- 博客(371)
- 收藏
- 关注
RSS订阅原创 实时行情数据出现空值怎么办？Python 安全清洗与异常隔离实践
实时行情空值处理需区分字段缺失、无效与业务允许为空，避免盲目填零或替换。使用QuantDash SDK获取数据后，通过Pandas进行字段级校验：将价格转为数值并检查有限性与正数性，标记异常状态（如缺失、非有限、非正），保留原始数据并分离有效与异常记录，防止错误数据影响因子计算与交易信号，提升策略稳定性与数据可靠性。
2026-11-06 06:34:03
108
原创 批量获取 K 线后，如何检查结果中是否存在空 DataFrame？
批量获取行情后，仅检查整体结果是否为空不足以确保数据完整性。需逐个验证每只标的的 DataFrame，使用 isinstance()、empty 等方法识别空表、缺失或异常结构。通过 QuantDash SDK 的 qd.klines.batch() 获取多股数据后，应先确认返回类型，再以通用函数检查每只标的的状态（如 missing、empty、invalid_type），并结合列名与数值有效性（如 close 非空且 >0）进行深度校验，避免空数据进入因子计算与回测，提升策略鲁棒性。
2026-11-06 06:25:15
105
原创 用 QuantDash 读取 AAPL.US 美股行情：单标的可复现样例、数据校验与易错点
以 AAPL.US 为例，讲清个人开发者用 QuantDash 拉取美股行情的完整流程：凭证外置、标的代码格式、查询参数固定，以及一套可复用的 DataFrame 校验函数。重点不在跑通一次请求，而在让结果可复现、可验证，并避开交易日历、复权口径和空结果这几类高频错误。
2026-11-05 07:31:33
242
原创 Python 如何把批量 K 线数据合并成一张标准化行情表？
批量获取K线后，应将多只股票数据统一整理为长格式表，以股票代码和交易日期为联合标识，通过pandas完成字段校验、日期解析、去重及排序，确保数据标准化。QuantDash SDK负责批量获取，开发者实现数据清洗与整合，形成适用于多股票因子研究、选股与回测的统一行情基础表。
2026-11-05 07:17:41
229
原创 个人开发者接美股行情：从环境准备到第一次拿到 AAPL.US 数据
面向个人开发者，梳理用 QuantDash 读取美股行情的完整落地路径：Python 环境与密钥管理、AAPL.US 标的代码格式、首次调用的四个确认环节，以及拿到数据后必做的四类校验与七条常见易错点。
2026-11-05 07:01:25
275
原创 量化行情数据如何直接转成 DataFrame？用 Pandas 简化 K 线处理
在Python量化开发中，使用QuantDash SDK的to_dataframe=True参数可直接获取结构化K线数据，避免重复解析字典列表、处理日期格式与类型转换。结合Pandas实现收益率、均线计算及数据质量检查，提升行情接入与分析的效率与一致性，减少冗余代码，确保时间序列处理准确可靠。
2026-11-05 06:53:07
228
原创 个人开发者接港股行情：用 00700.HK 跑通 QuantDash 接入与数据验收清单
港股行情接入的风险往往不在首次跑通，而在代码口径、时区、复权和异常值。本文以 00700.HK 为例，整理一份可执行的接入与验收清单，并给出校验脚本骨架与常见易错点。
2026-11-04 07:31:28
217
原创 港股行情校验实战：用 00700.HK 做抽样、缺失值检查与复现记录
以 00700.HK 为例，介绍个人开发者如何对港股行情做标准化、抽样复核、缺失值与 OHLC 一致性检查，并用 manifest 记录数据版本和校验结果，便于复现。
2026-11-04 07:01:45
196
原创 如何根据分钟 K 线计算指定时间段的最高价和最低价？
通过QuantDash SDK获取分钟级行情数据，按真实时间戳筛选指定区间（如9:30–10:30），分别对high和low字段取最大值与最小值，而非依赖收盘价或固定数量K线。需验证时间字段、价格有效性及数据完整性，确保极值计算准确，避免因错误使用close或非时间范围筛选导致策略误判。
2026-11-04 06:29:09
234
原创 Python 如何使用时间区间参数获取指定月份的股票行情？
