复利娃2026-10-28 发布一、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 
白胖二2026-10-28 发布导言：散户如何打破机构的“信息与技术壁垒”？ 在股市里，为什么普通散户总是频频沦为被收割的“韭菜”？ 顶尖机构炒股，靠的是海量的数据分析、专业的量化算法，以及背后一整支高薪聘请的专业投研团队。 相比之下，普通散户请不起顶级分析师，买不起高昂的算法模型，平时看盘只能依赖几条简单的指标线，甚至完全靠“凭感觉”去买卖。这种在信息、技术和专业度上的天壤之别，本质上就是在凭运气给机构**“送钱”****。** 不过，随着人工智能技术的爆发，这种不平等正在被彻底打破！这套豆包AI选股指令，我和团队亲测有效，谁用谁会有收获。只要你掌握了对豆包AI的系统化“调教”方法，精通5组关键提示词（Prompt），就能免费拥有一个不输职业交易员的专属金牌投研团队。 请时刻牢记那句硬道理：“投资是认知的变现，不是赌博。” 摆脱盲目猜想，学会用客观数据和严密逻辑装备自己，才是散户逆风翻盘的唯一解。 实操干货：豆包AI“五步选股法”全流程拆解 想要让豆包AI真正为你所用，关键在于构建一套严密的投研闭环。以下连续的五个步骤，包含了从全网大范围筛选到最终拉网式风控的全过程。 第一步：全网扫描，筛选潜力标的 【核心目的】：快速大面积扫描全网标的，将资质差的“杂毛股”直接挡在门外。 【逻辑拆解】：指挥豆包AI按照“价值因子”（如低估值、高股息）与“质量因子”（如ROE表现良好、现金流充沛）设定基础门槛，对全网股票进行大范围初筛，过滤掉缺乏基本支撑的垃圾股，锁定候选股票池。 【豆包AI****指令模板】： “请作为资深量化研究员，按照‘价值因子’（如合理的市盈率/市净率、估值安全垫）和‘质量因子’（如净资产收益率ROE > 12%、经营性现金流充沛）对全网A股进行大范围扫描筛选。请剔除存在退市风险、财务异常或实控人合规问题的标的，初步筛选出10只最具潜力的候选股票，并列出核心推荐理由。” 💡 博主实战贴士：如果AI给出的列表偏多，可以追问一句：“请按近三年的平均ROE由高到低重新排序，仅保留前5只。” 第二步：深挖基本面，确认财务与经营可靠性 【核心目的】：扎实完成“保命”防坑，剔除财务造假或经营恶化的隐患标的。 【逻辑拆解】：指挥豆包AI对初选标的进行深度基本面“体检”，重点核查其历年财报数据与实际经营状况，确认公司的业务逻辑是否顺畅，为投资建立坚实的安全垫。 【豆包AI****指令模板】： “请对我初选的标的 [股票名称/代码] 进行深度基本面诊断：重点分析其近三年的财报数据（包括营业收入增速、净利润质量、资产负债率、自由现金流状况）以及主营业务的经营可靠性，判断其基本面是否扎实，并列出该股是否存在财务造假或经营恶化的隐患。” 第三步：研判资金情绪，看穿机构真实意图 【核心目的】：精准洞察资金动向与盘面情绪，看穿机构是在“洗盘”还是“诱多出货”，避免追高被套或被甩下车。 【逻辑拆解】：指令豆包AI结合当下的市场情绪、盘面实时数据、换手率以及成交量能等维度进行综合研判，让客观数据说话，准确识别聪明资金的真实意图。 【豆包AI****指令模板】： “请结合 [股票名称/代码] 最近5个交易日的盘面数据，综合分析其资金换手率、成交量能变动以及主力资金净流入情况。请用数据说话，研判当前市场情绪，并帮我分析主力资金究竟是在‘洗盘震仓’还是在‘诱多出货’？” 第四步：评估成长空间，锁定细分领域龙头（高价值核心） 【核心目的】：深度挖掘具备爆发力和持续成长潜力的细分龙头（这组指令价值极高，是整套体系的核心）。 【逻辑拆解】：要求豆包AI评估公司在细分领域内的竞争壁垒、市场成长空间及未来发展的长期潜力。职业投资必须恪守一条铁律：没有成长空间的公司，再便宜也不能碰！ 【豆包AI****指令模板】： “请评估 [股票名称/代码] 在其细分领域的行业地位与核心竞争优势（如专利、渠道、品牌壁垒）。结合该细分行业未来3-5年的市场空间与增长驱动力，深度分析该公司的长期成长潜力，判断其是否具备成为高成长细分龙头的能力。” 第五步：全方位风控，先算风险再算利润 【核心目的】：树立职业交易员的风控思维，下注前拉网式排查潜在风险，防范重大亏损。 【逻辑拆解】：职业选手和管大资金的人选股票，最基本的操守就是**“先算风险，再算利润”。让豆包AI对股票开展全方位的风险诊断，严格排查经营风险、行业风险、估值风险和市场波动风险**四大维度。 【豆包AI****指令模板】： “请作为首席风控官，对 [股票名称/代码] 进行一次拉网式的全方位风险评估。请重点排查以下四个维度：1. 经营风险（如客户集中度过高、供应链风险）；2. 行业风险（如政策监管变动、技术被替代风险）；3. 估值风险（如历史估值分位数、短期溢价过高）；4. 市场波动风险（如大盘系统性风险、Beta系数）。最后请给出整体风险等级评估及风控应对建议。” 总结与散户避坑心法 通过以上5组指令，我们就搭建起了一套严密的投研闭环：全网初筛（剔除杂毛） -> 深度基本面（保命防坑） -> 资金情绪面（看穿意图） -> 成长空间评估（锁定龙头） -> 全方位风控（风险优先）。有了这套AI赋能的标准化流程，散户也能拥有媲美顶级机构的投研执行力。 散户避坑三条核心心法： ●职业风控优先：时刻保持职业选手的思维习惯。大资金操盘的第一准则是“先算风险，再算利润”，风控做不好，赚再多钱也只是暂时的“纸上富贵”。 ●坚决远离无成长标的：股价便宜绝不是买入的理由，时刻记住“没有成长空间的公司，再便宜也不能碰”，必须把资金聚焦在有潜力的细分龙头身上。 ●**用数据认知替代主观情绪：炒股绝非博彩，“投资是认知的变现，不是赌博”**。善用豆包AI等科技工具将盘面量能、换手率和基本面转化为客观的数据认知，才能在市场中稳健前行。 引言：在复杂市场中寻找确定性 面对当前震荡加剧、多变复杂的股市环境，不少散户朋友频频踩坑——追涨遭遇高位洗盘，一卖又逢低位反弹，看盘毫无头绪，甚至陷入了对交易方向的强烈迷茫。在主力资金花样百出的“假突破”与“骗线”面前，散户该如何看清盘面真实意图，建立不慌张的交易心态？ 答案在于回归市场最基础、最真实的语言——成交量。价格可以靠少量资金捏造，但真金白银堆出来的成交量绝无法伪造。资深投资者“老”将自己多年的实战研究与复盘经验，精炼成了通俗易懂的看盘口诀。哪怕没有任何深厚的财务背景，只要看懂量柱消长背后的博弈逻辑，就能轻松看清市场主线，建立属于自己的确定性交易体系。 核心干货：成交量六大看盘口诀全解析 在运用口诀前，首先要明确看盘界面中放量与缩量的基本判断标准： **●**放量：当前（右侧）成交量柱高于前一周期（左侧）成交量柱，代表资金交易活跃、多空分歧增大。 ●缩量：前一周期（左侧）成交量柱高于当前（右侧）成交量柱，代表市场交投清淡、资金观望情绪浓厚。 深度剖析：口诀背后的筹码博弈逻辑 **●**放量上涨，必然回调 博弈逻辑：短线获利盘集中兑现，主力换手频繁。当上涨伴随着成交量剧烈放大时，往往意味着追高情绪过热，市场筹码开始松动。由于短期多头能量消耗过快，股价后续必然需要通过洗盘回调来消化获利盘、重新凝聚共识。 **●**放量下跌，必然反弹 博弈逻辑：恐慌盘集中砸盘离场，低位承接资金介入。下跌途中的爆量，说明场内不坚定筹码在割肉出局，同时场外抄底资金在低位剧烈接盘。一旦恐慌抛压被快速吸收，市场极易触发超跌反弹行情。 **●**缩量上涨，继续上涨 博弈逻辑：主力控盘度极高，筹码高度锁定。股价持续走高而成交量并未放大，说明场内抛压极轻，主力无需消耗大量资金即可推升股价。这表明上涨趋势健康且尚未见顶，后市将延续升势。 **●**缩量下跌，还会下跌 博弈逻辑：买盘严重匮乏，市场缺乏流动性承接。“无量阴跌”往往最伤散户，这代表主力并未在此处筑底建仓，跟风资金不敢入场，阴跌探底过程远未结束，切忌盲目抄底。 **●**放量不涨，头部已现 博弈逻辑：主力高位派发筹码，多空分歧达到极值。在相对高位出现惊人成交量，股价却涨幅微弱甚至收出长上影线，这是典型的“天量滞涨”。说明主力正趁着散户追高疯狂出货，是明确的见顶信号。 **●**缩量不跌，底部再次确认 博弈逻辑：抛盘彻底衰竭，地量见地价。股价跌势终止，成交量持续萎缩至极点，表明市场上想卖的人已经卖光，空头力量完全耗尽。这种“无量平盘/微涨”标志着主力筑底完成，底部区域得到明确确认。 实战指南：跟紧“老”的日常研究与复盘逻辑 掌握了量价口诀，还需要配合系统的日常跟踪，才能把看盘规律内化为交易本能。“老”为大家规划了清晰的学习路径： 1.研读每日第一条视频·****看盘心法（谈心法）： “老”每天都会把最新研究的市场方向与逻辑，融入到第一条视频的“看盘心法（谈心法）”中。内容深入浅出，哪怕只有小学文化，看完也能对当天的盘面脉络与操作方向一目了然。 **2.**参与周末直播深度复盘： 每到周末，“老”会通过直播复盘带大家全面梳理整周的量价结构、主力资金流向以及筹码分布演变，厘清下一阶段的应对策略。 **3.**验证实战硬核实力： 股市投资靠的是真本事，只需连续关注并跟踪“老”的研究逻辑几天，就能直观切身地感受到这套看盘心法的实用性与硬实力。 “投资的道路漫长而艰难。老陪着大家并肩作战。” 结语与祝愿：九月逆风翻盘，互动集福 股市虽然不可预测，但资金的痕迹有迹可循。只要看懂成交量，就能在迷茫的行情中找准航向。 本文核心要点提炼： **1.