### 📌 摘要

> 当量化策略从单一市场扩展到 A 股、美股和港股以后，我发现真正麻烦的往往不是策略本身，而是不同市场的数据接口和代码体系。本文从我做多市场研究时遇到的数据标准化问题出发，说明为什么我更倾向于选择能够直接进入 Pandas 的量化数据 API，并通过批量行情、标的代码、时间区间和分钟 K 线等场景展示具体实现方式。

---

## 一、问题场景：我在量化实盘中遇到的真实困境

我最早做股票量化研究的时候，研究对象比较单一。

基本都是 A 股。

所以我的代码里经常直接写：

```python
symbol = "600519.SH"
```

那时候我觉得标的代码只是一个字符串。

直到后来策略开始扩展到美股和港股，我才发现：

**代码字符串其实是数据系统的一部分。**

A 股有上海、深圳、北京等交易所。

美股有自己的代码体系。

港股又是另一套体系。

如果研究代码直接把股票代码当作普通字符串处理，那么市场一多，很多隐性假设就会冒出来。

例如：

- 如何区分市场？
- API 如何知道交易所？
- 批量查询如何统一？
- 不同市场的数据是否可以进入同一个 DataFrame？
- 策略层是不是应该知道数据来自哪个市场？

这些问题让我最后得出一个很朴素的结论：

**市场差异应该尽量停留在数据入口，而不是扩散到整个策略代码。**

---

## 二、问题根因分析

### 1. 多市场最大的问题不是价格，而是标识

我现在看量化数据 API，首先会看标的代码体系是否清晰。

QuantDash 使用：

**代码 + 交易所后缀**

这样的统一形式。

例如：

- **600519.SH**
- **000001.SZ**
- **920047.BJ**
- **AAPL.US**
- **00700.HK**

这个设计对我来说非常重要。

因为当代码进入 DataFrame 后，策略层可以继续使用 **symbol** 作为标识，而不需要在每一个策略函数里单独传入 market 参数。

---

### 2. 多市场研究最怕“每个市场一套代码”

我以前见过一种典型的数据工程写法：

```text
A股数据处理函数
美股数据处理函数
港股数据处理函数
```

一开始看起来很合理。

但到了因子计算阶段，就会变成：

```text
if market == "CN":
    ...
elif market == "US":
    ...
elif market == "HK":
    ...
```

然后越来越多。

最后策略逻辑开始承担数据源差异。

这是我不太喜欢的架构。

我更希望：

**市场差异在数据获取层解决，研究逻辑进入 Pandas 后尽量保持一致。**

---

### 3. Pandas 可以作为跨市场数据的共同语言

例如不同市场的数据进入 DataFrame 后，我可以统一进行：

```python
df = df.sort_values("trade_date")
df["return"] = df["close"].pct_change()
df["ma20"] = df["close"].rolling(20).mean()
```

这里完全不需要知道它是 A 股、港股还是美股。

这就是我认为“量化数据 API 最适合直接进入 Pandas”的另一个原因：

**Pandas 不负责解决市场差异，但可以很好地承接已经标准化的数据。**

---

## 三、解决方案探索与选型

### 第一种方法：每个市场分别找数据源

这是最容易想到的方案。

A 股使用一个接口。

美股使用另一个接口。

港股再使用第三个接口。

研究代码最后统一。

问题是，我需要维护多个数据源。

当某个字段定义发生变化时，我必须重新确认：

- 日期字段；
- 成交量；
- 价格字段；
- 代码；
- 复权；
- 时间粒度。

而且问题往往不是“接口不能用”。

而是：

**三个接口都能用，但它们返回的数据结构不一样。**

---

### 第二种方法：自己建立统一 Adapter

这是比较专业的工程方案。

我可以写：

```text
A股 Adapter
美股 Adapter
港股 Adapter
```

然后统一输出 DataFrame。

这种方式确实可行。

但如果数据接口本身已经提供统一的标的代码格式和 DataFrame 返回方式，那么我认为 Adapter 可以明显简化。

---

### 第三种方法：统一 API 入口 + Pandas

我后来更倾向于这种方式。

例如获取 A 股：

```python
df = qd.klines.get(
    "600519.SH",
    period="1d",
    count=20,
    to_dataframe=True
)
```

换成美股时：

```python
df = qd.klines.get(
    "AAPL.US",
    period="1d",
    count=20,
    to_dataframe=True
)
```

港股则可以使用：

```python
df = qd.klines.get(
    "00700.HK",
    period="1d",
    count=20,
    to_dataframe=True
)
```