按月获取股票行情需避免使用固定条数查询，而应通过明确时间区间（如2025年3月1日至4月1日）结合start_time和end_time参数，利用QuantDash SDK的qd.klines.get()接口精准获取目标月份数据。传统做法因交易日不固定、边界模糊易导致跨月数据混入，影响收益率计算与策略回测。实际开发中需进行日期字段校验、时区处理及重复值检查，确保数据完整性与准确性。
2026-11-04 06:23:05
357
原创 一个量化项目有几百只股票，需要分别写数据获取函数吗？
无需为每只股票编写独立数据获取函数，应将股票代码作为参数，通过QuantDash批量接口统一获取并验证数据。此举可避免重复代码、确保数据处理逻辑一致，提升可维护性与策略可靠性。
2026-11-04 06:17:38
264
原创 个人开发者做港股行情：用 00700.HK 拆解请求层、pandas 处理层与校验层
以 00700.HK 为例，讲清个人开发者获取港股行情时如何拆分 API 请求、如何用 pandas 做规范化处理与数据校验，并整理港股特有的易错点与错误处理方式。
2026-11-03 07:31:41
281
原创 用 00700.HK 做港股行情清洗：字段核对、校验与个人量化开发实践
围绕 00700.HK 示例，说明个人开发者如何核对港股行情字段、做数据清洗与校验，并梳理常见易错点和 QuantDash 的接入边界。
2026-11-03 07:01:58
426
原创 A 股、港股、美股如何建立统一的标的主数据格式？
为统一管理多市场标的，应将外部证券代码转换为带市场上下文的标准化格式，并生成稳定内部标识（如哈希值），避免使用简称或纯数字代码作为唯一标识。通过 QuantDash SDK 获取元数据，结合字段映射与唯一性校验，构建包含市场、交易所、类型等信息的主数据表，实现跨市场选股与行情关联的准确匹配，提升系统可维护性与扩展性。
2026-11-03 06:58:15
461
原创 Python 如何统计股票开盘后 30 分钟的价格变化？
本文以A股开盘后30分钟价格变化分析为例，阐述了量化策略中时间窗口与价格选取的准确性问题。传统方法依赖导出CSV手动筛选，易因时间戳定义不清、数据缺失导致误差。通过使用QuantDash SDK获取1分钟K线数据，结合显式时间边界校验与连续性检查，确保9:30至10:00区间内起始价与结束价准确，实现可靠涨跌幅计算，提升策略开发的严谨性与可复现性。
2026-11-03 06:51:28
376
原创 Notebook 读取港股行情实战：用 00700.HK 做请求与结果校验
围绕 00700.HK 的 Notebook 实战，拆解港股行情请求、DataFrame 结果检查、时间/缺失/重复/复权等校验，并列出个人开发者常见易错点。
2026-11-02 07:32:10
397
原创 港股行情数据接入实战：用 00700.HK 搭一套多标的数据入口与校验流程
以 00700.HK 为例，拆解个人开发者接入港股行情时的多标的数据入口设计、字段统一、批量请求与校验流程，并梳理港股特有的代码格式、交易时段、复权等易错点，同时说明 QuantDash 在其中的公开能力边界。
2026-11-02 07:01:26
370
原创 如何为 qd.klines.get() 封装统一的研究参数？从配置对象到行情接入
为统一量化研究中的K线参数配置，通过QuantDash SDK封装qd.klines.get()接口，使用dataclass管理周期、条数、复权方式等参数，实现配置集中化与运行前校验。该方案避免参数分散、减少口径不一致风险，提升研究可复现性与代码可维护性。
2026-11-02 06:40:34
403
原创 量化选股前，如何检查研究股票池中是否混入了非股票标的？
量化研究中，仅凭证券代码无法确保标的为股票，需通过元数据校验类型与交易所。使用 QuantDash SDK 的 qd.instruments.get() 获取标的信息，依据 type 字段筛选股票（如 stock），并校验交易所归属（如 SH、SZ），避免 ETF、无效代码等干扰因子计算与回测结果。该流程可有效提升研究数据质量，保障策略逻辑一致性。
2026-11-02 06:26:58
431
原创 Python 下载港股、美股历史行情完整教程（日K/周K、复权、多市场对齐与落盘，附可运行代码）
