股票数据

前复权数据每天可能变化，历史数据库应该覆盖还是保留原始价格？一句话结论：不要把前复权数据作为唯一、可覆盖的历史事实。保留原始不复权行情和可追溯的复权依据，再按明确的复权口径生成带版本的调整序列，才能兼顾回测可复现性与最新数据使用。

实时行情出现短暂异常时应该怎么处理？从数据校验到故障定位一句话结论：实时行情出现短暂跳价、价格停滞或数据断层时，不要立即将其认定为错误数据，也不要直接交给策略使用。正确做法是先识别异常类型，再结合时间戳、历史行情和独立校验结果判断数据是否可信，最后决定接受、隔离还是重新获取。

A股、港股、美股日K如何拼接？处理不同交易日造成的时间轴错位一句话结论： A股、港股和美股日K应先保留各市场的本地交易日期，按标的独立计算收益，再根据研究目的做外连接或同步时间对齐；不要把缺失的交易日直接补成零收益，也不要不加判断地前向填充价格。

多市场量化策略的数据接口应该如何设计：从数据层架构到策略接入一句话结论：多市场量化系统的数据接口不应该只是“把行情返回出来”，而应该围绕统一标的、统一时间语义、统一数据模型和可扩展的数据访问方式设计，否则市场一多，策略代码很快会被数据差异拖垮。

本地已有一年历史 K 线，第二天更新别只拉“昨天一天”一句话结论：本地 K 线增量更新应从最近一个已落库日期向前回看一段可配置的重叠区间，再按交易日检查缺口并幂等写入；只拉“昨天一天”，容易漏掉停机期间的数据，也难以发现最近数据的修订或口径变化。

02_股票量化数据获取与质量保障体系：从 Tushare 到本地高可用存储数据是量化交易的基础。本文深入剖析 GPFX 系统如何构建一套完整的股票数据获取、校验、存储、清理体系，涵盖 Tushare API 封装、数据质量校验、复权计算、滚动窗口清理等核心技术，确保数据准确可靠。

A股量化尾盘筛选对数据时效敏感：行情链路变慢时先排查哪里？一句话结论：尾盘筛选“变慢”时，先判断数据是“旧了”还是“到得慢”，再按“请求次数 → 限流与重试 → 网络 → 本地计算 → 调度”的顺序逐段计时。多数情况下，瓶颈出在逐只请求、重试放大和本地处理上，而不在行情源本身。

泡茶喝茶写代码

A股量化数据工程：从 REST 接口到策略信号（第 5 篇）：板块成分股映射与对齐第 4 篇拿到了板块树，叶子节点下挂的就是成分股。本篇把成分股批量落进 board_stock_map，并用股票实时行情把「板块」和「个股涨跌」对齐，得到一个最朴素的板块强弱指标：成分股涨跌幅中位数。这一步是把树变成可量化信号的关键。

泡茶喝茶写代码

A股量化数据工程：从 REST 接口到策略信号（第 4 篇）：行业与概念板块树构建做板块轮动、题材挖掘，第一件事是有一张「板块树」：指数、行业、概念之间谁挂在谁下面，代码怎么对应。接口 hszg/list 直接给出了完整的树形结构（带 type1/type2/level/pcode），本篇把它落库并还原成可遍历的层级，下一篇就能顺着树把成分股挂上去。

第一次补历史 K 线：按股票拆还是按日期拆请求？一句话结论：历史数据补库通常不该只按股票或只按日期拆，而应把股票池和时间范围组合成可控的数据块；具体切法取决于接口约束、数据频率和补库任务的失败恢复方式。

泡茶喝茶写代码

A股量化数据工程：从 REST 接口到策略信号（第 1 篇）：指数列表与实时行情接入系列说明做量化的人几乎都从「指数」起步——大盘涨跌、板块强弱、风格切换，全靠指数说话。但很多新手卡在数据接入：要么爬虫不稳定，要么字段对不齐。本篇用一组 REST 接口，把指数列表和指数实时行情一次性接进来，落进本地库，后续所有因子、信号都从这张表长出来。

批量行情返回后，怎样把请求失败的股票和正常数据分开？**一句话结论：**不要只遍历 API 返回的数据来判断哪些股票成功了；应以原始请求清单为基准，逐只核对结果，并把“单只标的失败”和“整批请求失败”分开记录。

Python 获取实时行情后如何进行批量筛选？从全市场快照到策略候选池一句话结论：实时行情批量筛选的关键不是“拿到行情后逐只判断”，而是先一次性获取可处理的数据集，再在 Pandas 中完成条件组合、异常过滤和候选池生成。

每日自动更新股票行情：如何设计可靠的数据任务，避免重复写入和脏数据一句话结论：每日更新股票行情并不是简单地“定时调用一次 API”，真正可靠的数据任务应该同时处理交易日判断、增量边界、重复执行、数据校验和失败恢复。

股票池发生变化后，如何高效更新行情数据？从全量刷新到增量同步一句话结论：股票池发生变化后，最合理的数据更新方式通常不是把所有历史行情重新拉一遍，而是先识别新增、删除和仍然存在的标的，再针对不同集合采用不同的数据同步策略。

量化回测中分钟数据应该如何保存？从文件到数据仓库的工程化设计一句话结论：分钟数据不应该简单理解为“下载下来存起来”，真正需要设计的是数据分层、时间字段、标的标识、复权口径、文件组织和增量更新，否则数据规模一上来，回测速度、数据一致性和维护成本都会成为问题。

如何设计一个 Python 实时行情获取程序？从轮询、数据处理到量化策略接入一句话结论： Python 实时行情程序真正难的不是“请求一次 API”，而是把行情获取、时间控制、数据校验、异常处理和策略消费组织成一个不会轻易失控的数据链路。

信誓旦旦的程序猿

【Python 量化取数指南 #13】Python 把行情落库：sqlite 一键存，回测随用随取系列：《Python 量化取数指南》｜连载项目 · 纯 GET 取数 · 仅依赖 requests · 本地库用 sqlite 适用：想把前面拉的行情落进本地库、回测时随用随取、不再每次联网的人。

信誓旦旦的程序猿

【Python 量化取数指南 #09】Python 拿港股通数据：港股通成交与港股财报实测系列：《Python 量化取数指南》｜连载项目 · 纯 GET 取数 · 仅依赖 requests 适用：想用 Python 拿港股通成交、港股财报，做 AH 跨市场取数的人。

为什么量化回测中 for 循环比 DataFrame 慢三个数量级？从向量化原理讲起一句话结论：DataFrame 适合批量量化数据处理的核心原因不是“它是一张表”，而是它把逐行 Python 循环转化为 NumPy 底层的 C 级向量化操作，使计算复杂度从 O(n) 解释器调用降为一次批量内存运算。