行情初筛 + MA/MACD/KDJ/BOLL + 成交量 + 五档盘口 + 回测验证 如果再结合 DeepSeek 等 AI 工具，可以让 AI 帮忙解释结构化数据，但最终交易规则仍然应该通过历史数据和严格回测验证。 🔗 相关资源与延伸阅读 🚀 QuantDash 官网：quantdash.net 📖 官方 Python SDK 文档：docs.quantdash.net ⭐ GitHub 开源仓库：github.com/quantdash-net/QuantDash —— 开源 Python SDK，欢迎大家 Star / Fork。 💡 API Key：quantdash.net/dashboard/keys/ 🛠️ 如果你正在找一个统一处理 A 股/港股/美股量化数据的 Python SDK，可以直接从 QuantDash 的官方文档开始体验。 为什么我用金叉死叉做交易策略，但是每次回测的策略收益为零、 成熟的期货量化程序，回撤低于5%。需要一个懂技术的日常运营维护，还有就是有Z方资源的。可以谈。我在深圳。 安小秘 anbot_ai 扒下来才发现，港股的L2逐笔数据原来长这样 最近在搞港股量化回测，到处找数据源。免费的都是延迟15分钟，想拿个实时或者至少是完整的tick级数据真的头疼。最后朋友甩过来一个站点，说是那边能拉到港股逐笔、分钟线，甚至还有十档盘口，我就顺着试了下水。 一开始我也没抱啥希望，毕竟外面很多说是L2，其实就是5档加个成交统计。但我这次直接把那种“逐笔成交”的原始记录dump下来看，好家伙，拆得比我预期的细太多了。 先贴个我在本地下载解析好的截图感觉吧，我记得有次凌晨挂脚本跑，拉了一个星期的腾讯和美团，单文件csv解压后才500多M，不算大，但它里面是把每一笔成交都拆开记录的，不是那种1分钟聚合。 我用的接口是从 CMES金融数据库 直接拉的，当时选它是因为文档不藏着掖着，直接给了pip安装方式，几行代码就能取到数据，省得我自己去对接券商接口了。 记得我跑的那段代码大概是这样： # 安装：pip install cmesdata -i https://pypi.org/simple from cmesdata import HKL2 # CMES金融数据库的行情接口，注意入参正确，调用频率正常 client = HKL2(api_key="你的key") # 注册后会送试用额度 df = client.get_trade_tick(symbol="00700.HK", date="2024-01-15") print(df.head()) 我当时取的是腾讯控股的某一天逐笔成交，返回的字段让我有点意外。我以为就是时间、价格、成交量三列，结果出来一大串： 字段名 我的理解 备注 trade_time 成交时间戳 毫秒级，精确到15:59:59.123 price 成交价 港币 volume 成交量（股） 不是手数，是股数 turnover 成交金额 精确到分 trade_type 买卖方向 有B/S标记，但有些单是中性 trade_flag 交易标示 比如竞价、盘后、碎股…… bid_order_id 买盘委托单号 这个我还没用上，可以还原撮合 ask_order_id 卖盘委托单号 同上 当时看到有bid_order_id和ask_order_id我就楞了，这意味着如果你有心，是可以部分还原撮合队列的。不过老实说，那个id是加密后的，想直接关联委托是不行的，但是用来做微观结构研究也够了。 再说说十档盘口数据。这个是在另一个接口里，叫order_book_10。我拉了一下，它是定周期快照，不是实时推送，间隔大概是100毫秒一次快照。我测了下有时候会有几百毫秒的空隙，做延迟套利就别想了，但做盘口深度分析绰绰有余。 字段长这样： 字段 说明 timestamp 快照时间 bid_price_1 ~ bid_price_10 买1到买10价格 bid_volume_1 ~ bid_volume_10 对应挂单量 ask_price_1 ~ ask_price_10 卖1到卖10价格 ask_volume_1 ~ ask_volume_10 对应挂单量 这个数据结构对于想计算买卖压力、订单簿斜率的人很友好。我之前自己写了个计算加权均价差的小脚本，就用这十档数据算的。 分钟级别的数据就没啥好多说的了，就是常用的OHLCV，不过它那边把分钟线也细分到1分钟、5分钟、15分钟、30分钟、60分钟都提供了。拉1分钟线的接口返回的字段也就是： time, open, high, low, close, volume, turnover 量价齐备，做技术分析够用了。 