首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册
策略分享

Python 对接 AllTick 免费 API，高效获取股票实时行情数据

由bq89h8gq创建，最终由bq89h8gq 被浏览 4 用户

在量化投研、策略开发与回测的实操过程中，实时、精准、低成本的股票行情数据是所有工作的核心基础。无论是量化新手的策略验证，还是专业投研团队的实盘行情监测，都需要能快速对接、格式规范的股票数据接口，而 Python 搭配 AllTick 免费股票 API 的 WebSocket 接口，正是适配量化场景的高性价比解决方案 —— 零成本获取 tick 级实时行情，极简代码实现数据抓取、整理与分析全流程，完美适配 BigQuant 平台的量化开发与策略落地需求，今天就为大家带来全流程实操指南。

一、量化投研的核心数据痛点，AllTick API 一站式解决

做量化开发的从业者，大概率都遇过这些数据获取的核心问题：

  1. 传统轮询方式获取数据，存在明显延迟，无法满足 tick 级策略回测与实盘行情捕捉的需求；
  2. 专业付费接口成本偏高，对于量化新手、小团队的策略测试来说性价比过低；
  3. 零散数据渠道格式不统一，数据清洗耗时耗力，挤占核心的策略开发时间；
  4. 自研爬虫易遭遇反爬限制，连接稳定性差，数据完整性难以保障。

而 AllTick 提供的免费股票 API，针对量化场景的痛点做了精准优化，尤其是WebSocket 实时推送接口，成为量化投研的实用工具，核心优势体现在四点：

✅ 实时推送，无延迟：摒弃轮询模式，主动向客户端推送 tick 级行情数据，延迟可忽略，适配实盘监测、高频策略回测等专业量化需求；

✅ 格式规范，易解析：返回标准 JSON 格式数据，字段清晰（标的、价格、时间戳等），可直接用 Python 解析，无需大量数据清洗工作；

✅ 零成本，无门槛：无付费订阅、无复杂认证流程，直接对接接口即可使用，适配量化新手入门与团队低成本投研；

✅ 高稳定，易对接：长连接稳定性强，数据传输完整，可无缝对接 Python、BigQuant 等量化开发工具与平台，适配各类量化场景。

二、前置准备：安装核心依赖库

本次实操仅需两个 Python 核心库，直接在 BigQuant 平台的代码编辑器或本地终端执行安装命令即可，均为量化开发的基础必备库：

pip install websocket-client pandas
  • websocket-client：用于建立 WebSocket 长连接，接收 AllTick API 的实时行情推送；
  • pandas：量化数据处理核心库，快速实现非结构化数据的结构化整理与基础统计分析。

三、核心实操：Python 对接 AllTick API，抓取实时行情

以下为完整可运行代码，已做量化场景适配，添加详细注释，在 BigQuant 平台可直接复刻使用，仅需根据自身策略需求修改symbols中的股票标的（支持 A 股、美股等多市场标的），即可实现实时行情的订阅与抓取。

import websocket
import json
import pandas as pd

# 初始化列表，存储tick级实时行情数据，适配量化后续数据处理
tick_data = []

def on_message(ws, message):
    # 解析API推送的标准JSON格式行情数据
    msg = json.loads(message)
    # 提取量化投研核心字段：标的代码、实时价格、时间戳
    tick_info = {
        "symbol": msg.get("s"),  # 股票标的代码
        "price": msg.get("p"),   # 实时成交价格
        "time": msg.get("t")     # 交易时间戳
    }
    tick_data.append(tick_info)
    # 实时打印行情，便于策略开发中的调试与行情监测
    print(f"{tick_info['symbol']} -> {tick_info['price']} @ {tick_info['time']}")

def on_error(ws, error):
    # 捕获连接错误，便于量化实操中的问题排查
    print("接口连接出错:", error)

def on_close(ws, close_status_code, close_msg):
    # 连接关闭提示，感知接口连接状态
    print("WebSocket连接已关闭")

def on_open(ws):
    # 定义需要订阅的股票标的，可根据量化策略自由增删
    subscribe_msg = {
        "type": "subscribe",
        "symbols": ["AAPL", "TSLA", "GOOG"]
    }
    # 向AllTick API发送订阅请求，建立实时行情推送
    ws.send(json.dumps(subscribe_msg))

if __name__ == "__main__":
    # AllTick官方实时行情WebSocket接口地址
    ws_url = "wss://realtime.alltick.co/ws"
    # 创建WebSocket应用，配置核心回调函数
    ws = websocket.WebSocketApp(
        ws_url,
        on_open=on_open,
        on_message=on_message,
        on_error=on_error,
        on_close=on_close
    )
    # 保持长连接，持续接收实时行情数据，适配量化实时监测需求
    ws.run_forever()