**掌握量价辨析：准确识别“放量”（右高于左）与“缩量”（左高于右），深刻理解六大口诀背后的筹码锁仓、主力派发与抛盘竭尽等博弈逻辑。 **2.**坚持日常复盘：每日锁定第一条视频的“看盘心法（谈心法）”，周末配合直播复盘，做到心中有数、顺势而为。 3.保持坚定心态：面对漫长且艰难的投资道路，不被短期波动动摇，跟紧专业逻辑，实现理性交易。 从白嫖破产到实盘基建，一文讲透Tushare、AKShare、yfinance、Polygon、TickDB的真实能力边界 信息最后核实：2026年2月11日 开篇：2026年，数据源不再是“免费午餐” 两年前，圈子里流行一句话：“数据源？requests.get一把梭，yfinance天下第一。”2025年9月28日，这句话成了历史。 雅虎财经改了Cookie校验，全球依赖yfinance的量化脚本像多米诺骨牌一样接连倒下。有人连夜改代码，有人直接停策略。更魔幻的是，群里一位老哥用多线程爬虫补数据，结果被运营商判定为“网络攻击”，宽带IP封禁，最后去营业厅签字画押才解封。 这不是段子，这是2026年量化开发者的新常态。 免费数据源的退潮速度，比所有人预想的都快。 而合规、稳定、低延迟的数据服务，正在从“可选项”变成“必选项”。但问题来了：市面上数据服务五花八门，有的贵得离谱，有的便宜但藏着坑，到底怎么选？ 这篇文章，我会用一套统一的评估框架——数据质量、获取成本、网络延迟、支付门槛、适用场景——把目前最主流的五家数据源拆开揉碎，摊在桌面上给你看。 不吹不黑，只讲事实。读完你不需要再刷任何选型贴，因为这一篇，够了。 一、Tushare Pro：A股基本面研究的“数据工业标准” 核心优势：它卖的不是数据，是“干净数据” 如果你只做A股日线，Tushare Pro可能不是最便宜的，但它一定是最省心的。 做基本面量化的人都有体会：原始财报数据是“毛坯房”。除权除息、财报发布日期对齐、停牌标记、新股前五天——每个环节都有坑。自己洗数据，轻则回测偏差，重则策略逻辑直接错误。 Tushare Pro最值钱的地方，就是帮你把毛坯房装成了精装房。 拿到的DataFrame，字段名规范、复权状态清晰、日期对齐，直接喂回测引擎，一句if-else都不用写。这个“标准化”的价值，远比数据本身昂贵。 积分体系：5000分不是终点，而是起点 关于积分，网上很多信息已经过时。2026年的真实情况是： 充值比例：1元=10积分，5000分需要充值500元（历史惯例，无最新变更）。 5000分能干什么：A股常规日线接口几乎无频次限制，全市场回测、大规模因子挖掘无压力。 5000分不能干什么： 港美股数据：不在积分体系内，需独立申请，个人用户门槛极高，真正意义的实时行情未开放。 分钟级K线：不在积分体系内，需单独付费订阅。A股分钟数据约1000元/月，且独立频控（约500次/分钟）。 结论： 积分是A股日线的“通行证”，但不是高精度数据的“万能钥匙”。 频控与封禁：老用户的血泪教训 用户类型 常规接口频控 超频后果 低积分用户 50-200次/分钟（接口差异大） 请求失败，程序报错 5000+积分 基本无限制 —— 分钟数据接口 独立频控（约500次/分钟） 付费也需遵守 恶意超频 —— Token永久封禁 血泪建议： 代码里加sleep(0.2)不是技术差，是成熟。 历史数据拉一次存本地，是量化开发者的第一课。 别开50个线程扫Tushare——你的Token比你想象的更脆弱。 适用人群 ✅ A股基本面研究者——财报数据清洗质量行业标杆。 ✅ 日线策略开发者——500元买断调用自由，回测体验极佳。 ✅ 长周期回测团队——数据稳定，接口成熟，文档齐全。 ❌ 美股实盘交易者——数据精度和权限都不够。 ❌ 高频/日内策略开发者——分钟数据成本高，且有频控。 ❌ 跨市场全能选手——港美股只是配角，别当主力。 我的结论： Tushare Pro依然是A股基本面研究的最优解，没有之一。但它的商业化步伐正在加速，你只需要为“日线自由”付费，别幻想积分能解锁一切。 二、AKShare：另类数据的“诺亚方舟” AKShare是我见过最“拼命”的开源项目——它把几百个网站的数据扒下来、洗干净、统一格式，还完全免费。但这把双刃剑的另一面是：你永远不知道它哪天会断。 核心优势：付费数据源不覆盖的地方，是它的主场 做多因子策略，阿尔法往往藏在非传统数据里。AKShare的另类数据覆盖，在行业内是独一档的存在： 宏观：CPI、PPI、货币供应量 产业：能繁母猪存栏、玻璃库存、光伏装机量 特色：恐慌指数、居民信心、物流景气度 电商/舆情：淘宝销量、微博热度（部分接口） 这些数据你去问任何一家付费数据商，要么没有，要么贵到劝退。AKShare把门槛直接打到了零。 但它不是，也永远不会成为“实盘接口” 很多人犯的第一个错误，就是试图把AKShare当成实时行情源。 延迟不可控：爬虫是“拉取”不是“推送”，延迟在秒级到分钟级波动。 随时会断：数据源改个CSS类名，接口就崩。2026年反爬只会更严，不会放松。 并发即封：开10个线程扫东方财富，半小时后你的IP就在小黑屋了。 正确用法： 盘后批量拉历史数据，做回测。 每天定时取一次宏观指标，更新因子库。 找付费数据源不覆盖的“野路子”数据。 绝对禁止在交易时段调用。 2026年安装避坑：Node.js已成必选项 如果你遇到这个报错，别慌： execjs._exceptions.RuntimeUnavailableError: Could not find a JavaScript runtime. 这是AKShare部分接口的正常诉求，不是bug。 数据源用JS反爬，你就得装JS环境。 # 推荐安装流程 python -m venv akshare_env source akshare_env/bin/activate pip install -i https://pypi.tuna.tsinghua.edu.cn/simple akshare # 下载Node.js LTS版并安装，然后 pip install PyExecJS 建议： 即使你现在用不到JS接口，也建议提前装好Node.js——等你需要的时候现装，大概率是半夜。 并发与IP封禁：2026年生存指南 社区没有任何人能给你一个“安全线程数”，因为每家数据源的风控阈值都是黑盒。 但以下策略，已被验证有效： 策略 具体操作 效果 强制间隔 单次请求后sleep(3)以上，用random.uniform(3,6) 降低被识别为爬虫的概率 分块暂停 每拉10只股票，停20秒 分散请求压力 本地缓存 历史数据拉一次存Parquet 从根本上减少请求量 代理池 商业代理分摊请求IP 规避单IP封禁 2026年新趋势： 多家数据源已引入设备指纹+行为分析——光换IP已经不够，还要控制请求节奏的“拟人度”。核心就一句话：慢，才是快。 适用人群 ✅ 量化策略研究者——另类数据独此一家，别无分号。 ✅ 宏观对冲玩家——免费获取产业/宏观数据。 ✅ 学生/个人开发者——学习量化、验证想法的最佳伙伴。 ❌ 任何实盘交易者——包括低频策略。 ❌ 高频策略开发者——延迟和断供风险不可接受。 ❌ 企业生产环境——除非你为每个接口做冗余。 我的结论： AKShare是开源社区对量化圈最慷慨的馈赠，但它是一艘诺亚方舟，不是航空母舰——只救急，不救市。请在使用前默念三遍：请求间隔3秒以上，不实盘，不抱怨。 三、Yahoo Finance (yfinance)：一个时代的谢幕 把yfinance放进选型清单，唯一的作用是立墓碑。 那个著名的“9·25事件”，其实是个伪命题 很多人以为2025年9月25日Yahoo搞了个“Cookie大改版”，导致yfinance彻底废了。 真相是：根本没有这么个特定事件。 GitHub上搜不到任何官方确认的“9·25变更”记录。你遇到的所有崩溃，只是Yahoo Finance十年来无数次静默改版中的一次。今天改登录态，明天改API字段，后天加反爬JS——yfinance的维护者永远在追，永远追不上。 国内直连：已成历史 雅虎2021年就退出了中国大陆。现在从国内宽带直连finance.yahoo.com，结果大概率是连接超时、DNS污染、无响应。这不是网络波动，是政策性阻断。 有人会说：“我用VPN能连啊。” 是的，能连。但VPN会断、会慢、会丢包、会被封。把策略的命脉交给VPN，等于把房子盖在流沙上。 社区共识：2026年，它只配待在“教育”文件夹 现在去Reddit量化板块问yfinance，最高赞回复永远是：“For educational use only.” 这句话翻译过来就是：写作业可以，动真钱不行。 “修复”方法：唯一且无奈 pip install --upgrade yfinance 然后祈祷。 祈祷Yahoo这周别改版，祈祷社区能在你策略死机前发出补丁。 这不是技术方案，是玄学。 2026年替代方案：免费API生态已成熟 服务 免费额度 核心优势 适合场景 Finnhub 60次/秒，实时报价 综合实力最强，免费额度慷慨 个人实盘、严肃项目 Alpha Vantage 5次/分，日500次 上手极快，文档友好 学生、初学者 Polygon.io 免费日线 数据质量天花板 准备付费的专业用户 FMP 每日限额 基本面数据极深 价值投资 EODHD 免费日线 历史数据超长 长周期回测 TickDB 新用户30天全免费 跨市场统一接入，国内优化 全球宏观、跨市场实盘 我的建议： 如果你需要免费、稳定、带实时报价的通用数据源，Finnhub是首选。 