有一个点得说一下，它的分钟线跟逐笔数据是能对应上的。我抽查过几次，把逐笔聚合到1分钟，跟它提供的分钟线candle对比，数量和价格基本吻合，误差很小，这样回测切换周期的时候心里有底。 整体感觉，这个数据源更适合想深入做港股市微结构和算法交易研究的人，纯粹的看盘软件就没必要折腾这种原始数据了。对了，所有数据都是csv或pickle格式下载，用起来方便，不需要额外装数据库。 我踩过的坑也提一嘴：下载历史数据的时候，如果你的日期区间选太长，单次请求容易超时。最好是半天半天的拉，然后本地合并。还有，它那个试用额度每天有限制，想大批量用的还是直接买会员快些，不然像我当初用免费额度拉数据，中间断掉补起来很烦。 大概就是这些东西，谈不上多牛，胜在数据字段比较齐全，特别是逐笔里的单号标识，对我来说是捡到宝了。码字不易，有人需要的话我下次可以把我写的下载合并脚本也放出来。 每天9点15分到9点25分，很多股票已经提前暴露资金态度。盯着涨幅榜追高，往往买在情绪顶点；只看竞价涨幅，又容易被虚假挂单误导。真正有用的集合竞价选股，需要把价格、成交额、未匹配量和开盘后承接放在一起判断。 集合竞价不是预测涨停，而是用有限信息筛出“值得继续观察”的股票。 一、集合竞价到底在看什么 集合竞价阶段，买卖双方提交订单，交易系统按照最大成交量原则撮合。9点15分到9点20分可以撤单，9点20分之后撤单限制增加，9点25分形成开盘价。 实战中，我会重点观察四个字段： 字段 含义 实战用法 jjzf 竞价涨幅 判断资金愿意把价格抬到什么位置 jje 竞价金额 判断参与资金是否足够真实 noe 未匹配金额 判断买卖盘哪一方更拥挤 trend 交易方向 -1为主动性卖，0为中性盘，1为主动性买 单看竞价涨幅很容易踩坑。竞价涨幅达到8%，但成交额只有几十万元，可能只是流动性不足；竞价涨幅3%，成交额超过1000万元，同时未匹配金额持续偏向买方，参考价值更高。 二、我的集合竞价四层筛选法 1. 先做基础排雷 剔除退市整理、风险警示、上市时间过短、成交额长期低迷的股票。涨停价附近的股票，还要注意是否存在一字板无法成交的情况。 建议把竞价涨幅控制在2%至6%。涨幅太低，资金关注度不足；涨幅超过8%，开盘后容易出现获利兑现。 2. 看竞价金额是否达标 竞价金额是过滤“虚假强势”的核心指标。中小盘股可以设置1000万元起步，大盘股则需要结合流通市值提高门槛。 一个简单的标准是： 竞价金额占昨日成交额比例 = jje / 昨日成交额 这个比例不宜一刀切。市场活跃时可以放宽，缩量行情则要提高要求。 3. 观察未匹配金额方向 noe大于0，通常代表买方未匹配金额占优；noe小于0，代表卖方压力更明显。单个时点的未匹配量可能变化很快，最好连续读取9点20分、9点24分和9点25分附近的数据。 真正有参考价值的不是某一刻的买单，而是买方优势能否持续到竞价结束。 4. 等待开盘确认 竞价筛选只是建立候选池，不能直接当作买入信号。开盘后观察前5分钟： 价格是否站在竞价价之上； 成交量是否快速放大； 回踩时是否跌破竞价价； 所属板块是否同步走强。 如果个股高开后快速跌破竞价价，且卖单持续增加，即使竞价数据漂亮，也应放弃追涨。 三、用XTick接口获取竞价数据 XTick文档提供了“竞价数据-实时接口”，地址为/doc/core/bidtime，竞价时间段覆盖9点15分至9点25分。接口支持单只股票、最多100只股票批量查询，也支持code=all获取全市场数据。 请求地址格式如下： http://api.xtick.top/doc/core/bidtime?type=1&code=all&token=YOUR_TOKEN 其中，type=1代表沪深京A股，token需要登录XTick网站后获取。 接口返回的核心字段示例： { "type": 1, "code": "000001", "time": 1725845100000, "seq": 12, "price": 11.26, "close": 10.92, "jjzf": 3.11, "jjl": 86500, "jje": 9736900, "nol": 12000, "noe": 1351200, "trend": 1 } jjzf表示竞价涨幅，jje表示竞价金额，noe表示未匹配金额，trend=1代表主动性买盘。时间字段为毫秒级时间戳，使用时要转换为北京时间。 四、把筛选条件写成程序 下面是一段可以直接改造的Python示例。