JQData是聚宽数据团队专门为金融机构、学术团体和量化研究者们提供的本地量化金融数据服务。使用JQData，可快速查看和计算金融数据，无障碍解决本地、Web、金融终端调用数据的需求。历经5年沉淀，40万宽客及数3500家知名量化机构投研交易验证。

使用上，JQData适用Windows、Mac、Linux多种操作系统，支持python2、python3和以及任意编程语言。数据通过简洁的API方式提供，pip即可直接安装使用，挣脱使用束缚，实现更多场景。只需三行代码，即可随取随用~

   为了满足用户的需求，聚宽数据团队在JQData中不仅提供了全面的基础金融数据，包括**沪深A股行情数据，上市公司财务数据，场内基金数据，场外基金数据，指数数据，期货数据，期权数据、债券数据以及宏观经济数据**；除此之外，JQData还针对因子数据和特色数据，引进了聚宽因子库，舆情数据，Alpha特色因子，技术分析指标因子，tick数据，助您更好的完成量化研究和投资决策。详细数据清单如下表所示：

说明：

• 有关财务数据更新：一般是这样的情况，譬如财报公布的发布日期是date，实际上一般会在date前一个交易日的晚上发布出来，我们程序也会在date前一天晚上和date这天早上更新财报；
• 期货结算价更新时间：17:00后；

• 本地使用：JQData避免了各个量化平台的限制，适用于Windows，Mac，Linux多种操作系统，用户只需三行Python代码即可完成本地安装和调用，帮助您实现一整套本地化部署的量化投资研究。（支持Python2和Python3）

• 易于量化：JQData在设计过程中，聚宽团队基于量化行业专业知识及对投研的经验，对数据进行清洗及整理，使数据更能适用量化的研究习惯，并进一步赋能数据在本地投研的可行性及便利性。

• 调用方便：在JQData里，不同品种同一属性的数据用同一个接口就能获取，例如，使用get_price就能获取所有股票，基金，指数，期货的行情数据，从而大大减少用户的学习成本，代码也更加简洁；与之相反，大部分传统数据商提供的数据分散在不同的数据表中，需要用户自己来回查找。

• JQData精准度介绍：截至目前，聚宽自营基金管理规模已达百亿，使用聚宽数据（详情见文末介绍），一创聚宽平台交易验证，其精准度满足交易需求。聚宽数据团队研发了数据监控系统和多数据源比对系统，通过一整套系统化的机制保证数据的准确性。另外，我们还提供了指定日期参数，杜绝未来数据。

• JQData稳定性介绍：JQData采用与聚宽官网一致的账户校验系统，登录账号即可使用。提供独立的数据服务，采用负载均衡、高可用服务架构，配备完善的灾备体系，保证业务系统24小时不中断，并支持海量用户同时在线。数据传输方面，采用RPC协议传输，并压缩成特有数据格式，减少传输数据量，更加节省带宽。

聚宽作为国内领先的量化平台，欢迎数据行业的各位同仁，和我们共同构建起一整套领先的量化分析数据体系，如贵公司有这方面的数据资源和合作意向，，请添加管理员微信：JQData02，或发送邮件至jqdatasdk@joinquant.com说明合作意向，欢迎加入聚宽JQData。

• 【最新版本信息】：https://gitee.com/joinquant/jqdatasdk/graph/master

• JQData，即jqdatasdk，指的是聚宽数据出品的本地量化数据接口，需要本地python环境内使用， 具体方法见JQData的API： 【sdk版本API文档】：https://www.joinquant.com/help/api/help?name=JQData

• jqdata：只有在官网环境下才能调用（登录官网在研究环境下使用的包） 步骤：import jqdata 或 from jqdata import , 具体使用方法见官网API：https://www.joinquant.com/help/api/help?name=api

申请试用账号： JQData由聚宽团队专门维护清洗，为金融机构、学术团体和量化研究者们提供的本地量化金融数据服务。 数据产品不仅对外服务，同时服务于聚宽所有业务线，历经平台40万用户、基金百亿资产、每年万亿交易额的考验。本着推动量化行业快速发展的良好愿景，JQData现已开放注册。需要试用JQData的用户只需提交试用申请>>>，即可获取有效时长为3个月的试用账号。试用账号在试用期间可限时免费调用JQData的部分基础数据，具体试用权限如下表所示。（注：JQData基础数据包含沪深A股行情数据，上市公司财务数据，指数数据，场内基金数据，期货数据和宏观经济数据等多类数据） 如果数据流量不够用或者需要因子和特色数据，可以付费开通正式账号。如何开通正式账号>>>

开通权限后，您可以在本地安装和使用JQData。Python用户请按以下教程安装使用，如在使用中遇到问题，还可以联系官网在线客服或在社区问答板块留言，有专门的技术顾问跟进。