如果你需要同时监控A股、美股、外汇、加密货币，TickDB的30天免费体验是目前零成本的试错机会。 2026年了，别再和yfinance互相折磨。 四、Polygon.io：哈苏相机，但你需要先学会冲洗胶卷 Polygon.io是美股数据源的“天花板”，这一点没有争议。 但天花板的意思是：你站在地上仰望它，还是爬到顶楼触摸它，中间的梯子要自己搭。 核心优势：无可挑剔的数据工业标准 源头延迟<10ms：直接接交易所光纤，内部处理亚毫秒级。 数据完整度：美股全品种、全历史Tick数据、期权链、财报日历、拆分分红——你要的它都有。 API设计：REST响应极快，WebSocket推送稳定，文档是金融数据领域的教科书。 如果你做美股中高频、对数据精度有信仰，Polygon是你绕不开的名字。 支付：2026年，Stripe依然是那堵墙 Polygon的支付只有Stripe。而Stripe对中国信用卡的风控，七年了，一点没松。 我2026年1月刚试过：招商Visa全币种，绑到第三步弹窗：Your card was declined。换中行、换工行，一样的结果。 结论极其明确：除非你有海外信用卡或虚拟卡，否则Polygon的付费门槛是物理存在的。 网络：直连是奢望，中转是标配 Polygon的服务器全在美国。它没有任何国内节点，连香港节点都没有。 从北京电信直连WebSocket，RTT稳定在250ms以上，晚高峰能飙到400ms+。你看到的“实时”价格，其实是0.4秒前的价格。高频？不存在的。 国内用户唯一可行路径： 香港租一台轻量VPS（阿里云香港、腾讯云香港、AWS Tokyo等） 中转机上跑Polygon客户端 本地程序通过内网隧道取数据 代价：每月多花5-10美元VPS费 + 一晚上的配置时间。 收益：延迟压到80-120ms。 价格：免费的只是样片，实盘得买哈苏机身 套餐 价格 核心能力 定位 Basic $0 5次/分钟 连通性测试 Starter $29/月 无频控，延迟数据 回测、盘后分析 Developer $79/月 更长历史数据 深度回测 Advanced $199/月 WebSocket实时流 实盘起步门槛 实盘 = $199/月 ≈ 1.7万/年。 加上香港VPS，轻松破2万。 不是贵，是贵且折腾。 替代路径：不一定要自己造梯子 国内云厂商行情：阿里云云行情上海节点延迟约98ms，支付宝支付，中文文档——2026年最省心的美股实盘方案（数据覆盖需自行验证）。 中转代理平台：第三方代采Polygon数据，经香港节点分发，用户只需付服务费，支付和网络一次性解决。 我的建议： 新手/不想折腾：国内云行情，省心第一。 Polygon铁粉：接受“Polygon+香港中转+海外卡”的组合技。 延迟要求不高：Finnhub免费套餐够用。 工具是为人服务的，别被工具绑架。 五、TickDB：为“数据割裂”而生的新物种 2025年底，社群一张截图让我记住了这个名字：同一个WebSocket连接里，A股、美股、外汇、加密货币同时跳动，数据格式完全一致。 评论区炸了：“这是哪家的聚合层？” 答：TickDB。 它解决的，正是量化开发者最隐形、最折磨人的痛点——数据割裂。 核心优势：一套API，打通全球市场 如果你维护过A股QMT、美股Polygon、币圈CCXT三套系统，你一定懂这种痛苦： 三套认证逻辑 三套数据格式 三套错误码 三套重连机制 TickDB把这一切抽象成了一层。 # 一次订阅，覆盖四大市场 { "cmd": "subscribe", "data": { "channel": "ticker", "symbols": ["600519.SH", "AAPL.US", "EURUSD", "BTCUSDT"] } } 返回的是统一结构的JSON，无需针对不同市场写解析适配器。 对于跨市场配置、全球宏观策略的开发者来说，这等于省掉一个全职运维的人力成本。 多市场Symbol标准化：没有历史包袱 TickDB的符号命名规则，直接面向现代开发者习惯： 市场 格式 示例 A股 {code}.SH / {code}.SZ 600519.SH, 000001.SZ 美股 {symbol}.US AAPL.US, TSLA.US 港股 {code}.HK 0700.HK, 9988.HK 外汇 {base}{quote} EURUSD, USDJPY 贵金属 X{metal}USD XAUUSD, XAGUSD 加密货币 {base}{quote} BTCUSDT, ETHUSDT 没有历史遗留命名混乱，所见即所得。 生产级代码：文档直接给“能跑”的示例 很多API文档只给一个“Hello World”，真上线才发现缺心跳、缺重连、缺错误处理。TickDB的文档里直接给了带保活的生产级示例： import websocket import json import time API_KEY = "YOUR_KEY" SYMBOLS = ["600519.SH", "AAPL.US", "EURUSD", "BTCUSDT"] def on_open(ws): ws.send(json.dumps({ "cmd": "subscribe", "data": {"channel": "ticker", "symbols": SYMBOLS} })) def on_message(ws, msg): data = json.loads(msg) if data.get('cmd') == 'ticker': tick = data['data'] print(f"{tick['symbol']}: {tick['price']}") def run(): while True: ws = websocket.WebSocketApp( "wss://api.tickdb.ai/v1/realtime", header={"X-API-Key": API_KEY}, on_open=on_open, on_message=on_message ) ws.run_forever(ping_interval=30, ping_timeout=10) print("连接断开，3秒后重连...") time.sleep(3) if __name__ == "__main__": run() 这个示例是真正生产级别的——心跳、重连、错误容错都考虑到了，复制即用。 国内网络优化+零门槛试用 作为后来者，TickDB在产品设计上明显瞄准了中国开发者的痛点： 接入节点优化：国内多地实测延迟显著优于直连海外。 支付零门槛：支持微信/支付宝。 文档中文：社群响应及时。 最狠的是：2026年春节期间，他们搞了个“早鸟大礼包”——新用户注册送30天全品类实时行情权限，低延迟节点优先接入。 这意味着什么？ 你不用花一分钱，就能完整验证它的数据质量、延迟、稳定性。 你可以用一个月时间跑一遍策略，再决定是否付费。 不用像Polygon那样，先交$199才能看到实时数据长什么样。 对于尚未稳定盈利的个人开发者，这种“先试后买”是实打实的善意。 客观短板：新秀的必经之路 历史数据深度：回溯长度暂时不及老牌厂商，需要长周期Tick回测的用户需搭配其他服务。 社区生态：用户基数尚小，遇到问题可能无法“一搜即达”。 但这些短板是否致命，取决于你是谁： 你要实时行情+近期历史数据 → 完全够用。 你要回溯20年美股Tick做高频回测 → 它暂时不是你的菜。 适用人群 ✅ 跨市场策略开发者——一套代码跑全球，体验极佳。 ✅ 个人实盘交易者——支付友好、网络优化、免费试用，试错成本几乎为零。 ✅ 从零搭建交易系统的新手——不想一上来就陷入多源拼接的泥潭。 ❌ 超长历史Tick回测研究者——建议搭配专业历史数据服务。 ❌ 对数据聚合层有天然疑虑的用户——官方已公开数据来源，接受度因人而异。 我的结论： TickDB没有试图成为下一个Polygon或Tushare。它只解决一个问题——“数据割裂”，并且在这个问题上做到了极致的简洁。 如果你恰好被这个问题困扰，它可能是2026年性价比最高的选择。 六、选型决策树：看完还不会选的，来评论区找我 五家数据源核心能力速查 数据源 不可替代性 最佳场景 最大障碍 Tushare Pro A股基本面数据标准化 日线回测、因子挖掘 分钟/港美股需额外付费 AKShare 另类数据全覆盖 宏观产业研究、因子挖掘 稳定性、并发风险 yfinance —— 教学、个人记账 2026年已不适合实盘 Polygon.io 美股数据质量天花板 中高频、专业实盘 支付+网络+高成本 TickDB 跨市场统一接入 全球宏观、个人实盘 历史数据深度、社区生态 决策树：3步找到你的答案 第一步：你要实盘吗？ ❌ 不实盘 → 第二步（研究/回测） ✅ 实盘 → 第三步（实盘交易） 第二步：研究/回测场景 A股基本面/日线策略 → Tushare Pro 另类数据、宏观指标 → AKShare 超长历史美股日线 → EODHD / 商业历史数据 课程作业、快速原型 → Finnhub / Alpha Vantage（yfinance替代） 第三步：实盘交易场景 只做A股 → 券商官方API + Tushare Pro辅助 只做美股（极致性能） → Polygon.io + 香港中转（需海外支付） 只做美股（性价比） → 国内云行情 / Finnhub 跨市场（A股+美股+外汇+币） → TickDB（一套代码全搞定） 我的个人实盘组合（供参考） 场景 数据源 成本 A股日线回测 Tushare Pro 500元（一次性） 另类数据挖掘 AKShare 免费（3秒间隔） 实盘实时行情 TickDB 50-100元/月 历史Tick数据 商业数据 按需采购 总月成本：约100元。 