代码只负责筛选候选股，不构成自动交易指令。 import requests from urllib.parse import quote API = "http://api.xtick.top/doc/core/bidtime" TOKEN = "YOUR_TOKEN" option = { "filter": "jjzf>=2;jjzf<=6;jje>=10000000;noe>0", "sort": "noe", "asc": 0, "limit": 100 } params = { "type": 1, "code": "all", "option": quote(str(option).replace("'", '"')), "token": TOKEN } resp = requests.get(API, params=params, timeout=10) resp.raise_for_status() rows = resp.json() for row in rows: print( row["code"], f"竞价涨幅={row['jjzf']:.2f}%", f"竞价金额={row['jje']:.0f}", f"未匹配金额={row['noe']:.0f}", f"方向={row['trend']}" ) 接口文档中的option参数支持过滤、排序和数量限制。例如： { "filter": "jjzf>5;jje>=10000000", "sort": "noe", "asc": 0, "limit": 100 } 通过这个参数，可以直接筛选竞价涨幅超过5%、竞价金额不低于1000万元的股票，并按未匹配金额从大到小排列。 在生产环境中，建议使用标准JSON编码： import json params["option"] = quote(json.dumps(option, ensure_ascii=False)) 五、如何做历史回测 XTick还提供“竞价数据-历史接口”/doc/hot/bidhistory。该接口保留集合竞价阶段最后一条数据和开盘数据，可用于构建历史样本。 示例请求： http://api.xtick.top/doc/hot/bidhistory?type=1&code=all&startDate=2026-09-09&endDate=2026-09-09&token=YOUR_TOKEN 历史接口中的序列字段需要特别注意： seq值 含义 0 开盘数据 1 集合竞价最后一条数据，通常对应9点25分 回测时不能拿收盘后的数据参与当天选股。正确流程是使用seq=1的数据生成候选池，再用seq=0确认开盘表现，最后计算买入后5分钟、30分钟或收盘收益。 六、一个更稳健的实战模板 可以把策略拆成“竞价初筛”和“开盘确认”两步： 阶段 条件 动作 9:20前 竞价涨幅2%至6%，竞价金额达标 建立观察名单 9:24后 noe持续为正，trend多次为1 保留强势标的 9:25 竞价价格没有明显跳水 等待开盘 9:30至9:35 价格站上竞价价，成交量放大 评估是否参与 跌破竞价价 卖压增加、板块转弱 取消计划 这里的“参与”也要结合仓位管理。单只股票的试错仓位可以控制在总资金的10%以内，连续出现两次开盘破位时，暂停策略并检查市场环境。 七、常见误区 误区一：竞价涨幅越高越好 高开并不等于强势。超过7%的竞价涨幅，往往意味着更高的兑现压力，尤其是前一交易日已经大涨的股票。 误区二：看到大额买单就立即下单 竞价订单可能在规则允许的时间内撤销，单笔大单不能代表全天资金态度。应结合成交额、未匹配金额变化和开盘后承接判断。 误区三：忽视流动性 小市值、低成交量股票即使满足筛选条件，也可能出现滑点大、无法成交的问题。回测必须加入手续费、印花税、滑点和涨跌停无法成交等因素。 误区四：把回测结果当成收益承诺 集合竞价策略对市场风格非常敏感。震荡市、主升市和退潮期的表现差异明显，任何参数都需要滚动验证。 结语：把竞价信号变成交易纪律 集合竞价选股的核心，不是寻找一个“百分百上涨”的神奇指标，而是建立一套可重复执行的流程：用jjzf识别价格意愿，用jje确认资金规模，用noe观察买卖失衡，再用开盘后的价格和成交量完成确认。 竞价负责缩小范围，开盘负责验证逻辑，仓位负责控制结果。 接口详情可参考XTick接口文档，实盘接入前请先用历史数据和模拟账户验证参数。股市有风险，策略只能提高决策一致性，不能消除亏损可能。 