Python下载港股美股历史行情完整教程：代码格式、单只与批量日K、复权参数、多市场按交易日对齐、周月线、快照与标的信息、落盘与增量更新及常见报错。
2026-11-01 17:23:37
357
原创 Python 查询股票任意区间最高价/最低价完整教程（时间窗取数、复权口径、批量统计，附可运行代码）
Python查询股票任意区间最高价最低价：毫秒时间窗取日K、count防截断、复权口径选择、idxmax定位日期与批量统计，附实跑代码。
2026-11-01 13:55:02
321
原创 港股行情接入个人研究仓库：用 00700.HK 做一次数据校验与踩坑复盘
以 00700.HK 为例，讲个人开发者如何把港股行情接入研究仓库，并围绕复权、时间戳、缺失值、代码格式和 API 错误处理做校验，避免回测与实盘口径不一致。
2026-11-01 07:01:42
446
原创 Python 获取股票历史一分钟数据完整教程（1m/5m/批量，附可运行代码）
Python拉取A股历史分钟K完整教程：count回溯、交易日时间窗防截断、5m对比、batch批量、落盘与日K对账，附600519.SH全日241根实跑数据。
2026-10-31 17:40:06
332
原创 个人开发者用 QuantDash 做 ETF 行情：从 CN_ETF 标的池到可回测数据的校验与边界
围绕个人开发者用 QuantDash 准备 ETF 策略研究数据，本文从 CN_ETF 标的池读取、行情整理、复权与完整性校验出发，说明数据边界、常见易错点和可执行的 Python 处理流程。
2026-10-31 07:01:47
297
原创 想找好用的股票数据 API？我们把 QuantDash 的取数流程做成了 30 行 Python
从选型三要素（鉴权、错误码、批量）出发，用 QuantDash Python SDK 跑通单只日K、多只批量、收盘后增量更新与均线计算，附完整可运行代码和数据能力一览。
2026-10-30 21:50:02
212
原创 个人开发者做 ETF 行情：运行前检查、排错顺序与数据校验清单
从运行前检查、401/403/429 排错顺序，到 CN_ETF 标的池读取与 ETF 行情整理校验，梳理个人开发者用 QuantDash 做 ETF 数据时最容易踩的坑和一套可复用的检查流程。
2026-10-30 07:31:37
273
原创 有哪些免费的股票数据 API？Python 开发者如何选择和验证接口？
获取股票数据的免费 API，常见选择包括公开数据接口、开源项目封装的数据源，以及提供免费额度或试用权限的商业数据服务。选择时不能只看是否免费，还要确认行情覆盖范围、数据时效、历史 K 线完整性和调用限制。对于需要通过 Python 获取股票实时行情与历史 K 线的开发者，可以结合 QuantDash SDK 搭建数据接入示例，再通过字段校验和异常处理判断接口是否适合自己的量化研究任务。
2026-10-30 07:06:38
270
原创 个人开发者做 ETF 行情数据工程：用 QuantDash 设计目录、配置边界与 CN_ETF 校验流程
围绕个人开发者用 QuantDash 构建 ETF 行情数据流程，给出项目目录、配置边界、CN_ETF 标的池读取、行情标准化与校验清单，并说明常见易错点和工程取舍。
2026-10-30 07:02:17
410
原创 想找好用的股票数据 API？我们把 QuantDash 的取数流程做成了 30 行 Python
一个好用的股票数据 API，关键看三点：鉴权清晰、出错可定位、批量取数省事。QuantDash 就是按这三点设计的。下面我带你从注册拿 Key 开始，依次跑通单只日K、多只批量、收盘后自动增量更新和简单指标计算，每一步都有能直接运行的代码。
2026-10-29 08:22:11
232
原创 Python 做 ETF 行情：标的池、批量 K 线与数据校验的可复用封装
个人开发者做 ETF 行情，真正的成本不在取数，而在代码格式统一、批量请求与复权口径。本文给出一套四层封装的 Python 实践：标的池、取数适配、数据校验与整理，并列出容易静默出错的检查点。
2026-10-29 07:32:10
303
原创 ETF 行情数据怎么做得可复现：单标的样例、CN_ETF 标的池整理与校验清单