换来的是：不用维护三套代码、不用半夜起来重连、不用跪求海外朋友代付。 这笔账，我觉得很值。 写在最后：数据基建的“认知税” 2018年我刚入行，前辈说：“数据源是最不值钱的部分，网上一堆免费的。” 我信了。然后我花了6年时间，验证了这句话是最大的谎言。 免费数据源的真实成本，不在账单上，而在： 你花三天三夜调试爬虫的那个周末 策略因数据断供而空转的那个交易日下午 回测曲线漂亮、实盘却莫名亏损的那个深夜 所有命运赠送的免费数据，早已在实盘账户里标好了价格。 2026年，这个价格标签越来越清晰： Tushare Pro的500元，是A股数据标准化的税。 AKShare的3秒间隔，是对开源社区保持善意的税。 Polygon的$199+中转费，是美股数据质量信仰的税。 TickDB的统一接口费，是“不想再为数据割裂加班”的税。 没有哪笔税是冤枉的，前提是你知道自己在为什么买单。 如果你读到这里，说明你已经准备好认真对待数据基建这件事了。 那么，最后一个问题留给你自己： 2026年，你选择为哪笔税付费？ 📅 信息核实说明 本文所有技术描述、定价信息、社区反馈，均基于截至2026年2月11日的公开资料及可追溯的用户社区讨论。部分数据（Tushare分钟数据价格、Polygon实时延迟）来源于历史信息或基于公开架构的理论推算，非官方最新承诺，实际以各服务商官网为准。本文力求客观，不代表任何数据源厂商立场，亦不构成投资建议。 最后更新：2026-02-11 如果你对TickDB的“跨市场统一接入”能力感兴趣，或想亲自验证它在你自己网络环境下的延迟表现—— 目前官方仍开放“春节早鸟”免费体验名额，注册即送30天全品类实时行情权限及优先接入节点。 👉 https://tickdb.ai 本文开放转载，无需申请，保留出处即可。 摘要：给A股看板、研究页或AI助手选行情接口，产品经理首先要明确数据用于什么功能、需要怎样更新。本文按用途比较AKShare、Tushare与TickDB的具体入口，结合寒武纪的真实查询结果，给出候选选择表和一张填好的试用需求卡，方便与技术同事讨论接入。 给一个A股产品做演示，显示寒武纪的价格就能往下走。到了交付阶段，需求开始变细：研究页要过去一年的日线，看板要盘中刷新，AI助手要说清价格截至几点。前期只确认“能拿到价格”，后面就容易补权限、换入口、重写取数逻辑。 先按要交付的功能选入口。Python历史研究可从AKShare的日线函数试起；已有Tushare研究流程，优先核对其历史与盘中入口；报价、历史和AI查数需要共同进入一个产品时，可以验证TickDB的组合路径。TickDB为开发者、量化研究和AI应用提供统一的行情访问入口，本篇用它取得同一只股票的报价与日线，再把结果对应到产品需求。 一、一分钟看懂：三家先试什么 你要交付的功能 可以先试的入口 第一轮看什么结果 用Python整理历史日线 AKSharestock_zh_a_hist；也可把Tushare daily、TickDB K线纳入候选 指定股票和日期，取得口径一致的历史记录 在已有Tushare流程上增加盘中页面 历史用daily；实时日线另看rt_k等对应入口 更新方式与权限是否适合页面需求 同一产品需要报价、历史及AI按需查询 TickDB报价、K线与MCP入口组合 同一股票的结果能否供展示、研究和回答引用 这里给的是试用起点。三家的用途可以重叠，AI也可以查询报价或历史。数据需求和访问方式要分开考虑，不能把三家简单分成“只做历史”“只做研究”“只做AI”。 本文对AKShare、Tushare核对官方资料；TickDB另有2026年10月26日晚间通过MCP取得的真实样本。下面按具体任务比较入口与条件。 图1：AI生成概念示意。报价与历史是数据需求，AI是访问和使用数据的一种方式。 二、做历史研究，先把价格放到同一把尺子上 假设研究页需要寒武纪过去一年的日线。此时要比较的，是三家能否交付同一股票、同一日期范围、同一周期和复权方式的数据。 候选入口 官方资料中的能力与条件 怎样影响选择 AKSharestock_zh_a_hist 支持指定股票、起止日期和日线周期，可选不复权、前复权、后复权 适合从Python历史整理任务开始试接，取得目标区间后检查日期与价格口径 Tusharedaily 未复权日线，盘后入库；停牌期间不提供数据 适合按股票与交易日期组织历史取数，复权需求需查看相应入口 TickDB K线查询 文档列明日线、时间范围和复权参数；免费版不支持指定起止时间 固定区间研究应先核对账户权限，再拉取目标区间 以上分别依据AKShare历史行情文档、Tushare日线文档与TickDB K线文档。 两个常见误判，会让比较偏离真正的需求。 拿错接口作比较。某个分钟接口只提供近期记录，并不意味着同一来源的日线接口也没有较长历史。研究任务要一年日线，就应拿对应的日线入口比较。 把处理口径差异当成数据错误。分红、送转等公司行动会影响复权价格序列。同一日期的两份价格不同，应先核对是否一份前复权、一份不复权，再追查数据来源。 日期也不能只看总行数。交易日历告诉你市场哪天开市，个股是否停牌、接口如何处理无成交日期，还要结合具体规则判断。例如Tushare对daily写明的停牌缺行规则，就应放进这一入口的检查方法。 对产品经理来说，这些条件最好在需求阶段写清。否则，技术同事交来一张有日期、有价格的表，你仍然难以判断它是否适合研究页。 三、做盘中看板，页面刷新和行情更新是两回事 看板首先要回答一个简单问题：用户看到的价格到几点？ 用户打开页面时查一次、每隔几十秒刷新、持续接收行情，分别对应不同的产品体验，也会影响接入安排。选A股实时行情数据API时，应把所需更新方式写进需求。 以Tushare为例，历史日线daily是盘后数据入口，盘中实时日线另有rt_k，其官方文档要求单独开通权限。项目需要盘中数据时，要找对具体入口。Tushare实时日线说明 TickDB的报价快照则可作为按需查询的起点：打开详情页或触发查询时，取得一条报价，并保留数据时间。若产品需要持续订阅，再按该需求验证推送通道。 这次寒武纪查询就很适合解释时间问题：10月26日晚上取得结果，报价是968.00元，返回记录的时间对应当天15:00:01。 页面若只标“刚刚更新”，读者容易把晚上取得的结果，理解成晚上发生的新报价。把时间说明白，就能减少这种误解。 图2：依据真实返回数值制作的AI生成页面示意，非产品截图。时间均为北京时间；查询时间省略毫秒。 这次本地记录的工具结果接收时间为21:54:54.928。它与15:00:01之间的间隔，反映了数据时点和查询时点的差别，不能据此计算网络延迟。 产品需求可以直接写成一句话：价格旁显示数据截至时间，查询时间另行记录。再结合交易状态判断页面应显示什么提示。 四、让AI查行情，先看答案能否回到原始数据 AI查数会同时遇到两类需求：查询一条报价，或查询一段历史。MCP让AI应用可以调用外部工具，取得这些数据；工具查到了什么、回答用了什么，仍要能对得起来。 TickDB提供MCP等AI访问入口，Tushare也有官方MCP配置说明。选型时，值得比较的是目标数据、工具参数和结果复核路径。TickDB AI工具说明、Tushare MCP说明 可以把下面这段任务交给技术同事，作为第一轮试用问题： 查询寒武纪688256.SH的报价，注明数据时间和查询时间；再列出2026年10月19日至23日的不复权日线收盘价，标注来源，缺失日期单独说明。 它把几个容易含糊的地方交代清楚了：查哪只股票、哪个历史区间、用什么价格口径，以及答案怎样说明时点。 技术同事可以据此保留问题、工具参数、原始返回和最终回答。产品经理检查答案时，也能沿着这条记录确认：股票有没有选错，数字有没有引用错，历史日期有没有漏。 TickDB在这里提供报价与历史的访问环节。应用再组织数据保存、展示和答案复核，同一份有来源记录的查询结果便能进入不同功能。 五、寒武纪实际查到了什么 2026年10月26日晚间，通过已连接的TickDB MCP工具取得寒武纪的股票信息、报价、交易日历和日线。股票信息返回名称、代码688256.SH及人民币币种。 报价部分可以根据真实结果整理为： 寒武纪688256.SH，最新价968.00元。TickDB返回记录的时间为2026年10月26日15:00:01，本次查询于21:54:54取得结果，均为北京时间。 这段是按工具返回整理的回答示例。数字和时点都有对应记录，后续复核时有据可查。 历史查询使用日线、不复权，日期范围为2026年10月19日至23日，请求条数上限为10，实际返回五条： 日期 收盘价（元） 2026-10-19 928.51 2026-10-20 921.00 2026-10-21 916.42 2026-10-22 883.94 2026-10-23 932.20 这五个日期与同次查询的中国市场交易日历一致，没有重复日期；原始记录的开高低收大小关系检查通过。 