研究层不需要因此写三套计算代码。

这就是我希望数据 API 做到的事情：

**让市场差异尽可能停留在 symbol。**

---

## 四、具体实现：代码实战

### 1. 建立统一的多市场行情函数

```python
import os
from quantdash import QuantDash


def get_daily_data(symbol: str, count: int = 20):
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError("请设置 QUANTDASH_API_KEY 环境变量")

    qd = QuantDash(api_key=api_key)

    try:
        df = qd.klines.get(
            symbol,
            period="1d",
            count=count,
            to_dataframe=True
        )

        if df.empty:
            raise ValueError(
                f"{symbol} 没有返回行情数据"
            )

        return df.sort_values("trade_date").copy()

    except Exception as e:
        raise RuntimeError(
            f"获取 {symbol} 行情失败: {e}"
        ) from e


if __name__ == "__main__":
    symbols = [
        "600519.SH",
        "AAPL.US",
        "00700.HK",
    ]

    for symbol in symbols:
        try:
            df = get_daily_data(symbol, count=10)

            print(f"\n--- {symbol} ---")
            print(
                df[
                    [
                        "symbol",
                        "trade_date",
                        "open",
                        "high",
                        "low",
                        "close",
                        "volume",
                    ]
                ].tail().to_string(index=False)
            )

        except Exception as e:
            print(e)
```

这里我最关注的是：

**研究代码没有 market 分支。**

不同市场只需要传入不同的标的代码。

---

### 2. 多市场批量获取

当我的研究对象从三只股票变成几十、几百只股票以后，我会优先使用批量接口。

```python
import os
from quantdash import QuantDash


def batch_market_data(symbols):
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError("请设置 QUANTDASH_API_KEY 环境变量")

    qd = QuantDash(api_key=api_key)

    try:
        dfs = qd.klines.batch(
            symbols,
            period="1d",
            count=30,
            to_dataframe=True,
            show_progress=True
        )

        return dfs

    except Exception as e:
        raise RuntimeError(
            f"批量获取多市场数据失败: {e}"
        ) from e


if __name__ == "__main__":
    symbols = [
        "600519.SH",
        "000001.SZ",
        "AAPL.US",
        "00700.HK",
    ]

    try:
        results = batch_market_data(symbols)

        for symbol, df in results.items():
            if df.empty:
                print(f"{symbol}: 空数据")
                continue

            df = df.sort_values("trade_date").copy()
            df["return"] = df["close"].pct_change()

            print(
                f"\n--- {symbol} ---"
            )
            print(
                df[
                    ["trade_date", "close", "return"]
                ].tail().to_string(index=False)
            )

    except Exception as e:
        print(e)
```

这个结构很适合做跨市场横截面研究。

数据获取层返回：

**symbol → DataFrame**

研究层再决定如何合并。

---

### 3. 把多个 DataFrame 合并成研究数据集

这是我使用 Pandas 最多的地方之一。

```python
import os
import pandas as pd
from quantdash import QuantDash


def load_data(symbols):
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError("请设置 QUANTDASH_API_KEY 环境变量")

    qd = QuantDash(api_key=api_key)

    try:
        dfs = qd.klines.batch(
            symbols,
            period="1d",
            count=30,
            to_dataframe=True,
            show_progress=True
        )

        frames = []

        for symbol, df in dfs.items():
            if df.empty:
                continue

            temp = df[
                ["symbol", "trade_date", "close", "volume"]
            ].copy()

            temp["return"] = temp["close"].pct_change()

            frames.append(temp)

        if not frames:
            raise ValueError("所有标的都没有返回有效数据")

        result = pd.concat(
            frames,
            ignore_index=True
        )

        result = result.sort_values(
            ["trade_date", "symbol"]
        )

        return result

    except Exception as e:
        raise RuntimeError(
            f"构建研究数据集失败: {e}"
        ) from e


if __name__ == "__main__":
    symbols = [
        "600519.SH",
        "000001.SZ",
        "AAPL.US",
        "00700.HK",
    ]

    try:
        df = load_data(symbols)

        print(df.tail(20).to_string(index=False))

    except Exception as e:
        print(e)
```

到这一步，我的数据已经变成了标准的研究表。

之后无论做横截面收益率统计还是分组研究，都可以交给 Pandas。

---

### 4. 多市场分钟数据

如果策略不是日频，而是需要盘中数据，我也会尽量保持同样的接口思想。

例如：

```python
import os
from quantdash import QuantDash


def get_intraday(symbol: str):
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError("请设置 QUANTDASH_API_KEY 环境变量")

    qd = QuantDash(api_key=api_key)

    try:
        df = qd.klines.intraday(
            symbol,
            count=100,
            to_dataframe=True
        )

        if df.empty:
            raise ValueError(
                f"{symbol} 没有返回日内数据"
            )

        return df

    except Exception as e:
        raise RuntimeError(
            f"获取日内数据失败: {e}"
        ) from e


if __name__ == "__main__":
    try:
        df = get_intraday("600519.SH")

        print(
            df[
                [
                    "symbol",
                    "trade_time",
                    "close",
                    "volume",
                ]
            ].tail(20).to_string(index=False)
        )

    except Exception as e:
        print(e)
```