ETF 行情不难拿，难的是可复现。本文用一个单标的样例讲清数据获取层、快照存档与校验的设计，再说明如何读取 CN_ETF 标的池批量整理行情，并列出复权、代码后缀、标的池快照、缺失交易日等高频易错点。
2026-10-29 07:01:39
392
原创 为什么多套量化策略重复编写行情获取代码，会增加维护成本？
同一份行情获取代码在多策略中重复出现，导致接口参数、异常处理与数据口径分散，修改成本高且易出错。通过 QuantDash SDK 构建统一数据访问层，标准化行情获取与处理流程，实现复权方式、字段校验、时间排序等集中管理，使策略专注交易逻辑，提升可维护性与结果一致性。
2026-10-29 06:58:41
140
原创 ETF 行情接入实战：个人开发者从环境准备到首次调用，以及数据校验清单
面向个人开发者的 ETF 行情接入实战：从 Python 环境准备、API Key 管理，到读取 ETF 标的池、批量拉取 K 线并用 pandas 整理；附五类数据校验清单与六个高频易错点，帮助第一次调用就搭出可复用的数据链路。
2026-10-28 07:31:33
705
原创 个人开发者接入 A 股全市场行情快照：QuantDash 接入清单、数据验收与易错点
面向个人开发者的 A 股全市场行情快照接入实践：从标的池构建、批量请求分批策略，到覆盖度、重复、价格异常、时间一致性的验收方法，附可复用的 Python 校验代码与 429/401/403 错误处理思路，并整理 8 个常见易错点。
2026-10-28 07:01:28
215
原创 如何用盘口买卖数量构建一个简单的不平衡度指标？从五档挂单量看懂买卖力量
盘口不平衡度（OBI）通过买卖挂单量差值与总量之比，量化盘口委托分布，反映买方或卖方相对优势。其值介于-1至1，但仅表示可见订单结构，不等同于成交力量或股价走势预测。需结合总挂单量、时间一致性及标的特性综合分析，避免误读。
2026-10-28 06:53:28
236
原创 为什么复权参数不应该在多个研究函数中各自随意设置？从数据架构解决量化研究的口径混乱
复权参数应由统一数据访问层管理，避免研究函数自行决定导致口径不一。不同复权方式（前、后、不复权）影响历史价格序列，进而破坏技术指标、策略信号与回测结果的可比性。推荐将行情获取与计算分离，通过配置对象统一设定复权方式，并在缓存、元数据中记录，确保实验可复现。虽非所有场景需同口径，但必须明确、一致、可追溯。
2026-10-28 06:47:11
316
原创 A股全市场行情快照的可用性校验：分层抽样、缺失值分类与可复现记录
面向个人开发者，拆解 A股全市场实时快照的三类失效模式，给出分层抽样、缺失值分类判定和复现记录的具体做法与 Python 校验代码，并说明 QuantDash 官方公开的标的池与批量查询能力边界。
2026-10-27 07:31:34
372
原创 A股全市场实时行情快照实践：API 分批请求与 Pandas 校验
面向个人开发者的 A 股全市场快照实践：用分批请求降低失败面，用统一代码和 Pandas 校验处理重复、缺失与时间口径问题，并说明 QuantDash 公开能力与常见易错点。
2026-10-27 07:02:03
393
原创 Python 量化研究实战：如何显式记录 K 线复权方式，避免回测结果失真？
K线复权方式应作为研究配置的显式参数，与标的、周期、时间范围一同保存，避免因接口默认值变化导致回测结果不一致。通过定义不可变配置对象（如KlineConfig）并序列化为JSON，实现数据可追踪、可验证、可复现。结合QuantDash等API的adjust参数（如forward、backward），确保复权逻辑透明可控，从根本上解决量化研究中的数据漂移问题。
2026-10-27 06:43:20
310
原创 历史价格调整后，如何验证量化回测数据的一致性？从复权口径到 Python 自动化检查
历史价格调整可能隐性改变量化回测结果。研究需验证复权口径、收益率连续性、数据版本及策略一致性，避免因分红、拆股或数据修订导致误判。通过Python自动化对比价格与收益率序列，结合时间对齐与异常检测，可建立可追溯的数据处理流程，确保回测可靠性。
2026-10-27 06:34:28
361
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人