报价和这组日线，分别提供了页面展示与历史研究需要的输入。产品团队据此填写第一轮结果，再把完整区间和更新需求带入扩大试用。 一张填好的试用卡 项目 本例填写内容 产品任务 为内部A股产品验证报价展示、历史研究及AI按需查数的数据输入 首只标的 寒武纪，688256.SH，人民币 本轮历史条件 2026-10-19至2026-10-23，日线，不复权 已取得结果 一条报价及其数据时点；五个交易日的日线，日期无缺漏、无重复 页面时间安排 报价旁展示数据截至时间，查询取得时间另外记录 第一轮决定 TickDB保留进入扩大试用，已取得同一股票的报价与历史输入 下一项验证 历史研究优先补完整目标区间；盘中看板优先在交易时段观察目标清单的更新；AI功能优先检查实际客户端的工具调用与答案 交付条件 按目标账户确认权限、额度，以及存储、团队共享和展示的使用条件 读者可以直接替换股票清单、日期和产品任务。技术同事取得结果后，把“是否满足”及理由填回来，选型讨论就有了共同依据。 六、最后怎样作决定 如果当前只做Python历史整理，从AKShare的具体历史函数开始试接很直接；Tushare已有研究流程的团队，可以沿用熟悉的股票与日期组织方式，新增需求逐项核对对应入口。 若同一产品同时需要报价、历史和AI按需查询，可以把TickDB的组合路径纳入试用。本例已经取得寒武纪的报价与五日日线，下一轮按产品最紧迫的需求扩大范围。 到这一步，再比较费用才有意义：多少股票、怎样更新、取多长历史、由谁使用，以及团队还需要承担多少维护工作。内部研究、共享、长期存储与对外展示，也应按实际用途核对条件。 选型最后要落到一项能交付的功能上。先用同一份需求取得结果，再决定保留哪些入口，比只比较“支持A股”“支持AI”更容易推进开发。 第一次试接，从哪里开始？ 选一只代码明确的股票、一条报价和一个固定历史区间。使用TickDB时，可从报价查询文档与K线查询文档开始，按自己的账户条件完成上面的试用卡。 数据缺行或时点异常，怎样定位？ 先检查代码、时区、日期范围、周期和复权设置，再对照交易日历、个股状态与具体接口规则。保留原请求，按相同条件补取或重跑，比较前后差异。 用TickDB完成这轮之后，还能继续验证什么？ 把单只股票扩展到实际清单，补齐研究区间，再按看板或AI功能的优先级验证更新和调用路径。每次增加一项产品要求，就记录对应结果，逐步形成团队自己的接入依据。 参考资料 [AKShare股票数据文档]：历史日线函数、日期与复权参数。 [Tushare日线行情]、[实时日线]、[MCP说明]：对应入口的更新、权限与AI访问说明。 TickDB报价查询、K线查询、AI工具：报价、历史与AI访问路径。 官方资料核验截至2026年10月27日。寒武纪实测来自2026年10月26日晚间的TickDB MCP查询，证券与价格仅用于说明数据接入方法，不构成投资建议。 欢迎使用SuperMindSDK 目前SDK最新版本号为0.3.1，请尽可能升级至最新版本使用，避免出现异常 SDK说明文档：https://quant.10jqka.com.cn/view/help/3 Traceback (most recent call last): File "/opt/conda/lib/python3.9/site-packages/requests/models.py", line 971, in json return complexjson.loads(self.text, **kwargs) File "/opt/conda/lib/python3.9/site-packages/simplejson/__init__.py", line 514, in loads return _default_decoder.decode(s) File "/opt/conda/lib/python3.9/site-packages/simplejson/decoder.py", line 386, in decode obj, end = self.raw_decode(s) File "/opt/conda/lib/python3.9/site-packages/simplejson/decoder.py", line 416, in raw_decode return self.scan_once(s, idx=_w(s, idx).end()) simplejson.errors.JSONDecodeError: Expecting value: line 4 column 1 (char 3) During handling of the above exception, another exception occurred: Traceback (most recent call last): File "/opt/conda/lib/python3.9/runpy.py", line 197, in _run_module_as_main return _run_code(code, main_globals, None, File "/opt/conda/lib/python3.9/runpy.py", line 87, in _run_code exec(code, run_globals) File "/opt/conda/lib/python3.9/site-packages/supermind/__main__.py", line 30, in <module> cli() File "/opt/conda/lib/python3.9/site-packages/click/core.py", line 1130, in __call__ return self.main(*args, **kwargs) File "/opt/conda/lib/python3.9/site-packages/click/core.py", line 1055, in main rv = self.invoke(ctx) File "/opt/conda/lib/python3.9/site-packages/click/core.py", line 1657, in invoke return _process_result(sub_ctx.command.invoke(sub_ctx)) File "/opt/conda/lib/python3.9/site-packages/click/core.py", line 1404, in invoke return ctx.invoke(self.callback, **ctx.params) File "/opt/conda/lib/python3.9/site-packages/click/core.py", line 760, in invoke return __callback(*args, **kwargs) File "/opt/conda/lib/python3.9/site-packages/supermind/__main__.py", line 18, in login return command.login(username, password) File "supermind/mod/mindgo/utils/pyvalid.py", line 105, in supermind.mod.mindgo.utils.pyvalid.accepts.__call__.decorator_wrapper File "supermind/data/main.py", line 26, in supermind.data.main.command.login :type file: str File "supermind/mod/mindgo/utils/mgrpc.py", line 71, in supermind.mod.mindgo.utils.mgrpc.APIClient.login File "/opt/conda/lib/python3.9/site-packages/requests/models.py", line 975, in json raise RequestsJSONDecodeError(e.msg, e.doc, e.pos) requests.exceptions.JSONDecodeError: Expecting value: line 4 column 1 (char 3) [ ]: 在分布式系统里，大家都习惯了用 TCP 长连接。 数据库连接池、Redis 连接池、RPC 调用、消息队列客户端……几乎所有高性能服务通信，背后都离不开长连接复用。 它高效、稳定、性能好。 但也正因为“复用”这件事做得太自然，很多系统里埋着一个长期被忽视的问题： 连接看起来还活着，实际上流量已经进了黑洞。 最可怕的是，这种问题并不会立刻暴露成“连接断开”。 它常常表现为： 请求突然卡住，不报错也不返回 线程长时间 Hang 住 连接池里明明有连接，但调用就是超时 故障切换后，新连接正常，老连接却一直不恢复 最后只能等十几分钟，或者重启应用 如果你的系统里也出现过类似现象，那很可能不是业务代码有问题，而是踩中了一个非常典型的网络坑： TCP 长连接流量黑洞。 