• 安装JQData： 如您本地已有python环境，打开本地cmd终端或Mac终端，将路径切换到python目录下，直接使用pip语法即可安装。在安装中出现任何问题，可查看JQData安装教程，内有详细解答。

  pip install jqdatasdk

• 升级JQData：JQData预计每2周会发布一次迭代版本，增加更多维度的基础数据以及因子类数据，已有python环境的用户可以使用如下语句完成升级：

  pip install -U jqdatasdk

windows用户可以直接点击新版本链接下载安装。或打开cmd终端，切换到JQData所在路径下，通过下述语句升级到最新版本。

  C:\JQData>python.exe -m pip install jqdatasdk

• 登录JQData：安装完成后，导入JQData，并认证用户身份。认证完毕显示“auth success”后即可使用，认证步骤如下：

  from jqdatasdk import *
  auth('账号','密码') #账号是申请时所填写的手机号；密码为聚宽官网登录密码

• 调用数据：详见下一步任务[登录JQData]

• 每天可访问数据条数：由于用户访问数据会给服务器造成一定的压力，JQData开放给试用账号的每天可访问数据为50万条，基本上能够满足大部分用户的需要；如需更多的访问条数，您可以付费升级为正式账号，我们将为您开放每天2亿条数据的访问权限。个人用户咨询【邮箱：sunping@joinquant.com】，机构服务咨询添加微信号JQData02&。

• 因子数据和特色数据：如果您还想使用Alpha特色因子，技术指标因子，tick数据，您可以将账号升级到正式版、标准版或专业版，详情请联系我们的运营同事。个人用户咨询【邮箱：sunping@joinquant.com】，机构服务咨询添加微信号JQData02。

• 问题反馈和其他数据需求：如果您在使用JQData的过程中遇到问题，或者希望JQData能够加入更多的数据，请您通过社区提问的方式或者联系官网右下角的在线客服。

打开代码编辑器（第三方编辑器请指定运行环境为已安装JQData的Python环境），输入如下代码认证用户身份。认证完毕后显示“auth success”即可开始调用数据，认证步骤如下：

from jqdatasdk import *
auth('ID','Password') #ID是申请时所填写的手机号；Password为聚宽官网登录密码

注：JQData支持开启一个连接数，即登录一次账号算一个连接；如遇到连接数超限情况，可使用logout()函数退出已有连接后再开启新的连接。

get_query_count()

描述：查看当日剩余可调用条数，试用账号默认是每日50万条；正式账号是每日2亿条。
说明：一行表示一条，如下图；如果不确定的话，可以在调用前后分别查询下可调用条数

返回

一个dict，字段说明如下：

示例

#查询当日剩余可调用数据条数
count=get_query_count()
print(count)

>>>{'total': 1000000,'spare': 996927}

聚宽JQData用户使用协议（以下简称“本协议”）由北京小龙虾科技有限公司（以下简称“公司”）与聚宽JQData用户（以下简称“用户”或“您”）签订。当您在聚宽JQData相关的网络页面，软件客户端等点击确认接受本协议，或按照本协议约定的方式实际使用聚宽JQData的服务即意味着您同意接受本协议条款的约束。

公司郑重通知用户，根据国家的相关法律规定，用户应当使用本人真实身份信息在聚宽JQData相关的网络页面，软件客户端注册账号并按照本协议的约定使用聚宽JQData数据。账号仅限本人使用，用户不得将本人账号交于他人使用，或将使用本人账号获取的聚宽JQData数据交给第三方使用。单人只允许注册一个账号。一台设备仅支持一个账号使用。违反上述规定的，公司有权在不提前通知用户的前提下终止用户使用聚宽JQData数据的权利，包括但不局限于封禁用户的账号，禁止用户使用的终端接入聚宽JQData数据服务。

第一条 定义

1.1 “聚宽JQData”是公司根据来源于上海证券交易所，深圳证券交易所，第三方数据提供商以及市场上其他公开可得的原始数据，经过公司专业的字段设计和数据整理生成。

第二条 聚宽JQData数据使用方式

2.1 用户通过公司提供的试用申请、付费购买两种渠道获得试用或者正式的聚宽JQData使用授权通知后，方可使用聚宽JQData数据。

2.2 用户只能在公司授权的使用范围内使用聚宽JQData数据，包括但不限于使用期限，数据品种，时间范围，调用条数限制等。

2.3 聚宽JQData的使用方式详见公司在聚宽量化平台官网（https://www.joinquant.com）发布的聚宽JQData数据说明页。用户有任何问题可以通过聚宽社区，邮件等渠道向公司反馈，聚宽JQData使用方法的最终解释权归公司所有。

