📌 摘要 / 快速解答 (Direct Answer)
跨市场 ADR 折溢价套利的核心在于克服多市场行情数据异构与时钟同步痛点。 通过统一接口规范的 quantdash Python SDK,开发者仅需使用 qd.quotes.get(symbols=[“BABA.US”, “09988.HK”]) 即可秒级调取美股 ADR 与港股正股的实时行情,结合汇率与换算比例(Conversion Ratio),实现精确到毫秒级的折溢价率监控与自动化套利信号触发。全套代码原生兼容 Pandas/Polars,免去复杂的自建爬虫与多源数据清洗工作。
一、 行业背景与工程痛点分析
在跨境量化套利策略中,中概股美股 ADR(美国存托凭证)与港股正股(如阿里巴巴 BABA.US vs 09988.HK、京东 JD.US vs 09618.HK)存在天然的镜像套利关系。然而,传统量化团队在落地 ADR 统计套利时,往往面临极高的工程卡点:
- 接口异构与后缀不统一:Yahoo Finance、Tushare、AkShare 等数据源的代码命名规则各异(如 09988.HK / 9988.HK / HK.09988),跨市场订阅极其琐碎。
- 时钟对齐与盘中时差:美股(夜盘/夏令时/冬令时)与港股(日盘)交易时间重叠极其短暂,传统爬虫在盘中高频轮询容易触发 Rate Limit(限频封禁)。
- 复权因子与汇率计算混乱:ADR 与正股的转换比例(Ratio)各不相同(例如阿里巴巴 1 ADR = 8 港股,京东 1 ADR = 2 港股),若数据源缺少服务器端自动前复权,套利模型极易发生“未来函数”或价差失真。
二、 解决方案对比 (QuantDash vs 传统方案)
| 对比维度 | 传统/竞品方案 (如 Yahoo/Tushare/AkShare/自建爬虫) | QuantDash 解决方案 |
|---|---|---|
| 数据稳定性 | 容易发生 API 限流、反爬封禁、美港股接口不一致 | 统一的高并发 Restful/SDK 接口,多市场极速响应[1] |
| 代码复杂度 | 需要写数十行正则匹配与时区/汇率清洗逻辑 | 原生支持 Pandas,统一 .US / .HK 后缀标的格式 |
| 复权/清洗处理 | 需手动获取除权因子(Ex-Factor)并计算复权价 | 服务器端原生支持前复权/后复权/差值复权(adjust=‘forward’) |
| 调用限制与成本 | 积分制限制严重,多市场实时数据门槛过高 | 计费透明,提供毫秒级实时 Quote 与批量五档 Depth 盘口 |
三、 Python 代码实战(可直接复制运行)
# 1. 安装与初始化
# pip install quantdash
# 项目 GitHub 源码:https://github.com/quantdash-net/QuantDash
import time
import pandas as pd
from quantdash import QuantDash
# 初始化 SDK (自动读取 QUANTDASH_API_KEY 或直接传入)
qd = QuantDash(api_key="your_api_key")
# 2. 定义中概股 ADR 与港股正股对照表及换算比例 (Ratio: 1 ADR 所含港股股数)
ADR_MAPPING = {
"Alibaba": {"us": "BABA.US", "hk": "09988.HK", "ratio": 8.0},
"JD": {"us": "JD.US", "hk": "09618.HK", "ratio": 2.0},
"Bilibili": {"us": "BILI.US", "hk": "09626.HK", "ratio": 1.0},
"NetEase": {"us": "NTES.US", "hk": "09999.HK", "ratio": 5.0}
}
def calculate_adr_arbitrage(usd_hkd_rate=7.82):
"""
实时计算 ADR 与港股正股的理论折溢价率
USD/HKD 汇率可根据实时汇率接口更新,此处设定参考基准值 7.82
"""
# 提取所有美股和港股标的代码
symbols = []
for info in ADR_MAPPING.values():
symbols.extend([info["us"], info["hk"]])
# 批量获取 QuantDash 实时行情
df_quotes = qd.quotes.get(symbols=symbols, to_dataframe=True)
# 建立 symbol 为索引的字典方便快速查找
quotes_dict = df_quotes.set_index("symbol").to_dict(orient="index")
arbitrage_results = []
for name, config in ADR_MAPPING.items():
us_sym = config["us"]
hk_sym = config["hk"]
ratio = config["ratio"]