一、什么是 TCP 长连接流量黑洞？ 简单来说，就是： 客户端认为连接还在，于是继续往这个 TCP 长连接里发数据；但这些数据包因为网络路径异常、节点切换、链路漂移等原因，被丢在了中间，服务端根本收不到。 从业务角度看，这条连接像是“活着”； 从实际传输效果看，它已经“不通了”。 问题在于，TCP 并不会因为一次没收到响应就立刻断开连接。 它会做一件非常“负责”的事： 重传。 只要发送出去的数据没有收到 ACK，内核就会进入重传流程。在 Linux 默认参数下： bash net.ipv4.tcp_retries2 = 15 这个值不要机械理解为“严格重传 15 次”，因为实际过程会受 RTO（重传超时）退避影响。 但从结果上看，它往往意味着： 一次已经发出的请求，如果一直收不到 ACK，内核可能要等大约 924 秒才会最终放弃。 也就是差不多： 15 分钟。 这就是很多线上“请求莫名其妙卡死十几分钟”的根因。 二、为什么它这么难排查？ 这个问题最让人头疼的地方，不是原理复杂，而是现象太“迷惑”。 1. 连接没有断 应用看到的 socket 还在，连接池也觉得连接可用，监控上甚至未必有明显异常。 2. 新连接可能是好的 流量黑洞通常影响的是旧的长连接。 一旦重新建连，新的网络路径恢复正常，请求就能成功。 于是就会出现这种非常经典的现象： 老连接卡住 新连接正常 重启应用后恢复 很多团队因此误以为“重启治好了问题”。 实际上，重启只是把那些已经进入黑洞的旧连接清掉了。 3. 它不像宕机，更像“假活” 服务没挂，连接没断，CPU 不高，日志也不一定报错。 唯一明显的信号就是：请求长时间不返回。 这类问题一旦叠加连接池，就更容易造成线程堆积、接口雪崩、上游超时，最后变成一场典型的连锁故障。 三、为什么以前不明显，现在越来越常见？ 这个问题其实不是新问题，只是这几年才越来越集中地暴露出来。 原因一：工程师们“混沌”了很多年 过去这类问题出现频率低，偶发时重启一下业务也就过去了，没人深挖。 原因二：新连接不受影响 很多场景里，只有复用中的旧连接会中招，新建连接反而是正常的。 这让问题更像“偶现抖动”，而不是系统性隐患。 原因三：部分连接池自带 Check 机制 有些连接池会做健康检查，坏连接会被提前踢掉，所以并不是所有业务都会明显感知。 但随着今天的系统越来越依赖： 微服务调用 连接池复用 容器网络 云上网络切换 多节点主备切换 跨可用区通信 TCP 长连接“假活”带来的问题，已经越来越难靠“运气好”来规避。 四、真正的问题不是网络抖动，而是“没有超时意识” 很多团队在复盘时，会把重点放在： 某次链路闪断 某次切流 某次交换机抖动 某次节点主从切换 这些当然是诱因。 但从工程治理角度看，更核心的问题其实是： 业务没有掌握自己的超时控制权。 如果业务侧没有设置请求超时，那么一次调用到底多久失败，最终就会退化成由操作系统 TCP 重传策略说了算。 而 Linux 默认给出的答案是： 900 多秒。 这显然不是大多数业务真正想要的行为。 五、治理这类问题，第一原则：业务必须配置 SocketTimeout 如果只记住一条经验，请记住这一条： 任何业务，只要使用了 TCP 长连接，就一定要配置一个恰当的 SocketTimeout。 这是治理 TCP 长连接流量黑洞最有效、最直接的方法。 为什么是 SocketTimeout？ 因为它决定的是： 一条已经建立好的连接上，一次请求最多允许阻塞多久。 一旦超过这个时间，客户端就会主动失败，而不是继续傻等内核重传十几分钟。 典型场景 比如 JDBC URL 通常支持配置： SocketTimeout ConnectTimeout 其他客户端、中间件、SDK 也大多有类似参数。 这些值一定要配置。 否则，在流量黑洞场景下，就可能像前面说的那样，业务请求一直挂着，直到 900 多秒后才恢复。 一个很典型的例子：Jedis Jedis 通常采用连接池模式。 当底层连接发生超时，当前坏连接会被销毁；下一次重新建连时，就有机会连到新的可用节点上，从而恢复业务。 所以本质上： 不是“网络自己好了”，而是业务终于主动放弃了旧连接，重建了正确路径。 六、SocketTimeout 应该怎么配？ 这没有绝对统一的标准，但原则很清晰： 对在线业务 比如用户请求、核心接口、同步链路调用，超时应该设置得相对保守，避免线程长时间挂住。 对分析类、AP 类请求 如果本来就接受慢查询，可以适当设置更大的 SocketTimeout。 关键点 不管你设置 3 秒、30 秒还是 5 分钟，至少这个时间应该是： 由业务自己决定的。 而不是不设，任由 TCP 帮你等 15 分钟。 七、如果业务本身就是慢请求，怎么办？ 这也是很多团队经常问的问题。 比如有些 AP 查询、复杂报表、大结果集拉取，一次请求本来就可能跑几十分钟。 这时候如果把 SocketTimeout 设得太小，确实会误伤正常业务。 对于这类场景，建议在业务超时之外，再加一层 OS 级兜底。 可以考虑调整： bash net.ipv4.tcp_retries2 = 8 net.ipv4.tcp_syn_retries = 4 这样做的意义是： 让已建立连接上的失败判定更快 让建连阶段失败返回更及时 减少异常网络下“无限拖着不死”的时间 不过要强调一点： OS 参数优化只是兜底，不是主方案。 因为操作系统只知道“TCP 还能不能继续重传”，并不知道你的业务请求应该等多久。 所以真正有业务语义的超时，仍然必须在应用层配置。 八、别忘了 keepalive，但也别神化 keepalive 除了请求级超时，TCP keepalive 也是清理坏连接的重要手段。 很多 Linux 发行版，比如 AliOS / CentOS，默认 keepalive 参数比较保守： bash tcp_keepalive_time = 7200 也就是空闲两小时后才开始探测。 这个配置在今天的大多数线上系统里，显然太慢了。 推荐更积极一点的配置 bash net.ipv4.tcp_keepalive_intvl = 3 net.ipv4.tcp_keepalive_probes = 5 net.ipv4.tcp_keepalive_time = 20 这组参数意味着： 连接空闲 20 秒后开始探测 每 3 秒发一次 keepalive 连续 5 次失败则断开 也就是说，一条闲置且已经不通的连接，大约会在： 20 + 3 × 5 = 35 秒 后被操作系统清理掉。 这对于连接池型业务非常有价值： 能更快发现“假活连接” 降低坏连接长期沉积 减少故障后的恢复时间 九、但要注意：keepalive 不能解决一切 这里有一个非常重要、也最容易被忽略的细节： 当 OS 正在进行 TCP 数据重传时，keepalive 会被抑制。 什么意思？ 如果这条连接是空闲的，keepalive 非常有用； 但如果业务线程已经在这条连接上发出了请求，而请求包已经掉进黑洞，那么这时候主导等待时长的，仍然是： 业务层超时 TCP 重传参数 所以 keepalive 很重要，但它从来不是 SocketTimeout 的替代品。 十、推荐一套更稳妥的治理思路 如果想从根上降低这类问题的影响，建议按下面四步做。 1. 所有 TCP 长连接客户端必须配置 SocketTimeout 这是第一优先级，没有例外。 2. 同时配置 ConnectTimeout 避免坏连接失效后，新连接建立又继续无限等待。 3. 连接池增加健康检查与坏连接剔除 比如 borrow 校验、idle 检查、失败销毁、定期探活等。 4. OS 层统一优化 tcp_retries2 与 keepalive 适合平台侧、基础镜像侧统一治理，减少业务重复踩坑。 十一、这次问题带来的最大教训 从表面看，这像是一次网络问题。 但从工程治理看，它暴露的是一个更基础的习惯问题： 我们太习惯依赖 TCP 的“可靠”，却忽略了可靠本身也需要边界。 TCP 会尽力帮你重传，没错。 但它的“尽力”，未必符合你的业务 SLA。 对用户来说，一个接口卡 15 分钟，和直接失败几乎没有区别； 对系统来说，一个线程挂 15 分钟，往往比一次明确失败更危险。 所以这次问题最值得被记住的一句话是： 任何业务，只要通过 TCP 连接别的业务，就必须配置 SocketTimeout。 不是为了“性能优化”， 而是为了避免一次普通的网络异常，演变成一场长时间的业务雪崩。 结语 TCP 长连接是现代系统的基础设施，但“长连接”从来不意味着“永远可靠”。 真正成熟的系统设计，不是相信连接不会出问题， 而是从一开始就假设： 网络可能抖动 链路可能切换 旧连接可能失效 请求可能掉进黑洞 然后提前把超时、探测、重试、剔除机制设计好。 这才是长连接真正稳定的前提。 PS: 新平台用户福利:推广码注册有优惠 自己研发的 DeepTick.cc 已对外开放,新用户注册即可享受累加优惠。 使用推广码注册,还可获得额外的优惠券及各类福利: 推广码：666367 官方网站：DeepTick · 实时金融行情数据 API 摘要 面向已在 Codex 中接入 TickDB、需要将美股历史行情用于 Excel 或 Python 分析的研究者，演示如何把一次查询留成可复用的研究输入。TickDB 按股票、周期、日期和复权方式返回历史日线，Codex 组织查询，文中的完整 Python 脚本将原始响应转成 CSV，并记录实际首尾时间与条数。