19年创业做过一年的量化交易但没有成功，作为交易系统的开发人员积累了一些经验，最近想重新研究交易系统，一边整理一边写出来一些思考供大家参考，也希望跟做量化的朋友有更多的交流和合作。
接下来聊聊基于A股API获取交易数据。
在开发 A 股自动化交易系统时，交易数据（Trade Ticks）是进行市场分析、捕捉市场趋势、识别买卖力量的重要基础数据。A 股的交易数据包含每笔成交的详细信息，例如成交时间、成交价格、成交量和交易方向等，能够帮助投资者了解市场的微观结构并制定交易策略。以下是通过 Python 编写的代码示例，利用 A 股常用的公开 API（如东方财富、腾讯、网易等）获取交易数据的详细开发内容。
1. 使用东方财富 API 获取交易数据
东方财富提供了较为全面的 A 股数据接口，可以通过 HTTP 请求获取股票的实时交易数据（成交明细）。下面的代码示例展示了如何通过 Python 调用东方财富的 API 获取 A 股的交易数据。
import requests
import pandas as pd
import datetime
def get_eastmoney_trades(stock_code, market_type='0', limit=100):
"""
获取东方财富 A 股的交易数据。
:param stock_code: 股票代码，例如 '600519' 表示贵州茅台
:param market_type: 市场类型，'0' 表示沪市，'1' 表示深市
:param limit: 获取交易数据的数量
:return: 交易数据的 pandas DataFrame
"""
url = f"http://push2.eastmoney.com/api/qt/stock/details/get"
params = {
"secid": f"{market_type}.{stock_code}",
"fields1": "f1,f2,f3,f4,f5",
"fields2": "f51,f52,f53,f54,f55",
"pos": "-1",
"lmt": limit,
}
response = requests.get(url, params=params)
if response.status_code == 200:
data = response.json()
trades = data.get("data", {}).get("details", [])
trade_list = [trade.split(",") for trade in trades]
df = pd.DataFrame(trade_list, columns=["时间", "成交价格", "成交量", "买卖方向", "成交金额"])
return df
else:
raise Exception(f"Error fetching trade data: {response.status_code}")
# 获取贵州茅台（600519）的最近 100 笔交易数据
df_trades = get_eastmoney_trades("600519")
print(df_trades)在这个示例中，通过调用东方财富的 API，获取了指定股票代码的交易数据。market_type 用于指定是沪市还是深市，返回的数据被转换为 Pandas 的 DataFrame 格式，包含每笔成交的时间、成交价格、成交量、买卖方向等信息，以便后续的数据分析与处理。
2. 使用腾讯 API 获取交易数据
腾讯财经也提供了 A 股的实时交易数据接口，通过 HTTP 请求可以方便地获取 A 股的逐笔交易数据。以下是使用腾讯 API 获取 A 股交易数据的代码示例：
import requests
import pandas as pd
def get_tencent_trades(stock_code, market='sh', limit=100):
"""
获取腾讯 A 股的交易数据。
:param stock_code: 股票代码，例如 '600519'
:param market: 市场类型，'sh' 表示沪市，'sz' 表示深市
:param limit: 获取交易数据的数量
:return: 交易数据的 pandas DataFrame
"""
url = f"https://web.ifzq.gtimg.cn/appstock/app/hq/trade/get"
params = {
"code": f"{market}{stock_code}",
}
response = requests.get(url, params=params)
if response.status_code == 200:
data = response.json()
trades = data.get("data", {}).get("tradelist", [])
df = pd.DataFrame(trades, columns=["时间", "价格", "成交量", "方向"])
return df.head(limit)
else:
raise Exception(f"Error fetching trade data: {response.status_code}")
# 获取贵州茅台（600519）的最近 100 笔交易数据
df_trades_tencent = get_tencent_trades("600519")
print(df_trades_tencent)在该示例中，通过调用腾讯 API，可以获取到指定交易对的逐笔交易数据。交易数据包含了时间、成交价格、成交量和买卖方向等信息，这些数据同样被转换为 Pandas 的 DataFrame 格式，方便后续的处理。
3. 交易数据的存储与处理
交易数据的存储和管理是交易系统的核心，特别是在进行策略分析和回测时，需要高效地访问和处理大量的交易数据。
-
内存缓存：对于实时性要求较高的数据，可以使用 Redis 这样的内存数据库进行缓存，以加快数据的读写速度。这种方式适用于高频交易策略，实时读取最新的交易数据进行策略决策。
-
持久化存储：对于逐笔交易数据，建议使用关系型数据库（如 MySQL）或 NoSQL 数据库（如 MongoDB）进行持久化存储。MySQL 可以方便地存储结构化的交易数据，而 MongoDB 更适合存储灵活性较高的非结构化数据。以下是将交易数据保存到 MySQL 的代码示例：
import mysql.connector def save_trades_to_mysql(df, stock_code): """ 将交易数据保存到 MySQL 数据库中。 :param df: 交易数据 DataFrame :param stock_code: 股票代码 """ connection = mysql.connector.connect( host="localhost", user="root", password="password", database="stock_data" ) cursor = connection.cursor() create_table_query = f""" CREATE TABLE IF NOT EXISTS trades_{stock_code} ( 时间 VARCHAR(20), 成交价格 FLOAT, 成交量 INT, 方向 VARCHAR(10) )""" cursor.execute(create_table_query) for _, row in df.iterrows(): insert_query = f""" INSERT INTO trades_{stock_code} (时间, 成交价格, 成交量, 方向) VALUES ('{row['时间']}', {row['价格']}, {row['成交量']}, '{row['方向']}') """ cursor.execute(insert_query) connection.commit() cursor.close() connection.close() # 将交易数据保存到 MySQL 数据库 save_trades_to_mysql(df_trades_tencent, "600519")
4. 错误处理与重试机制
在获取交易数据时，由于网络不稳定或 API 限制，可能会导致请求失败。因此，在开发中需要加入有效的错误处理和重试机制。
-
网络错误处理 ：通过
try...except结构捕获网络请求中的错误，例如网络连接超时或数据请求失败，并根据具体的异常类型做出不同的处理。try: df_trades = get_eastmoney_trades("600519") except Exception as e: print(f"Error fetching trade data: {e}") -
重试机制：对于临时的网络问题，可以设置重试机制，在请求失败时重新尝试。例如，可以设置每次重试间隔逐步增加，避免在短时间内频繁请求服务器，减轻服务器的负担。