第三条 授权内容

3.1 公司基于证券市场的发展，在用户使用聚宽JQData期间，对聚宽JQData数据保有不断更新和调整的权利。

3.2 未经公司事先书面许可，用户不得将聚宽JQData及其相关技术文档、信息资料提供给第三方，或用于本协议下约定之外的目的。

第四条 知识产权

4.1 公司所用于生产聚宽JQData的原始数据来源于上海证券交易所，深圳证券交易所，第三方数据提供商以及市场上其他公开可得的数据，经过公司专业的字段设计和数据整理，新生成的聚宽JQData数据的知识产权归公司所有，就公司合理所知，其授权用户使用的前述权利不侵犯任何第三方的商标权，著作权或专利权等知识产权权利。

4.2 未经公司书面许可，用户不得在其产品或宣传媒介上使用公司及其产品的文字和标识图片。公司与用户之间若有联合运营或推广的需要，具体授权将单独协商并另行签署协议予以约定。

第五条 用户责任

5.1 用户承诺使用聚宽JQData的数据或利用JQData数据加工之后的数据，只做研究目的使用，不用作商业目的和商业用途。

5.2 用户确保在使用聚宽JQData的过程中相关操作的合法性，不侵犯任何第三者的合法权益，包括但不限于著作权、商标权、专利权等；不会违反任何法律、法规、条例或规章。因为用户不当使用聚宽JQData对第三者权益造成损害的，由用户承担全部赔偿责任。

5.3 聚宽JQData为公司版权所有，用户不得对其进行盗用、反编译、恶意攻击及其它任何危害公司及其他聚宽JQData用户安全与权益的行为。

第六条 保密条款

6.1 在本协议有效期内及协议终止后永久期限，用户应对使用期间所产生的任何帐号、密码、文件、信息和数据（统称为“保密信息”）采取保密措施，未经公司同意，不得将保密信息以任何方式泄露给第三方。

第七条 违约责任

7.1 用户违反本协议所约定的义务，公司有权在不通知用户的情况下立即终止用户使用聚宽JQData的权利。同时，用户为使用聚宽JQData已经支付的使用费用将不予退还。

7.2 用户违反协议所约定的义务给公司及第三方造成损失的，应当承担赔偿责任。

第八条 免责条款

8.1 公司本着专业精神授权用户使用聚宽JQData，但难免会因为数据源问题、技术原因和人为疏漏导致更新延迟，缺失，错误及其他故障，公司对此并不承担任何责任；若用户发现上述问题并反馈给公司，公司会采取一切必要措施以确保聚宽JQData提供数据的准确性。

8.2 如发生下述任一情况而导致用户损失的，公司不承担责任： （1）发生不可抗力情形的； （2）黑客攻击、计算机病毒侵入或发作的； （3）聚宽JQData的硬件系统遭到破坏、瘫痪或无法正常使用的； （4）网络运营商技术调整的； （5）因政府管制而造成暂时性关闭的； （6）其它非因公司的过错而引起的。

第九条 协议的生效

9.1 用户按照本协议约定的方式确认接受本协议条款后本协议生效，有效期为一年，到期如双方均无异议或用户继续按照本协议约定使用聚宽JQData，则本协议以一年为期自动向后延续。

第十条 法律适用

10.1 本协议由中华人民共和国法律所约束和管辖。

第十一条 争议解决

11.1 凡因本协议引起的或与本协议有关的任何争议，双方首先应友好协商解决，协商不成的均应提交公司所在地有管辖权的法院通过诉讼解决。

第十二条 附则

12.1 在本协议有效期内，公司有权对本协议的内容进行修改。经修改的协议通过聚宽量化交易平台网页公告、用户注册账户时提供的电子邮件、手机短信或常规的信件传送等方式向用户发出通知，该等通知在发送时即视为已送达用户。用户在收到上述通知后继续使用聚宽JQData，视为接受修订后的协议。

• 这是同时打开了多个链接造成的；每次auth之后会创建新的链接，是长连接的（thrift长连接）；使用logout()或者关闭进程后会断开；默认同时最多存在一个链接，如果A链接被创建，之后再在其他进程中创建B链接(也就是在其他进程中进行登录)，再次使用A链接去获取数据就会报这个错误。
• 对于多个链接的简单解释: 如果不了解进程的概念，可以这样简单的理解, 每个独立的cmd窗口是一个独立的进程，每个独立的jupyter也是一个独立的进程。
• 目前jqdatasdk不支持超过1个进程，不支持多线程；
• 建议每次获取数据不要超过10w条(防止进程假死)；
• 建议获取数据后使用logout()退出；
• 升级jqdatasdk到最新版本；
• 使用pycharm注意关闭 run with console 选项或者每次运行后关闭控制台界面(每个开启的控制台都相当于一个进程); 使用控制台时注意设置控制台变量加载策略为"按需" ，否则易引发多个链接及输出异常的问题
• 需要更多的链接数，可付费升级为正式账号，为了更高品质展开服务，个人用户咨询【邮箱：sunping@joinquant.com】，机构服务咨询添加微信号JQData02