  • 运行上述代码后，控制台将实时打印订阅标的的行情信息，所有 tick 级数据将自动存入tick_data列表，为后续的量化分析、策略回测做好数据准备，全程无需手动干预，适配 BigQuant 平台的自动化运行需求。

    四、量化数据处理：Pandas 快速整理与分析实时行情

    量化投研中，结构化的数据是策略开发、指标计算的基础。AllTick API 抓取的实时数据存入列表后，仅需两行核心代码，即可通过 Pandas 将非结构化数据转化为结构化 DataFrame 表格，同时可快速实现标的分组、价格统计等基础量化分析，为后续的因子计算、策略回测提供数据支撑。

# 将tick级实时数据整理为Pandas DataFrame，适配量化结构化数据处理
df = pd.DataFrame(tick_data)
# 查看最新10条行情数据，快速监测标的实时行情变化
print(df.tail(10))
# 按股票标的分组，计算实时价格平均值，为量化指标计算做基础
avg_price = df.groupby("symbol")["price"].mean()
print(avg_price)

整理后的 DataFrame 数据，可直接在 BigQuant 平台中对接TA-Lib、Backtrader等量化工具，实现技术指标（MA、MACD、RSI 等）的计算、K 线图绘制，也可将数据写入数据库或本地文件，实现行情数据的持久化存储，为量化策略的历史回测积累数据。

五、场景适配：完美对接 BigQuant 量化开发全流程

这套 Python+AllTick 免费 API 的解决方案，深度适配 BigQuant 平台的各类量化场景，无论是量化新手的入门实操，还是专业团队的策略开发，都能无缝融合：

  1. 量化新手入门 零成本获取专业级 tick 行情数据，通过极简代码实现数据抓取与分析，快速熟悉金融数据结构、量化数据处理逻辑，为后续策略开发打基础；
  2. 策略回测与验证 将抓取的 tick 级实时数据与 BigQuant 平台的回测框架结合，实现高频、中低频量化策略的实盘数据验证，提升策略的有效性；
  3. 实盘行情监测 搭建实时行情监测脚本，在 BigQuant 平台实现多标的批量行情监控，配合价格阈值逻辑，实现实盘行情异动提醒，为交易决策提供参考；
  4. 因子挖掘与分析 基于规范的实时行情数据，在 BigQuant 中开展量化因子挖掘，计算各类价量因子，验证因子有效性，为多因子策略开发提供数据支撑。

六、功能扩展：基于基础代码实现量化需求升级

在上述基础代码的基础上，可根据量化投研的实际需求，快速扩展实用功能，适配更复杂的量化场景，核心扩展方向包括：

  1. 多标的批量监控：在symbols列表中增删股票标的，实现数十、上百只标的的实时行情批量抓取，适配行业轮动、指数成分股监测等策略；
  2. 行情异动预警：添加条件判断逻辑，当标的价格涨跌幅、成交量达到设定阈值时，触发邮件、短信预警，适配实盘交易监控；
  3. 技术指标实时计算：对接 TA-Lib 库，基于实时行情数据，实时计算 MA、KDJ、布林带等技术指标，为量化交易信号生成提供依据；
  4. 数据持久化存储：将 DataFrame 格式的行情数据写入 MySQL、SQLite、CSV 文件，实现历史行情数据的积累，为策略回测提供完整数据；
  5. BigQuant 策略融合：将实时行情抓取代码封装为函数，接入 BigQuant 的量化策略框架，实现行情数据驱动的自动化交易信号生成。

七、实操总结

对于 BigQuant 平台的量化开发者而言，Python+AllTick 免费 API 的组合，是低成本、高效率、高适配的股票实时数据解决方案：

  • 零成本解决量化投研的核心数据需求，无需为付费接口承担额外成本；
  • 代码极简、易复刻，在 BigQuant 平台可直接运行，适配新手与专业团队；
  • 数据格式规范，无缝对接量化开发的各类工具与框架，大幅提升投研效率；
  • 长连接稳定性强，tick 级行情数据精准，可满足从策略回测到实盘监测的全量化场景需求。

这套方案的上手门槛极低，即使是刚接触量化开发的新手，只需根据注释修改标的代码，即可快速实现实时行情抓取。在实操过程中，若遇到接口连接、数据解析等问题，可结合 AllTick 官方文档与 BigQuant 平台的开发社区寻求解决方案。

基于这套基础方案，大家可在 BigQuant 平台不断拓展量化能力，从简单的行情抓取到复杂的策略开发、实盘落地，让高效的数据源成为量化投研的核心支撑。

{link}