量化研究--上线完成强大的金融数据库3.0系统

文章声明:本内容为个人的业余研究,和任何单位,机构没有关系,文章出现的股票代码,全部只是测试例子,不做投资参考,投资有风险,代码学习使用,不做商业用途,

2个月一个人开发,上万行代码,终于把我自己的数据库开发完成,上线使用,使用还是非常的方便的

服务器后端的开发,前端,后端,数据维护我一个人开发

教程直接进入我的量化网页看就可以,我上线了很多量化视频,我自己录的

点击数据库教程里面有详细的使用文档

数据还是非常全的

我录制了视频直接看就可以,后面的还在录

简单的使用教程比如读取问财数据

复制代码
from xms_quant_trader_data.xms_quant_trader_data import xms_quant_trader_data
api=xms_quant_trader_data(
    url='http://14.103.193.242',
    port='8080',
    password='test'
    )
df=api.get_wencai_data(query='热门股票涨停强度')
df=api.data_to_pandas(df)
print(df)

比如读取高频实时数据​​​​​​​

复制代码
from xms_quant_trader_data.xms_quant_trader_data import xms_quant_trader_data
api=xms_quant_trader_data(
    url='http://14.103.193.242',
    port='8080',
    password='test'
)
tick=api.get_full_tick(stock='000001.SZ')
print(tick['000001.SZ'])

比如读取股票的行情数据​​​​​​​

复制代码
from xms_quant_trader_data.xms_quant_trader_data import xms_quant_trader_data
api=xms_quant_trader_data(
    url='http://14.103.193.242',
    port='8080',
    password='test'
)
stock='600111.SH'
start_date='20250101'
end_date='20251205'
df=api.get_market_data_ex(stock_code=stock,
                        period='1d',
                        start_time=start_date,
                        end_time=end_date,count=-1)
df=api.data_to_pandas(df)
df['time']=df['time'].apply(lambda x: api.conv_time(x))
df['time']=df['time'].apply(lambda x: str(x)[:8])
print(df)

比如读取etf行情数据​​​​​​​

复制代码
from xms_quant_trader_data.xms_quant_trader_data import xms_quant_trader_data
api=xms_quant_trader_data(
    url='http://14.103.193.242',
    port='8080',
    password='test')
stock_code='159206.SZ'
start_date='20200101'
end_date='20251205'
count=-1
period='1d'
df=api.get_market_data_ex(
    stock_code=stock_code,
    start_time=start_date,
    end_time=end_date,
    count=-1,
    period=period,
)
df=api.data_to_pandas(df)
df['time']=df['time'].apply(lambda x: api.conv_time(x))
df['time']=df['time'].apply(lambda x:str(x)[:8])
print(df)

比如读取可转债的行情数据

复制代码
from xms_quant_trader_data.xms_quant_trader_data import xms_quant_trader_data
api=xms_quant_trader_data( 
    url='http://14.103.193.242',
    port='8080',
    password='test')
stock_code='123118.SZ'
start_date='20200101'
end_date='20251205'
count=-1
period='1d'
df=api.get_market_data_ex(
    stock_code=stock_code,
    start_time=start_date,
    end_time=end_date,
    count=-1,
    period=period
)
df=api.data_to_pandas(df)
df['time']=df['time'].apply(lambda x:api.conv_time(x))
df['time']=df['time'].apply(lambda x:str(x)[:8])
print(df)
相关推荐
D2020202028 分钟前
TikTok Shop禁止AI语音直播落地后,跨境卖家如何通过达秘合规调整带货内容
人工智能
2601_9622992441 分钟前
Azure python操作系统列表
python·操作系统·azure·虚拟机·存储配置文件
知行合一。。。42 分钟前
RAG--03--Milvus基本用法
数据库·oracle·milvus
像风一样自由20201 小时前
20.Milvus常见问题检索不到维度错误和数据一致性
人工智能·大模型·milvus
现代野蛮人1 小时前
【深度学习实验】—— 基于 LSTM 与 Optuna 调参的丙型肝炎预测
人工智能·深度学习·lstm
支支დ1 小时前
VO by Vercel 前端特定优势:为什么它是构建 AI 应用的新范式
前端·人工智能
TDengine (老段)1 小时前
TDengine 线程模型 — 网络、调度、执行
大数据·数据库·物联网·制造·时序数据库·tdengine·涛思数据
ZGIAI1 小时前
ZGI 让那些"等你去处理"的事,真正跑起来
人工智能·架构
ZGIAI1 小时前
ZGI:别再做Agent Demo了,先问问它在业务里能不能撑过下周三
人工智能·架构
香芋芋圆1 小时前
AI 冲击内卷之下,普通前端如何破局?WebGIS—— 低门槛突围赛道
前端·javascript·人工智能·学习·职场发展