• 先确定下有没有申请使用，申请后才可以使用；
• 检查下账号和密码是否正确，默认密码为聚宽官网的密码；
• 还有问题请联系下官网右下角在线客服咨询处理；

JQData目前的服务器地址：39.107.190.114，端口号：7000
这个报错一般是由您网络问题造成的，常见解决方法如下:

• 检查下网络是否正常/稳定；
• 请检查下您是否使用代理或者网络被禁止了，目前不支持代理；
• 是否您公司对网络或者端口有限制；
• 尝试使用其他网络；
• 升级JQData至最新版本；
• 不建议高频的login和logout；

JQData和官网不一致API对比

示例

• get_bars / get_ticks返回结果（以get_bars为例）

本地

#获取贵州茅台按天为周期以"2018-12-05"为基础往前5个交易日的数据
df = get_bars('600519.XSHG', 5, unit='1d',fields=['date','open','high','low','close'],include_now=False,end_dt='2018-12-05')
print(df)
#返回[pandas.DataFrame]

         date    open    high     low   close
0  2018-11-28  550.85  559.19  545.50  557.00
1  2018-11-29  566.03  569.80  549.01  551.60
2  2018-11-30  557.00  568.89  553.00  565.00
3  2018-12-03  589.00  605.00  584.77  601.20
4  2018-12-04  602.99  604.26  595.00  602.23

#获取贵州茅台按天为周期以"2018-12-05"为基础往前5个交易日的数据
df = get_bars('600519.XSHG', 5, unit='1d',fields=['date','open','high','low','close'],include_now=False,end_dt='2018-12-05')
print(df)
#返回结果格式为[numpy.ndarray]

[(2018-11-28, 536.55, 544.67, 531.33, 542.54)
 (2018-11-29, 551.33, 555.0, 534.75, 537.28)
 (2018-11-30, 542.54, 554.12, 538.64, 550.33)
 (2018-12-03, 573.7, 589.29, 569.58, 585.59)
 (2018-12-04, 587.33, 588.57, 579.55, 586.59)]

get_ticks

本地：目前不支持股票列表；

官网: 官网支持股票列表

# 官网
d = get_ticks(['000300.XSHG', '000001.XSHE'],start_dt=None, end_dt="2018-07-03", count=3)
print(d)
{'000300.XSHG': array([(20180702150000.0, 3407.98, 3510.84, 3383.73, 8392371200.0, 107100880896.0),
       (20180702150003.0, 3407.98, 3510.84, 3383.73, 8435144800.0, 107601543168.0),
       (20180702150051.0, 3407.96, 3510.84, 3383.73, 8435144800.0, 107601543168.0)],
      dtype=(numpy.record, [('time', '<f8'), ('current', '<f8'), ('high', '<f8'), ('low', '<f8'), ('volume', '<f8'), ('money', '<f8')])), '000001.XSHE': array([(20180702145657.0, 8.62, 9.05, 8.56, 128485000.0, 1132138244.0),
       (20180702145700.0, 8.62, 9.05, 8.56, 128514800.0, 1132395012.0),
       (20180702150003.0, 8.61, 9.05, 8.56, 131552000.0, 1158545922.0)],
      dtype=(numpy.record, [('time', '<f8'), ('current', '<f8'), ('high', '<f8'), ('low', '<f8'), ('volume', '<f8'), ('money', '<f8')]))}
1
​)]))}

• Pandas不同版本间的兼容性较低，我们也在持续的优化适应Pandas的新特性，1.8.6及之后的版本支持pandas 0.25.3以上的版本。
• 如遇到类似 AttributeError: 'DataFrame' object has no attribute '_attrs' 的报错，可使用命令 pip install jqdatasdk -U升级jqdatasdk至最新版本。
• Pandas为0.25.0及以上时，受panel影响的接口(get_price, get_fundamentals_continuously等)，强制设置panel=False

JQData | 教程���合帖-伙伴们贡献，不断更新

1. 行情和其他数据源有差异 ?

