Python量化交易一体化解决方案-优快云博客

本文链接：https://blog.youkuaiyun.com/FuckTheWindows/article/details/149338233

社区版提供全面的量化交易工具集，整合实时行情、交易执行和金融数据服务三大核心功能模块，助力开发者高效构建量化系统。

pip install jvQuant

核心功能模块

模块	功能	覆盖市场
WebSocket实时行情	Level1/十档/Level2逐笔成交实时推送	沪深、港股、美股
CTP柜台交易	交易执行、持仓查询、委托管理	A股市场
在线数据库	智能语义查询、历史数据、行业分类	多市场金融数据

查看官方完整文档

WebSocket实时行情推送

全市场覆盖：沪深/港股/美股一体化接入
多级行情：Level1基础行情 → 十档盘口 → Level2逐笔成交
低延迟：实时推送关键市场数据
多协议支持：Binary原始数据 + 结构化对象双输出

接入示例

import jvQuant
import logging

# 初始化配置（沪深示例）
market = "ab"
token = "<YOUR_TOKEN>"
log_level = logging.INFO

# 行情处理函数（可自定义）
def ab_lv1_handle(lv1):
    print(f"L1行情: {lv1.symbol} 最新价:{lv1.last_price}")

def ab_lv2_handle(lv2):
    print(f"L2逐笔: {lv2.symbol} 成交量:{lv2.volume}")

# 创建WebSocket客户端
client = jvQuant.websocket_client.Construct(
    market=market,
    token=token,
    log_level=log_level,
    ab_lv1_handle=ab_lv1_handle,
    ab_lv2_handle=ab_lv2_handle
)

# 订阅标的行情
client.add_lv1(["600519", "000001"])  # 贵州茅台、平安银行
client.add_lv2(["600519"])            # 茅台Level2

# 启动服务（阻塞主线程）
client.thread_join()

市场特定配置

市场	代码	示例标的
沪深	ab	600519 (茅台)
港股	hk	00700 (腾讯)
美股	us	aapl (苹果)

CTP柜台交易

完整交易生命周期管理

交易生命周期

接入示例

import jvQuant

# 创建交易客户端
trader = jvQuant.ctp_client.Construct(
    token="<TOKEN>",
    ctp_acc="<ACCOUNT>",
    ctp_pwd="<PASSWORD>"
)

# 交易操作示例
trader.buy("600519", "贵州茅台", 1572.12, 100)  # 买入100股茅台
trader.sale("000001", "平安银行", 14.25, 500)   # 卖出500股平安

# 账户管理
holdings = trader.check_hold()       # 获取当前持仓
orders = trader.check_order()        # 查询未完成委托
trader.cancel("9702")               # 撤销指定订单

# 清理资源
trader.thread_join()

️ 在线数据库服务

数据服务矩阵

数据类型	接口方法	示例应用
行业分类	.industry()	获取申万行业分类
可转债信息	.bond()	可转债基本面分析
Level2盘口	.level_queue()	千档盘口分析
历史分时	.minute()	日内交易策略回测
K线数据	.kline()	多周期技术分析
智能选股	.query()	条件筛选标的

智能语义查询示例

db = jvQuant.sql_client.Construct("<TOKEN>")

# 多因子选股（财务+技术）
results = db.query(
    "主板, 市盈率<20, 市值50-200亿, 近5日涨幅>5%, 量比>1.5", 
    page=1, 
    order_type=0,
    sort_field="INDUSTRY"
)

# 获取历史K线（茅台周线前复权）
kline_data = db.kline(
    symbol="600519",
    type="stock",
    adjust="前复权",
    freq="week",
    count=200  # 获取200周
)

# 下载历史分时数据
db.download_history("2023")  # 2023全年分时数据