开源项目：https://github.com/xticktop/skills 引言：一个关于“臭鱼罐头”的华尔街寓言 在华尔街的交易员圈子里，流传着一个既荒诞又残酷的经典寓言：有两个交易员多年来反复倒手一罐沙丁鱼罐头，每一次转手价格都水涨船高，双方账面上都赚得盆满钵满。直到有一天，其中一位交易员出于好奇打开了罐头，却发现里面的鱼早已发臭变质。 他愤怒地质问对方为何卖假货，对方却冷冷地回了一句名言： “谁让你打开的？这罐沙丁鱼是用来交易的，它就不是用来吃的。” 这一句话，直接戳穿了A股散户亏钱的底层逻辑：绝大多数人直到爆仓亏损，都没分清手里拿的标的到底具备的是“交易价值”还是“食用价值”。 核心公式：1%的“边际定价”决定了99%的财富 在资深投资心理学专家看来，股价与公司价值之间存在着显著的心理剪刀差。目前A股总市值超过100万亿，但每天参与真实成交的资金量往往不到1%。这种“边际定价（Marginal Pricing）”现象揭示了一个反直觉的真相：那1%的成交量（往往由极端情绪驱动），决定了剩下99%不交易资产的评估价值。 我们可以将这一逻辑凝练为核心公式： 股价 = 内在价值 × 估值情绪 ●内在价值（Intrinsic Value）： 这是企业的压舱石。在数月甚至一两年的短周期内，由于生产线、订单和现金流的稳定性，内在价值的变动通常极其微小。 ●估值情绪（Sentiment Multiplier）： 这是人心投射出的放大器。人心瞬息万变，今天市场狂热愿意给50倍市盈率，明天恐慌可能只给20倍。这种基于社会认同（Social Proof）的情绪波动，可以在一周内让股价腰斩，也能让其瞬间翻倍。 痛点一：拿“天气”去推测“地心温度” 散户交易者的第一个心理误区是：将价格波动等同于基本面恶化。 事实上，绝大多数时候股价的红绿数字并不反映公司经营状况。公司的产线没炸、管理层没跑路、行业壁垒依然稳固，变动的仅仅是交易者的博弈情绪。 “你拿价格去反推价值，等于拿天气去判断地球内部的温度。” 天气的阴晴圆缺不过是大气层的表象，它无法撼动地心的滚烫。如果你试图通过短期价格的“天气”去猜测公司价值的“地心温度”，本质上是在用噪音指导决策。 痛点二：便宜不代表能买，臭的永远是臭的 另一种致命逻辑是“价格锚定”带来的幻觉：跌了60%，总该见底了吧？ 在职业金融专栏作家的视角下，这往往是典型的流动性陷阱。如果这罐“沙丁鱼”在100元时是腐臭的，跌到40元时它依然是腐臭的。价格的大幅回撤并不意味着内在价值的显现，往往只是说明“接盘侠”枯竭了。如果标的本身缺乏基本面和现金流支撑，无论跌到几折，它都不具备投资价值。 痛点三：故事只是“交易罐头”的包装纸 在A股市场，宏大的叙事、跨界赛道、大佬背书，本质上都是为“交易罐头”定制的包装纸。 我们需要认清一个残酷的真相：包装纸越华丽、越能引发市场共鸣，往往说明里面的东西越不能吃——因为设计这套包装的人，打从一开始就没打算持有。 这类标的呈现出典型的信息不对称： **●**机构博弈： 包装精美是为了制造足够的流动性，方便机构在极高换手率中“偷偷派发”筹码。 ●包装逻辑**：** 无业绩、无现金流，全靠情绪和期待支撑。 一旦换手率停滞，音乐停止，那些被包装纸迷惑而追高的散户，将不得不面对手中罐头腐臭的现实。 避坑指南：你是“资深饕客”还是“冷血雇佣兵”？ 要避免成为接盘侠，你必须在买入前进行严苛的心理防御，确认你手中拿的是“使用罐”还是“交易罐”： **◆使用罐（投资逻辑/**饕客模式）： **●**核心指标： 现金流、行业壁垒、股息分红。 **●**问询标准： 思考三年之后，这家公司是否能保持盈利并依然存在？ **●**操作原则： 价格低于价值时入场，股价下跌是“折价购买”的红利。 **◆交易罐（投机逻辑/**雇佣兵模式）： **●**核心指标： 筹码分布、量能换手、市场情绪。 **●**操作原则： 必须保持“冷血”，严格执行止损。不谈感情，不谈“长相”，只要音乐一停，立刻离场。 特别警示： 市场上最凄惨的群体，是那些拿着“交易罐”却在亏损后陷入认知失调（Cognitive Dissonance）的人。为了回避认错的痛苦，他们开始用“长期持有”、“与优秀企业共成长”等投资逻辑自我安慰。但请记住：如果罐头本身已经发臭，你等待再久，等来的也不会是价值回归，而是彻底的清零。 总结：音乐停了，你手里剩下了什么？ 在点击“买入”按钮前，请务必进行最后一次灵魂拷问：我是打算真正“吃掉”这笔资产，还是打算在腐臭被揭开前卖给下一个倒霉蛋？ 正如华尔街那句名言：用来交易的就别打开，用来吃的才配谈价值。 如果现在音乐戛然而止，你手里那罐经过层层加价的沙丁鱼，你真的敢打开闻闻它的味道吗？ 