A:先确认是否对比的是同一种复权方式 , 我们默认返回前复权 , 对比的时候注意复权方式(价格及成交量都有进行复权处理)

2. 采用同样的复权方式,历史价格还是不同？

A:交易所并未提供复权数据,各数据商的复权数据都是自己计算的,都存在差异(可以对比一下不同平台000001的后复权数据就会发现差异)

3. 为什么获取的涨停价为无限大，跌停价为0？

A:这种情况，表明该股票在该日无涨跌停限制。无涨跌停限制的情况有很多，而且在不同的年份交易所的规定不同。比如增发股票、解除ST等情况。如果出现这种情况，您可以到巨潮网上查看具体的公告详情。如000863在2012-08-03无涨跌停限制，具体的公告见http://www.cninfo.com.cn/finalpage/2012-08-03/61363778.PDF

4. 分钟数据的成交量及价格，为什么和别的数据提供平台不一样？

A:交易所不提供分钟数据，只提供tick数据（不是分笔的），一个tick的bar的长度为3秒，然后数据提供商根据tick数据，自己制作分钟数据。由于交易所的行情分发机制，无法保障每个程序（或平台）读取到完全一致的数据所以产生了不同平台接收的tick并不完全相同。不同平台由于tick接收时间不同 , 以及分钟数据的切片规则等原因, 会造成分钟数据不一致的现象 , 比如有一条 14:00:00的tick,我们可能会纳入 14:00:00 至 14:01:00的bar , 但也有其他平台也可能会纳入 13:59:00到 14:00:00的bar , 总体来讲数据没有差异,只是划分不同 ,这样就造成了差异,您也可以自己提取tick数据并进行验证。

5. 分钟数据合成的最高价等数据和天数据不一致

A:这个是正常现象，但由于分钟数据和日数据都是是从tick数据合成的，而tick数据的快照截取时间，不同平台或许会有些许差别，从而出现分钟数据的最高价和最低价不完全一致。而对于日数据的最高价和最低价，是不存在这样的问题的
不建议拿分钟行情和日行情进行最高价最低价，开盘价收盘价的比较，分钟行情都是根据tick自己生成的，譬如说如000001.XSHE 在2019-08-16的分钟数据，tick时间切片的时候没有切到current = 15.14 , 那么根据当前tick现价合成的分钟最高价就不是15.14了,而是15.09，当时日最高价是15.14。
分钟行情的最高价是按照这一分钟所有tick的现价合成的最高价。

6. 分钟数据的第一分钟/最后一分钟的开盘价/收盘价与天数据的收盘价/开盘价不统一?

A:对于开盘价不一致：由于分钟行情是通过交易所tick按分钟进行合成，对于无成交的情况会使用上一分钟的收盘价作为该分钟的open和close进行填充；而日行情的开盘价由交易所直接下发，属当天第一笔成交价，如果当天第一笔成交价不是开盘第一分钟成交就会和分钟开盘价不同(如600007 2019-09-11), 和行情软件上的数据是一致的；

对于期货,还可能出现日行情收盘价和分钟收盘价不一致,期货交易所下发的日行情会在当天无成交的情况下在收盘后给一个特定的收盘价，这个收盘价就会和分钟收盘价出现不一致的现象。

7. 有些股票成交量为0，但成交额不为0? 股票分钟成交量的加总不等于日行情的成交量?

A:因数据储存的原因，目前历史分钟数据(非当天)的成交量会剔除不足一手的零散股,如果存在零散股会造成不一致的情况。

8. 有关tick数据--tick 时间戳重复

A:原始数据没有毫秒部分的数据，我们添加了毫秒部分，所以如果一秒钟出现多余2条数据，就会出现这种现象 一般来说是2条数据,刚好平分1秒钟里的0.5秒,但有时会接收到3条,就出现了重复的时间戳 处理的时候，如果有两个时间戳相同，我们会把第二个加上500毫秒

9.分钟数据，有的股票均价（或者成交额/成交量）超出了最高价或最低价?

A: 我们依照行情软件的惯例，给出的分钟成交量单位是手（省略了碎股，一般小于1手），成交额单位是元，成交额是真实成交的数额，是没有省略碎股的交易额的，所以单纯以实际成交额 / 省略碎股的成交量， 这样算得的均价是略有偏差的。

10.为什么有的标的的行情数据全是Nan?

A:(1).检查下标的的上市日期和退市日期.get_security_info('XXXXX').start_date / get_security_info('XXXXX').end_date

(2).如果检查标的当时的确已上市且未退市,可能和长期停牌有关。目前我们的行情数据是自2005年开始的,如000638自2004年停牌到2009-06-04,因为找不到填充数据,所以在20019-06-04之前这只标的行情数据全为Nan。,类似的标的还有'600788.XSHG','000765.XSHE'，'300753.XSHE'

11. 一些股票行情开始时间和其他软件不一样?

A: 对于股票, 一般都是因股票代码变更(包括退市后重新上市), 如果股票发生代码变更，根据交易所建议,大部分变更前和后部分数据是独立的，需要根据对应的代码及时间查询；个别是直接覆盖的,涉及覆盖的代码有 : 000931/601607/601360/001979

以下为整理的部分常见的股票代码变更记录

12. 许多指数行情/成分股的开始时间和交易软件不一样?