示例使用 AAPL.US；指定日期查询需具备相应账号权限。 把一只美股某段历史价格放进 Excel 或 Python 做分析时，股票代码、日期范围、K 线周期和复权方式需要一起保存。后面重新取数或复查结果，才能知道两份文件是否使用了相同口径。 TickDB 为开发者、量化研究和 AI 应用提供统一的市场数据接口，让实时与历史行情进入程序和研究工作流。在这篇教程里，我们使用它的历史 K 线能力，经 MCP 把按需查询的日线交给 Codex，再整理成可复用的研究文件。 本例在 2026 年 10 月 27 日于 Codex 中调用 TickDB，取得 AAPL.US 在 10 月 12 日至 16 日 UTC 日期范围内的 5 条不复权日线，并用文中的 Python 脚本导出 CSV。你可以沿同一流程更换研究对象与日期。 TickDB 在这条研究流程中承担什么？ 先确定研究对象和取数口径，再让 Codex 调用 TickDB 的历史 K 线工具。返回的价格保留在原始响应中，后续解释、表格计算和文件转换都可以回到这份输入核对。TickDB 的 AI 接入说明提供了让客户端调用行情工具的入口。 这条流程里的分工是： 环节 负责的动作 交给下一步的内容 使用者 确定研究对象、日期、周期与复权口径 一组明确的查询条件 Codex 根据条件调用已连接的 TickDB 工具，并保存返回结果 原始业务 JSON TickDB 按请求返回历史日线与对应的数据字段 股票、周期、复权方式、时间和价格成交量记录 本文 Python 脚本 检查响应与所选条件，转换文件并记录范围 CSV 与实际返回范围记录 CSV 转换和范围记录由本文脚本完成。TickDB 在这里的作用，是向 AI 研究流程提供带明确对象、周期和口径的历史行情输入；使用者可以在 Excel、Python 或后续 AI 分析中复用同一份原始数据。 一个历史行情接口，怎样帮助减少重查？ 这次使用的 get_kline 不只返回几行价格。请求条件与返回字段一起保留，才能说明这份文件来自哪一次取数。下面几项直接影响后续使用： 参数或返回字段 本例怎样使用 研究时保留了什么依据 symbol、interval 锁定AAPL.US 与 1d，导出前检查返回值 知道文件对应哪只股票、什么周期 adjust 请求并核对none 知道文件采用不复权价格，便于与同口径数据比较 time 保留原始毫秒时间戳，另写一列 UTC 时间 可以回查记录时点，避免展示时丢掉时间依据 open/high/low/close/volume 原值写入 CSV，不做四舍五入或缺失填零 下游计算可以追溯到同一份接口返回 例如，研究者准备观察 AAPL.US 这段日线时，先请求 1d、none 和指定日期；返回后检查对象与口径，再决定把这份数据用于接下来的计算。下次换日期或改为其他复权方式时，可以对照原始响应和范围记录，定位变化来自请求条件还是返回数据。 这里完成的是数据准备。历史数据进入回测时，还需根据研究方法处理交易日历、交易成本和样本等条件；本次没有运行完整回测。 用 Codex 下载美股历史数据，需要哪些条件？ 准备已接入 TickDB MCP 的 Codex 环境，以及 Python 3.9 或以上版本。MCP 是让 AI 助手实际调用外部数据工具的连接方式；本例在 Python 3.14.2 上运行，CSV 转换使用标准库，无需另装数据处理包。 尚未连接的读者，可以先查看 TickDB AI 工具页的 MCP 配置说明。密钥填在客户端的连接配置中，下面的转换脚本不需要密钥。 还要确认账号具备查询美股和指定历史日期范围的权限。当前 K 线文档注明，免费版不能使用 start_time、end_time 指定时间范围；具体可访问的数据以账号权限和实际返回为准。 第一步：明确股票、日期和价格口径 先把这四项固定下来： 项目 本例设置 股票代码 AAPL.US 数据周期 日线，1d 日期范围 2026-10-12 至 2026-10-16，按 UTC 日期筛选，两端日期均包含 复权方式 none，不复权 UTC 是统一时间基准。本例保留原始时间戳及 UTC 时间，不把时间戳自动改写为交易所的交易日标签。将来研究盘前盘后或具体交易时刻时，需要另外处理美东时区和交易时段。 复权方式也要跟文件一起保存。不同复权口径的历史价格不能直接混在一列里比较；如果改为前复权或后复权，需要同时修改取数参数和转换命令。 第二步：用 Codex 按日期取数，并保存原始文件 在已连接 TickDB 的 Codex 对话中输入： 请实际调用 TickDB 的 get_kline 工具，查询下面这段美股历史日线： symbol: AAPL.US type: stock interval: 1d adjust: none start_time: 1791763200000 end_time: 1792195199999 limit: 1000 这对应 2026-10-12 00:00:00.000 UTC 至 2026-10-16 23:59:59.999 UTC。 把完整的原始业务 JSON 响应保存为 aapl_daily.json， 保留 code、message、data 和价格字符串，不补齐或改写行情。 若工具调用失败，直接报告错误，不生成替代数据。 如果不能保存文件，请完整展示原始业务 JSON，供我保存。 这里的原始业务响应，指包含 code、message、data 的那份 JSON。AI 助手如果不能操作本地文件，可以把这份 JSON 复制到文本编辑器，按 UTF-8 保存为 aapl_daily.json，不要把 Markdown 的三个反引号一起复制进去。 本次 TickDB 工具返回 code=0，data 中保留了 symbol=AAPL.US、interval=1d、adjust=none 和 5 条日线。下面的收盘价来自这份原始响应，便于导出后逐项核对： 原始记录的 UTC 时间 close 原值 2026-10-12 04:00:00+00:00 340.97000000 2026-10-13 04:00:00+00:00 341.27000000 2026-10-14 04:00:00+00:00 342.96000000 2026-10-15 04:00:00+00:00 342.00000000 2026-10-16 04:00:00+00:00 343.46000000 表中的时间来自返回记录，不能据此把 04:00 UTC 理解成美股开盘时间。下载时先保留这些原值，后面的展示和计算另做处理。 第三步：用完整脚本导出 CSV 把下面的代码保存为 export_csv.py，与 aapl_daily.json 放在同一个文件夹。 脚本先检查查询状态、股票代码、周期和复权方式，再检查时间戳是否重复或超出所选日期范围。检查通过后，原始价格和成交量字符串直接写入 CSV，不做四舍五入，也不把缺失数据填成零。 import argparse import csv import json from datetime import date, datetime, time, timedelta, timezone from pathlib import Path def main(): p = argparse.ArgumentParser(description="Export a TickDB daily response to CSV") p.add_argument("source", help="Original business JSON response") p.add_argument("--symbol", default="AAPL.US") p.add_argument("--start", default="2026-10-12", help="UTC calendar date") p.add_argument("--end", default="2026-10-16", help="Inclusive UTC date") p.add_argument("--adjust", choices=["none", "forward", "backward"], default="none") a = p.parse_args() start_date, end_date = date.fromisoformat(a.start), date.fromisoformat(a.end) if start_date > end_date: raise ValueError("Start date must not be after end date") start = int(datetime.combine(start_date, time.min, timezone.utc).timestamp() * 1000) end = int(datetime.combine(end_date + timedelta(days=1), time.min, timezone.utc).timestamp() * 1000) - 1 source = Path(a.source) response = json.loads(source.read_text(encoding="utf-8-sig")) if