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
XDHCOM14 小时前
ORA-32484重复列名错误,ORACLE数据库CYCLE子句故障修复与远程处理方案
数据库·oracle
美酒没故事°14 小时前
Open WebUI安装指南。搭建自己的自托管 AI 平台
人工智能·windows·ai
云烟成雨TD14 小时前
Spring AI Alibaba 1.x 系列【6】ReactAgent 同步执行 & 流式执行
java·人工智能·spring
Csvn14 小时前
🌟 LangChain 30 天保姆级教程 · Day 13|OutputParser 进阶!让 AI 输出自动转为结构化对象,并支持自动重试!
python·langchain
小O的算法实验室14 小时前
2026年ASOC,基于深度强化学习的无人机三维复杂环境分层自适应导航规划方法,深度解析+性能实测
算法·无人机·论文复现·智能算法·智能算法改进
翻斗包菜14 小时前
PostgreSQL 日常维护完全指南:从基础操作到高级运维
运维·数据库·postgresql
AI攻城狮14 小时前
用 Obsidian CLI + LLM 构建本地 RAG:让你的笔记真正「活」起来
人工智能·云原生·aigc
鸿乃江边鸟14 小时前
Nanobot 从onboard启动命令来看个人助理Agent的实现
人工智能·ai
lpfasd12314 小时前
基于Cloudflare生态的应用部署与开发全解
人工智能·agent·cloudflare
俞凡14 小时前
DevOps 2.0:智能体如何接管故障修复和基础设施维护
人工智能