A: 中证官网可以查看各个指数的 编制方案 交易软件上您看到的开始时间应该是补充了基日到支付发布日期之后的数据,而不是指数真正的发布日期。我们的数据以中证官网开始披露为准 相关帖子 https://www.joinquant.com/post/2058?replyId=14050#14050

13. 为什么有些申万行业指数可以获取到未发布之前的行业行情数据?

A:数据来自申万 , 和中证指数刚好相反,申万行业指数基本都以1999-12-31为基日,并提供了自基日开始的行情数据 , 是正常的(成分股是从发布日期后才有的)

14. 为什么深成指指数的成交额与其他的软件相差那么大？

A: 深成指的成分股数量为500，不是所有在深圳证券交易所上市的A股股票。其他的数据提供商，均将深证的所有A股的成交额之和作为深成指399001的当日成交额之和，而聚宽的深成值的成交额为其对应的成分股在当日的成交额之和。如果需要深圳所有标的成交额,请查询深证综合指数399106。 其他对应的指数： 399001->399106 399003->399108 399005->399101 399006->399102 399007->399344

15. 创业板指的成交量与其它券商相差很大

A:这个问题比较特殊，在深交所的查询该指数的数据查到了两个不同的成交额和成交量数据，一个和用户提到的其他券商的数据相符（见附件《深交所官网399006日线图》），另一个和我们的数据相符（见附件《深交所官网历史行情图》）。 经过分析，发现和用户提到的其他券商的数据相符的还有另一个指数，即创业板综指（399102.XSHE），行情数据见附件《深交所官网399102日线图》，由此可见，我们的数据没有问题，即为399006.XSHE实际的成交量和成交额，而交易所不知是什么原因，用399102.XSHE的成交量和成交额替换掉了399006.XSHE的数据，导致在深交所官网查询数据发现日线图数据和历史行情数据不一致。 综上所述，我们的399006.XSHE显示的是该指数的真实的成交量和成交额数据，而用户提到的券商的成交量和成交额数据是和深交所官网日线图保持一致的399102.XSHE的数据，两个数据虽然不一样，但都是正确的。

1. 为什么我在别的网站上查的财务指标和聚宽提供的财务指标数据不一致？

A:注意区分单季度和报告期，一般财经网站上提供的财务指标数据都是上市公司披露的原始的报告期数据。上市公司公布财报分四种，一季度报、中期年度报、前三季度报、全年年报，统计的周期跨度分别为第一季度、前两个季度、前三个季度、全年，而聚宽考虑到量化分析，所以提供了单季度财务数据(get_fundamentals接口)此接口获取到的财务指标数据全是单季度的(除过statDate指定为年度时)。所以因为财报的统计周期不同，导致了一些指标上的不一致。如果想要获取报告期数据,可以使用finance.run_query调用报告期数据 ; 如果大家想对比别的网站的单季度统计数值，可以到同花顺上查看，如 http://stockpage.10jqka.com.cn/000759/finance/#finance ，然后选择按单季度统计，如下图。

相关帖子： https://www.joinquant.com/post/2746?replyId=16660#16660 https://www.joinquant.com/post/2654?replyId=16302#16302 报告期和单季度财务数据查询示例及验证对比可以查看这篇帖子 : https://www.joinquant.com/view/community/detail/20424

2. 为什么按单季度统计后，净利润还是和同花顺的净利润不同？

A:同花顺的净利润其实是归属母公司股东的净利润，我们提供的净利润指标就是净利润。还有一些其他指标,可能是统计口径不一致的问题,如果对比有差异,可以多对比几家。

3. 报告期数据中为什么有"重复的数据"？

A:您指的"重复的数据"应该指的是公司披露本季度财务数据同时披露的往期的财务数据 , 一般为去年同期,抑或有对之前披露的财务信息进行修正,(上市公告书,招募说明书中会披露过去近几年的财务数据,可以使用source_id字段进行判断)。 可以使用end_date(统计截止日期) 和 report_type ( 0：本期，1：非本期,一般为上年同期 ) 进行区分和过滤。

例如300080在2020-04-29发布的2019Q1数据修改了2019-04-26 发布的2019Q1数据

from jqdata import *
q = query(finance.STK_INCOME_STATEMENT.company_name, 
finance.STK_INCOME_STATEMENT.code, 
finance.STK_INCOME_STATEMENT.pub_date, 
finance.STK_INCOME_STATEMENT.start_date, 
finance.STK_INCOME_STATEMENT.end_date, 
finance.STK_INCOME_STATEMENT.total_operating_revenue, 
          finance.STK_INCOME_STATEMENT.report_type,
          finance.STK_INCOME_STATEMENT.report_date,
finance.STK_INCOME_STATEMENT.np_parent_company_owners).filter( 
    finance.STK_INCOME_STATEMENT.code == '300080.XSHE', 
    finance.STK_INCOME_STATEMENT.end_date == '2019-03-31', 
#     finance.STK_INCOME_STATEMENT.report_type == 1
    ).limit(200) 
df = finance.run_query(q) 
df.sort_values(by=['pub_date'], ascending=False)

