我在做量化策略时，曾经把“实时行情”和“五档行情”当成了同一类数据，后来才发现它们解决的是完全不同的问题。实时行情更适合回答“现在成交到了什么价格”，五档行情则进一步告诉我“当前买卖双方分别挂了多少量、价格离得有多远”。

本文从我的实盘数据处理经历出发，拆解实时行情、日内分钟数据和五档盘口之间的区别，并用 Python 演示如何分别获取这些数据，以及如何把它们放进量化策略的数据层。

一、问题场景：我在量化实盘中遇到的真实困境

我以前做过一个比较简单的盘中策略：每隔一段时间读取股票当前价格，然后根据价格变化判断是否需要触发信号。

最开始，我的数据结构非常简单。

当时我认为这些数据已经可以代表“实时行情”。

直到有一次，我发现策略在价格快速变化的时候，单看最新价很难解释实际的交易状态。

比如某只股票当前最新价是 1215 元。

这时候我才意识到，所谓“实时行情”其实回答的是一个比较窄的问题：

而五档行情回答的是另外一个问题：

这两个数据如果混在一起使用，很容易造成策略逻辑上的误解。

1. 实时行情首先描述的是“当前市场状态”

我后来把实时行情的数据结构重新整理了一遍。

在 SDK 中，我可以通过 quotes 接口按股票代码获取实时行情。

也就是说，我拿到的是当前标的的一组行情状态。

symbol       last_price    prev_close    volume      change_pct
000001.SZ    10.52         10.78         1426893     -0.024119
600519.SH    1215.00       1240.00       57472       -0.020161


这类数据对于下面这些事情非常直接：

但它本身没有告诉我完整的五档买卖盘。

2. 五档行情描述的是“订单簿的一部分”

买1：1215.00 x 123    卖1：1215.28 x 1
买2：1214.95 x 2      卖2：1215.96 x 1
买3：1214.88 x 1      卖3：1216.00 x 2
买4：1214.48 x 1      卖4：1218.00 x 1
买5：1214.40 x 1      卖5：1218.89 x 1


这时候我的数据观察角度就发生了变化。

因此，在设计量化数据结构时，我不会再把两者简单定义成同一种数据。

我还踩过一个坑，就是把“盘中数据”和“实时行情”混为一谈。

这是一段时间窗口内形成的数据。

而实时行情里的 last_price 是当前状态。

所以我现在的数据层通常会把它们拆成三层：

实时行情
    ↓
当前状态

五档盘口
    ↓
当前订单簿

分钟K线
    ↓
时间窗口聚合结果


这三个层次不能简单互相替代。

我最开始尝试过直接抓取行情页面。

短期看确实很方便，但一旦进入策略环境，我马上遇到了几个工程问题。

第三是我需要自己处理大量请求和数据转换。

后来我又考虑过把实时行情和五档行情分别接入不同的数据源。

这个方案理论上没有问题，但我的数据层需要处理更多字段映射。

数据源A：
最新价 -> last

数据源B：
最新价 -> last_price

数据源C：
最新价 -> price


对于研究脚本问题不大，但如果我要把代码长期放进策略框架，维护成本会越来越高。

后来我在自己的数据工程里引入了 QuantDash。

我更看重的是它把不同市场的数据统一到了相对一致的接口模型中。知识库中明确支持 A 股、美股、港股等标的代码格式，例如 .SH、.SZ、.US、.HK。

于是我的重点就从“怎么拿到数据”转成了“拿到数据以后怎么正确使用”。

import os
from quantdash import QuantDash


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

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

    qd = QuantDash(api_key=api_key)

    try:
        df = qd.quotes.get(
            symbols=["600519.SH", "000001.SZ"],
            to_dataframe=True
        )

        if df.empty:
            print("未获取到实时行情")
            return

        columns = [
            "symbol",
            "last_price",
            "prev_close",
            "volume",
            "ext.name",
            "ext.change_pct"
        ]

        available_columns = [c for c in columns if c in df.columns]
        print(df[available_columns].to_string(index=False))

    except Exception as e:
        print(f"获取实时行情失败: {e}")


if __name__ == "__main__":
    main()


这里我特别建议把 API Key 放到环境变量。

我以前在研究脚本里直接把 Key 写在代码里，后来脚本一多，很容易把敏感信息一起提交到代码仓库。

import os
from quantdash import QuantDash


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

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

    qd = QuantDash(api_key=api_key)

    try:
        depth = qd.depth.get("600519.SH")

        print(f"标的: {depth['symbol']}")
        print(f"地区: {depth['region']}")

        for i in range(5):
            bid_price = depth["bid_prices"][i]
            bid_volume = depth["bid_volumes"][i]

            ask_price = depth["ask_prices"][i]
            ask_volume = depth["ask_volumes"][i]

            print(
                f"买{i + 1}: {bid_price:>10.2f} x {bid_volume}"
                f" | "
                f"卖{i + 1}: {ask_price:>10.2f} x {ask_volume}"
            )

    except Exception as e:
        print(f"获取五档盘口失败: {e}")


if __name__ == "__main__":
    main()


我实际使用时，会把这个结果进一步转换成自己的标准结构。

bid_price_1
bid_volume_1
...
bid_price_5
bid_volume_5

ask_price_1
ask_volume_1
...
ask_price_5
ask_volume_5


这样后面的策略代码就不需要关心底层接口。

如果我的策略需要同时观察很多股票，我不会循环调用单标的接口，而会使用批量盘口接口。

import os
from quantdash import QuantDash


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

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

    qd = QuantDash(api_key=api_key)

    symbols = [
        "000001.SZ",
        "600000.SH"
    ]

    try:
        result = qd.depth.batch(symbols)

        for symbol, depth in result.items():
            print(f"--- {symbol} ---")

            for i in range(5):
                print(
                    f"买{i + 1}: "
                    f"{depth['bid_prices'][i]:>8.2f} x "
                    f"{depth['bid_volumes'][i]:<6}"
                    f" | "
                    f"卖{i + 1}: "
                    f"{depth['ask_prices'][i]:>8.2f} x "
                    f"{depth['ask_volumes'][i]}"
                )

    except Exception as e:
        print(f"批量获取盘口失败: {e}")


if __name__ == "__main__":
    main()


我的经验是，数据接口能不能批量处理，往往比单次调用是否简单更重要。

避坑一：不要用实时价格冒充五档盘口

实时行情只有当前行情状态，并不能代替订单簿数据。

如果策略需要研究买卖盘结构，就应该明确使用五档盘口。

避坑二：不要把分钟 K 线当成实时行情

5 分钟 K 线描述的是一个时间窗口。

实时行情描述的是当前行情状态。

如果我需要计算均线、波动率等时间序列指标，我会使用 K 线。

如果我需要判断当前报价状态，我会使用实时行情。

如果我需要观察买卖盘，则使用五档数据。

量化交易中五档行情和实时行情到底有什么区别？

算法

大数据

实时行情与五档行情在量化交易中解决不同问题：前者反映当前成交价，后者揭示买卖挂单分布。本文基于实盘经验，详解两者与分钟K线的本质区别，并演示用Python通过QuantDash获取实时报价、五档盘口及批量数据的代码实现，同时提供数据分层与避坑指南。

数据接口

数据转换

数据结构

数据处理

Python

2026上云采购 | AI焕新·智启新局

lexiang

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！

量化交易中五档行情和实时行情到底有什么区别？

量化交易中五档行情和实时行情到底有什么区别？

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