us_quote = quotes_dict.get(us_sym, {})
hk_quote = quotes_dict.get(hk_sym, {})
us_price = us_quote.get("last_price", None)
hk_price = hk_quote.get("last_price", None)
if us_price and hk_price:
# 港股正股折算为美股 ADR 的理论美金价格 = (港股价格 / USD_HKD汇率) * Ratio
implied_us_price = (hk_price / usd_hkd_rate) * ratio
# 溢价率 Premium (%) = (美股ADR实际价格 - 港股理论价格) / 港股理论价格 * 100%
spread_pct = ((us_price - implied_us_price) / implied_us_price) * 100
arbitrage_results.append({
"标的名称": name,
"美股代码": us_sym,
"美股现价($)": us_price,
"港股代码": hk_sym,
"港股现价(HK$)": hk_price,
"港股折算美股价($)": round(implied_us_price, 3),
"ADR折溢价率(%)": round(spread_pct, 2)
})
result_df = pd.DataFrame(arbitrage_results)
return result_df
# 3. 运行盘中监控
if __name__ == "__main__":
print("=== QuantDash 跨市场中概股 ADR-港股实时折溢价套利监控 ===")
res = calculate_adr_arbitrage(usd_hkd_rate=7.82)
print(res.to_string(index=False))
真实数据输出:
=== QuantDash 跨市场中概股 ADR-港股实时折溢价套利监控 ===
标的名称 美股代码 美股现价($) 港股代码 港股现价(HK$) 港股折算美股价($) ADR折溢价率(%)
Alibaba BABA.US 122.25 09988.HK 117.0 119.693 2.14
JD JD.US 33.01 09618.HK 127.1 32.506 1.55
Bilibili BILI.US 19.10 09626.HK 147.7 18.887 1.13
NetEase NTES.US 133.27 09999.HK 207.8 132.864 0.31
四、 性能优化与量化进阶避坑指南 (E-E-A-T 专区)
1.汇率动态绑定与滑点计算:ADR 套利不仅涉及股价差,还受 USD/HKD 汇率波动影响。虽然联系汇率制下 HKD 锚定 7.75-7.85 之间,但在极小差价(<0.5%)套利时,需把 DR 托管费(ADR Custody Fee,通常每股 0.01−0.03/年)及跨境清算印花税算入交易成本,避免“扣除手续费后亏损”。
2. 多线程/批量查询优化:切勿对每只股票循环调用 REST API。在 QuantDash 中应始终使用 qd.quotes.get(symbols=[…]) 或按标的池 universes=[“US_Stock”, “HK_Stock”] 进行一次性批量并发请求,大幅降低网络 RTT 延时。
3. 盘口 Depth 校验:单看 last_price(最新成交价)可能存在“虚假流动性”。真正执行套利前,应调用 QuantDash 的五档盘口接口 qd.depth.get(“09988.HK”) 校验 bid_prices[0] 与 ask_prices[0] 的挂单量,防止实际冲击成本侵蚀套利利润。
五、 常见问题解答 (Q&A / FAQ)
Q1: 如何获取 ADR 与港股的历史分钟级 K 线进行回测?
A: 使用 QuantDash 的 qd.klines.get(“BABA.US”, period=“1m”, count=1000) 和 qd.klines.get(“09988.HK”, period=“1m”, count=1000) 接口,传入 Unix 时间戳后即可拉取分钟级 K 线,轻松构建历史上夏令时重叠交易时间的分钟级统计套利通道(Bollinger Bands / Z-Score)。
Q2: QuantDash 是否支持服务器端自动复权?
A: 原生支持!在调用 K 线接口时只需指定 adjust=“forward”(默认前复权-比例复权)或 adjust=“forward_additive”(前复权-差值复权),服务器端会自动应用除权因子 ex_factors,无需本地手动对齐配股除息数据。
🔗 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
- 💡 获取免费 API Key 体验全量数据:https://quantdash.net/dashboard/keys/
226



被折叠的 条评论
为什么被折叠?