4. 上市公司的财报如果后来有修改（修正），请问是怎么处理的？get_fundamentals是怎么处理有修改的财务数据。有的使用修复前的，有的使用修改后的？

A:（1）上市公司财报更新前和更新后的数据，为了避免未来函数（当前时间取到未来数据），理论上要保留同一报告期的所有版本，目前受数据源的限制，这块处理规则是按最新更新的（部分比较久远的数据可能会用第一个版本）； （2）公司新发布一期财报，一般同时会给出上一年度同期的调整财报，对于这种情况相隔时间较久的情况（半年以上），我们单季度数据一般不再对老的财报进行更新；而有时候，公司会在短期内（半年内或者1个月内）对前段时间更新的财报进行修正， 这种情况我们单季度数据也会采用修正后的财报； （3）上面的规则主要是针对单季度财务数据的，报告期财务数据中,如果公司是在之后的某一季度修正的财报,那么数据都是有的

5. 某公司公布相关财报后，聚宽什么时候将其更新到线上？

A:单季度财务数据目前每个交易日盘后更新,数据中的pubDate对应公告日期,一般在公告日期当晚可以拿到,最晚第二天凌晨 报告期数据一般在公告日期当天就可以拿到,略快于单季度数据 ,不同数据源更新进度可能不一致 , 选择合适的进行查询就可以了

6. 单季度数据中上市之前的财报为什么没有？

A:上市之前的财报(不包括上市公告书等)，不受证监会的监督约束，无法保证数据正确，而且对股票市场的股价影响波动很小，而上市公告书中只披露年度数据, 无法计算出完整的单季度数据 。 所以单季度只提供公司上市后发布的财务报表。公司上市时会同时披露前两到三年的年度数据,所以在报告期数据中可以查找到。

7. 单季度数据中,个别标的有些指标有,有些指标没有?

A:和公司披露的财报有关,属于自然缺失如果根据公司已披露的财务数据无法计算出该项指标时,那么此项指标为Nan,比如在2019-07-24时,获取不到688001的roe,但是可以获取到688388的roe(这两个标的都是同一天上市的新股) 如 688388 ,有披露前四个季度的"归属于母公司所有者的净利润" ,所以roe有数据 http://stockpage.10jqka.com.cn/688388/finance/#finance 如 688001 缺少 2018q4的 "归属于母公司所有者的净利润" ,所以没roe数据http://stockpage.10jqka.com.cn/688001/finance/#finance

8. 为什么一些股票查询不到财务数据?

A: 检查一下标的在查询的日期是否处于上市状态,单季度数据只维护上市后披露的 另外对于股票代码变更的原因 ,因数据源原因可能需要使用变更后的代码进行查询,参考 "行情数据 - 一些股票行情开始时间和其他软件不一样? "

9. 使用get_fundamentals的date参数或者 get_fundamentals_continuously 查询单季度数据时,会出现从某个季度直接跳到下下一个季度的情况 ?

A: 上述方法查询的是某天所能看到的最新一期的财报,如上市公司在同一天披露了两份报表,如600507在2017-04-22同时披露了2016年报和2017年第一季度报 ,在2017-04-21看到的最新一期2016q3的数据,在2017-04-22看到的最新一期报表是2017q1 , 2016q4的数据不是缺失,而是应该通过get_fundamentals的statDate参数去查询。

10. STK_XR_XD 分红送股数据是怎么更新的?

A : STK_XR_XD 表以报告期为维度,每个报告期为一条数据(特别分红等可以看作额外的报告期),其中report_date和bonus_type对应, 一般为中期分红和年度分红;也存在季度分红,特别分红等。 分红送股信息的流程一般为 : 董事会预案-->股东大会预案-->实施方案公告 , 进度对应的字段会随着对应进度的公告数据及时更新 , 进度未产生时对应的字段为空 , 如果在某一进度取消分红,bonus_cancel_pub_date及plan_progress等会有相关更新进行说明。 如果要获取最新的,已确认进行实施分红的可以根据除权除息日(a_xr_date)进行排序筛选,而不是report_date。 如

from jqdata import finance
finance.run_query(query(finance.STK_XR_XD).filter(
    finance.STK_XR_XD.a_xr_date< ="2019-10-23"
            ).order_by(
            finance.STK_XR_XD.a_xr_date.desc()))

1. 为什么000001上证指数和000002A股指数的成分股完全相同?

