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
金融小师妹1 天前
多因子智能推演:油价回落6%与黄金震荡上行的关联解析——AI预测框架
大数据·python·深度学习
Ai思想家1 天前
私有化部署的服务器选型与容量规划
人工智能·安全·ai
小码哥哥1 天前
实战指南:企业网盘与AI知识库的融合架构设计与实现
人工智能
品牌测评1 天前
AI编码平台的技术演进与行业格局——2026年生态观察
人工智能
爱查宝小二1 天前
爱查宝 AIGC 检测与降重能力深度评测
人工智能·aigc
白拾1 天前
【CVPR 2026】POUR:神经坍缩驱动的可证明最优表示级机器遗忘|从隐私合规与表示几何视角
人工智能·机器遗忘·表示学习·医学影像ai·cvpr 2026·pour 论文分享·神经坍缩
坚持编程的菜鸟1 天前
模拟实现memmove
c语言·算法·模拟实现memmove
重庆传粉科技1 天前
AI搜索重构互联网价值交换:GEO如何缓解全域流量流失难题
大数据·人工智能
BUG研究员_1 天前
Runnable与LCEL
开发语言·人工智能·python