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
CIO_Alliance2 分钟前
AI+iPaaS解决方案深度整合:让跨系统业务流程自动化一步到位
人工智能·ipaas·系统集成·ai+ipaas·企业cio联盟·企业级ai化转型
苏州IT威翰德3 分钟前
算力资产“续命”专家:苏州威翰德科技赋能NVIDIA高端AI芯片芯片级维修
大数据·人工智能
天上路人16 分钟前
A59P双波束语音模块:神经网络降噪在远场拾音中的工程实现分析
人工智能·深度学习·神经网络·ai降噪·ai语音·麦克风·回音消除
冬奇Lab24 分钟前
AI 评测系列(03):LLM-as-Judge——让 LLM 评价 LLM 的正确姿势
人工智能·llm
Miao1213134 分钟前
某海外住宿平台如何在大规模场景下实现指标一致性:Minerva 指标平台实践
大数据·数据库·人工智能
冬奇Lab37 分钟前
每日一个开源项目(第164篇):毕昇(BISHENG)- 面向企业的开源 LLM DevOps 平台
人工智能·开源·agent
SeaTunnel38 分钟前
从 Python Script 地狱到标准化数据集成框架
大数据·开发语言·python·程序员·代码·seatunnel
CodexDave39 分钟前
MySQL事务隔离级别与MVCC机制解析
前端·数据库·mysql·nginx·性能优化·负载均衡
深度研习笔记1 小时前
OpenCV工业视觉实战09|项目EXE打包+工控机无环境部署+后台常驻运行,彻底脱离Python环境,完成项目最终交付
python·opencv·webpack
碎光拾影1 小时前
ARM交叉工具链各工具作用及IMX6ULL平台LED+蜂鸣器裸机程序实现
java·开发语言·数据库