miniqmt 行情的备选方案 ---tdxrs（上）

📌导读：随着监管趋严，不少券商 miniqmt 已经停止服务，原先免费好用的行情数据源失效，历史回测、实盘策略都陷入无数据可用的困境。本文介绍高性能通达信行情解析库tdxrs，并基于该库从零搭建双均线量化回测完整案例，全部代码可直接复制运行。

一、什么是 tdxrs

tdxrs是一款使用 Rust 语言高性能重写的通达信 (TDX) 行情数据解析库。通过 PyO3 实现 Python 无缝调用，API 和经典tdxpy保持兼容。本地解析性能对比纯 Python 版本提升9‑11 倍，60 线程高并发场景性能零退化。

tdxrs (Rust) 与纯 Python 解析库性能对比：

拿到高速行情数据只是第一步，下面我们以 tdxrs 作为行情底座，结合 Pandas、TA‑Lib、Backtrader，搭建经典双均线 SMA Crossover策略，完成数据获取、信号生成、回测、绩效评估，代码直接复制可用，建议收藏。

二、核心亮点：为什么选择 tdxrs + Python 量化栈

✅ 极致行情性能：本地文件解析性能提升 9‑11 倍，适合大批量历史回测、实时策略采集。
✅ 全品类数据覆盖：A 股个股、指数 12 种周期 K 线、分时、五档盘口；支持 ETF、LOF、REITs 基金接口。
✅ 自带复权计算：本地完成前复权、后复权，自动处理分红送配股，规避服务端复权缺失造成价格跳空。
✅ 完美兼容 Python 量化生态：对接 Pandas 数据处理、NumPy 数值计算、TA‑Lib 技术指标、Backtrader 回测框架。
✅ 策略扩展性强：示例为趋势跟踪双均线，可扩展均值回归、突破、配对交易、统计套利、多因子等策略。

三、环境准备

⚠️版本要求：Python 3.11 及以上，输出 DataFrame 依赖 pandas 需要安装依赖库：

tdxrs：通达信 rust 解析库
pandas：表格数据处理
TA‑Lib：技术指标库（MACD、RSI、均线等）
backtrader：回测框架
matplotlib：绘图，输出回测图表

bash 复制代码

pip install tdxrs pandas backtrader matplotlib TA‑Lib

提示：Windows 安装 TA‑Lib 如果 pip 报错，需要下载对应 whl 包本地安装。

四、场景演示与完整代码

1、tdxrs 获取日 K，直接转为 DataFrame

连接通达信服务器，获取贵州茅台600519沪市 500 根日线，返回 pandas DataFrame。

bash 复制代码

from tdxrs import TdxHqClient
from tdxrs.constants import MARKET_SH, KLINE_DAILY

client = TdxHqClient()
client.connect_to_any()

# 获取贵州茅台日线，500根K线
df = client.get_security_bars_dataframe(KLINE_DAILY, MARKET_SH, "600519", 0, 500)
client.disconnect()

执行完，df即为标准 K 线 DataFrame，字段包含：时间、开盘、最高、最低、收盘、成交量等，可以直接做指标计算。

2、计算双均线，生成金叉死叉交易信号

计算短期 20 日均线、长期 50 日均线，生成做多 / 空仓信号。

逻辑：短期均线上穿长期均线 = 金叉买入；短期下穿长期均线 = 死叉卖出。

bash 复制代码

import pandas as pd

# 计算20日短期均线与50日长期均线
df['SMA_20'] = df['close'].rolling(20).mean()
df['SMA_50'] = df['close'].rolling(50).mean()

# 生成持仓信号:1表示做多，0表示空仓
df['Signal'] = 0
df.loc[20:, 'Signal'] = (df['SMA_20'][20:] > df['SMA_50'][20:]).astype(int)
df['Position'] = df['Signal'].diff()

补充说明：也可以用TA‑Lib.talib.SMA替代 pandas rolling 实现均线计算。

3、Backtrader 框架执行策略回测

实现 SMA 交叉策略类，在next()回调检测均线交叉，执行买卖指令，设置初始资金 10 万。

bash 复制代码

import backtrader as bt

class SmaCrossStrategy(bt.Strategy):
    params = (('fast', 20), ('slow', 50))

    def __init__(self):
        self.sma_fast = bt.indicators.SMA(period=self.p.fast)
        self.sma_slow = bt.indicators.SMA(period=self.p.slow)

    def next(self):
        # 金叉：短期上穿长期，买入
        if self.sma_fast[0] > self.sma_slow[0] and self.sma_fast[-1] <= self.sma_slow[-1]:
            self.buy()
        # 死叉：短期下穿长期，卖出
        elif self.sma_fast[0] < self.sma_slow[0] and self.sma_fast[-1] >= self.sma_slow[-1]:
            self.sell()

# 初始化回测引擎
cerebro = bt.Cerebro()
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)
cerebro.addstrategy(SmaCrossStrategy)
cerebro.broker.set_cash(100000)

print('期初资金: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('期末资金: %.2f' % cerebro.broker.getvalue())

4、绩效指标与可视化说明

❗回测不能只看期末总收益，需要综合风险指标评判策略优劣：

夏普比率：风险调整后收益，越高代表单位风险获得收益越高；
最大回撤：账户历史最大浮亏，衡量策略风险；
胜率：盈利交易占全部交易的比例；
盈利因子：总盈利 / 总亏损，大于 1 策略才有正向期望。

下篇预告：添加 Analyzer 分析器输出夏普、最大回撤；绘制回测曲线图；参数寻优，以及实时行情订阅、实盘对接。

标签：#量化交易 #tdxrs #miniqmt替代 #python量化 #backtrader

原创不易，如果对你有帮助欢迎点赞👍收藏⭐，关注看后续下篇完整实盘内容。