这里我需要特别强调：

我不会因为 API 支持分钟数据，就直接把分钟数据和日线数据混在一起计算。

**数据粒度本身也属于数据契约的一部分。**

---

## 五、实践效果与避坑指南

### 避坑一：不要把“统一代码格式”理解成“市场完全相同”

这是我做多市场研究后最深的感受之一。

统一的 symbol 只是让数据接口更容易使用。

它并不意味着：

- 交易时间相同；
- 交易制度相同；
- 数据频率可以随意混合；
- 复权含义完全相同。

因此我会把：

**数据统一**

和

**市场规则统一**

明确分开。

---

### 避坑二：跨市场合并时不要只按照日期简单 Join

假设我同时研究 A 股和美股。

即使两个 DataFrame 都有 **trade_date**，交易日也未必完全一致。

所以我不会简单假设：

```text
日期一样 = 同一天的可比市场状态
```

实际研究中，需要根据策略逻辑决定时间对齐方式。

这一层属于研究逻辑，而不是 API 应该替我决定的事情。

---

### 避坑三：分钟级数据尤其要注意时间边界

我以前处理分钟数据时，最容易犯的错误就是：

“拿到数据了，就直接计算。”

实际上，我会先检查：

```python
print(df["trade_time"].min())
print(df["trade_time"].max())
print(df["trade_time"].is_monotonic_increasing)
```

如果时间边界和预期不一致，我宁愿先停止计算，也不会继续生成信号。

---

### 避坑四：复权参数最好显式指定

在跨市场研究中，我尤其不建议把价格处理隐藏在某个公共函数里面。

例如：

```python
df = qd.klines.get(
    "600519.SH",
    period="1d",
    count=100,
    adjust="forward",
    to_dataframe=True
)
```

这样研究代码一眼就能看到数据口径。

对于需要复现的研究，我认为“明确”比“简洁”更重要。

---

## 六、总结与思考

我现在越来越倾向于把 Pandas 看成不同数据源之间的一种“共同语言”。

API 层解决的是：

**市场数据怎么拿。**

Pandas 解决的是：

**拿到以后怎么研究。**

策略层解决的是：

**研究结果怎么转化成信号。**

这三层如果能够保持边界，我就不需要在每个策略里不断处理 A 股、美股和港股的数据源差异。

我目前在使用 QuantDash 时，会利用它统一的标的代码形式和 DataFrame 返回能力来搭建数据入口。对我来说，它最有价值的地方不是让我改变研究框架，而是让我可以继续使用原本熟悉的 Pandas 工作流。

如果让我给正在搭建量化数据系统的人一个建议，我会优先考虑一个问题：

**数据进入策略之前，能不能先变成一个稳定、可检查、可复用的 DataFrame？**

如果答案是可以，那么后面的研究工作通常会简单很多。

---

## Q&A

### Q1：A股美股港股统一数据接口怎么设计？

A：我会先统一标的标识和返回的数据结构，再处理各市场自己的交易规则。代码格式可以统一，但交易时间、交易日历和市场规则仍然应该在研究层单独处理。

### Q2：多市场数据为什么适合进入 Pandas？

A：因为不同市场的行情最终都可以抽象成类似的时间序列表格。进入 DataFrame 后，可以使用统一的排序、过滤、收益率和滚动窗口计算逻辑。

### Q3：跨市场研究是否应该把所有行情直接 concat？

A：可以，但前提是明确研究目的。concat 适合形成统一的长表，但不同市场的交易日、时区和交易制度不能因为 DataFrame 结构相同就被忽略。

### Q4：量化数据 API 应该直接返回 Pandas 吗？

A：如果主要消费者是 Python 量化研究环境，我认为这是非常自然的设计。这样可以减少数据转换层，并让行情数据更快进入清洗、分析和回测流程。

当量化策略从单一市场扩展到 A 股、美股和港股以后，我发现真正麻烦的往往不是策略本身，而是不同市场的数据接口和代码体系。本文从我做多市场研究时遇到的数据标准化问题出发，说明为什么我更倾向于选择能够直接进入 Pandas 的量化数据 API，并通过批量行情、标的代码、时间区间和分钟 K 线等场景展示具体实现方式。

A股美股港股统一数据接口怎么设计：我为什么让量化 API 直接进入 Pandas

编程语言

多市场量化研究中，统一数据接口是提升效率的关键。通过采用“代码+交易所后缀”的标准化格式和直接返回Pandas DataFrame的API，能有效解决A股、美股、港股的数据差异问题，让策略层专注研究逻辑。本文详解了统一API入口、批量行情获取及分钟K线等实战方案，并指出避坑要点：统一代码不等于市场规则一致，跨市场合并需谨慎处理交易日历，复权参数需显式指定。

数据接口

数据转换

数据结构

数据处理

代码解释

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

多市场量化研究中，统一数据接口是提升效率的关键。通过采用“代码+交易所后缀”的标准化格式和直接返回Pandas DataFrame的API，能有效解决A股、美股、港股的数据差异问题，让策略层专注研究逻辑。本文详解了统一API入口、批量行情获取及分钟K线等实战方案，并指出避坑要点：统一代码不等于市场规则一致，跨市场合并需...

A股美股港股统一数据接口怎么设计：我为什么让量化 API 直接进入 Pandas-腾讯云开发者社区-腾讯云

A股美股港股统一数据接口怎么设计：我为什么让量化 API 直接进入 Pandas

A股美股港股统一数据接口怎么设计：我为什么让量化 API 直接进入 Pandas

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