response.get("code") != 0: raise ValueError("Query failed; inspect code/message before exporting") data = response["data"] if (data.get("symbol"), data.get("interval"), data.get("adjust")) != (a.symbol, "1d", a.adjust): raise ValueError("Returned symbol/interval/adjust differs from your settings") rows = sorted(data["klines"], key=lambda row: int(row["time"])) if not rows or len(rows) >= 1000: raise ValueError("Empty result or response limit reached; inspect the query") stamps = [int(row["time"]) for row in rows] if len(stamps) != len(set(stamps)) or any(not start <= ts <= end for ts in stamps): raise ValueError("Duplicate or out-of-range timestamps; export stopped") fields = ["open", "high", "low", "close", "volume"] if any(row.get(field) is None for row in rows for field in fields): raise ValueError("Missing OHLCV field; export stopped") def utc(ts): return datetime.fromtimestamp(ts / 1000, timezone.utc).isoformat() output = source.with_suffix(".csv") with output.open("w", newline="", encoding="utf-8-sig") as f: writer = csv.writer(f) writer.writerow(["symbol", "interval", "adjust", "time_ms", "time_utc"] + fields) for row in rows: writer.writerow([a.symbol, "1d", a.adjust, row["time"], utc(int(row["time"]))] + [row[k] for k in fields]) meta = dict(converted_at_utc=datetime.now(timezone.utc).isoformat(), source=source.name, symbol=a.symbol, interval="1d", adjust=a.adjust, requested_start_utc=utc(start), requested_end_utc=utc(end), returned_rows=len(rows), actual_first_utc=utc(stamps[0]), actual_last_utc=utc(stamps[-1]), calendar_completeness="not_checked") output.with_suffix(".meta.json").write_text(json.dumps(meta, indent=2), encoding="utf-8") print(f"SOURCE API code={response['code']} symbol={a.symbol} interval=1d adjust={a.adjust}") print(f"PASS rows={len(rows)} first_utc={utc(stamps[0])} last_utc={utc(stamps[-1])}") print(f"CSV {output.name}") print("SUMMARY response=PASS timestamp_checks=PASS csv_export=PASS") print("BOUNDARY one saved response; exchange calendar completeness not checked") if __name__ == "__main__": try: main() except (ValueError, KeyError, TypeError, OSError) as exc: raise SystemExit(f"ERROR: {exc}") 在这个文件夹打开终端，运行： python3 export_csv.py aapl_daily.json --symbol AAPL.US --start 2026-10-12 --end 2026-10-16 --adjust none 如果电脑使用 python 命令启动 Python，把命令开头的 python3 换成 python。 本次执行输出为： SOURCE API code=0 symbol=AAPL.US interval=1d adjust=none PASS rows=5 first_utc=2026-10-12T04:00:00+00:00 last_utc=2026-10-16T04:00:00+00:00 CSV aapl_daily.csv SUMMARY response=PASS timestamp_checks=PASS csv_export=PASS BOUNDARY one saved response; exchange calendar completeness not checked 文件夹里会多出两个文件： aapl_daily.csv：可供 Excel、WPS 或后续程序读取的日线表格。 aapl_daily.meta.json：记录转换时间、所选日期、复权方式、返回条数和实际首尾时间。 CSV 包含股票代码、周期、复权方式、原始毫秒时间戳、UTC 时间，以及开盘价、最高价、最低价、收盘价和成交量。CSV 使用带 BOM 的 UTF-8 编码，方便常见表格软件识别。 CSV 导出后，怎样确认实际拿到的数据范围？ 先看 aapl_daily.meta.json 中的 returned_rows、actual_first_utc 和 actual_last_utc。它们能帮助你确认这次实际拿到了哪段数据。本例返回 5 条，首尾记录分别为 10 月 12 日与 16 日。 脚本检查的是返回数据本身的重复、范围和必要字段，没有对照交易日历验证是否漏了应有交易日。如果换成其他股票或日期后条数不符合预期，应先查看原始 JSON 和权限，再结合交易日历确认休市、上市时间或数据缺口，不要直接把空档补成零。 用 Excel 打开时，长时间戳可能显示为科学计数法，可以优先查看 time_utc。建议保留原始 JSON 和 CSV，展示或计算用另一份工作表，方便回查。 当前示例在单次响应内完成，不承担多年历史的分页下载。若工具返回达到单次上限，脚本会停止，避免把截断结果当成整个区间。需要批量获取时，可继续阅读历史数据批量拉取方案；其中的具体接口与权限应对照当前文档使用。 从一次导出，进入自己的研究流程 建议把原始 JSON、CSV 和范围记录放在一起。下一次更换股票或日期时，先修改 TickDB 查询条件，再同步修改转换命令；这样，表格里的结果仍能对应到一份明确的原始输入。 如果你的任务发展为多标的、分段历史数据准备，可以在这条路径上增加分页、续传和交易日历检查。若要建设持续接收盘中变化的监控产品，则需要按 WebSocket 文档设计订阅、心跳与断线恢复；本文使用的 MCP 是按需查询入口。 尚未接入的读者，可以从 TickDB 官方入口确认账号与查询权限，再按照 AI 工具页的 MCP 说明连接 Codex。已经连接的读者，直接用自己的股票和短日期区间完成一次取数、导出和回查。 常见问题 第一次应该从哪里开始？ 先连接 TickDB MCP，确认账号能查美股及指定日期范围，再使用上面的短区间样例。原始 JSON 成功返回后，运行转换脚本。先取得一份能复查的小文件，再扩大日期范围。 返回空数据或导出报错，怎么处理？ 先检查 JSON 中的 code 和 message，再核对股票代码、日期与权限。脚本若提示口径不一致、重复时间戳或范围越界，会停止导出；保留原文件，定位问题后重新取数和转换。 有了 CSV，下一步可以做什么？ 可以把它作为 Excel 观察、Python 分析或回测前的数据输入。需要长期批量更新时，再增加分段查询、续传和交易日历检查；需要做行情界面时，可参考历史走势与 CSV 导出的面板示例。 把示例换成你要研究的股票和日期时，要同时修改取数请求与转换命令，保存对应的原始 JSON 和范围记录。 文中股票与价格用于数据操作演示，不构成投资建议。 