A: 000001是上证指数，包含上交所注册的A股和B股，000002是A股指数，只包含上交所A股,理论上000002+所有上交所B股的数量应该等于000001的成分股数量,但目前我们未提供B股数据,所以成分股完全一致。点击可以查看中证官网A股指数编制方案

2. 为什么有些证监会行业概念的成分股为0？

有可能出现这种现象，可以到 http://www.csrc.gov.cn/pub/newsite/scb/ssgshyfljg/ 证监会官网上去确认一下。

3. 为什么有些股票查不到一些日期的指数/行业/概念成分股划分 ?

一般和股票更换代码有关 , 参考 "行情数据 - 一些股票行情开始时间和其他软件不一样? " 此类数据因数据源关系, 许多变更代码的标的都是用新代码直接覆盖原代码的,因此需要使用新代码做适当处理

4. 为什么有些申万行业代码没有成分股?

A:申万的行业代码在14年2月21有一次比较大改动,新增了11个行业代码:['801710','801720','801730','801740','801750','801760','801770','801780','801790','801880','801890'],弃用了6个行业代码:['801060','801070','801090','801100','801190','801220'] 所以新增行业代码在2014-02-21之前没有成分股,弃用的行业代码在2014-02-21之后没有成分股。 其他代码具体查看行业数据页面

1. 为什么周六还查询周五的融资融券数据还查不到？

A:我们提供的融资融券数据来自于上交所和深交所官网，其数据来自于每个交易日后各家券商向交易所汇报的数据。上交所的融资融券数据当日收盘后会更新，深交所的融资融券的数据会在下一个交易日的10点更新，这样一来深交所周五的融资融券数据在周一上午10点才能获取到。

2. 为什么某期货合约日行情数据的总成交量会小于中金所披露的持仓会员前20名的成交量?

A: 2020年后期货成交量是单边计算的,因为多空成交相同,而持仓机构的成交量指的是他自身的成交量,比如；某个会员机构多头成交2手，空头成交1手，它必须要与别的会员成交，只能记3手。 可以和交易所官网数据进行对比,比如中金所: http://www.cffex.com.cn/ccpm/

3. 为什么期权风险指标数据中商品期权只有delta数据,没有theta等数据?

A: 此数据来自交易所,上期所,郑商所及大商所都未披露此项数据,所以获取不到.ETF期权有完整的风险指标,上交所有披露。

4. 宏观数据有缺失?

A:有些数据本身统计局官网未公布,属于正常缺失,比如macro.MAC_AREA_CPI_MONTH表七月份的全国cpi数据,在统计局官网也是没有的,如果觉得有问题可以先和统计局官网数据进行对比: http://data.stats.gov.cn/easyquery.htm?cn=A01&zb=A010302&sj=201903

5. alpha191/alpha101 中的nan值和inf值是什么意思?

A:nan值代表缺失,inf代表无限大,-inf代表无限小 ; Nan值产生的原因 : 停牌返回nan , 刚上市(需要的数据量不足),已退市返回nan , 以及由于算法计算结果为Nan值,如计算相关系数等 inf产生的原因 : 由具体算法决定 ,有可能产生inf或-inf。如公式中有除法,而分母恰好为0。

6. 聚宽因子库中为什么有许多nan值?

A:缺少依赖数据,财务数据中如果标的未披露相关字段,依赖数据不完整的话会返回nan值, 需要注意到财务报表披露规则变更,标的报表披露形式(金融类,非金融类等) , 以及标的上市时间等。

• 由于同一代码可能代表不同的交易品种，JQData给每个交易品种后面都添加了该市场特定的代码后缀，用户在调用API时，需要将参数security传入带有该市场后缀的证券代码，如security='600519.XSHG'，以便于区分实际调用的交易品种。以下列出了每个交易市场的代码后缀和示例代码。

normalize_code(code)

将其他形式的标的代码转换为jqdatasdk可用的标的代码形式。 适用于A股市场股票、期货以及场内基金代码,支持传入单只标的或一个标的list

以股票为例

#输入
normalize_code(['000001', 'SZ000001', '000001SZ', '000001.sz', '000001.XSHE'])
#输出
['000001.XSHE', '000001.XSHE', '000001.XSHE', '000001.XSHE', '000001.XSHE']

get_security_info(code)

获取股票/基金/指数的信息.

参数

• code: 证券代码
• date：获取指定日期的标的信息，默认为None，仅支持股票

返回值

• 一个对象, 有如下属性:

  • display_name: 中文名称
  • name: 缩写简称
  • start_date: 上市日期, [datetime.date] 类型
  • end_date: 退市日期， [datetime.date] 类型, 如果没有退市则为2200-01-01
  • type: 类型，stock(股票)，index(指数)，etf(ETF基金)，fja（分级A），fjb（分级B）
  • parent: 分级基金的母基金代码

示例

以股票为例

# 获取000001.XSHE的中文名称
display_name = get_security_info('000001.XSHE').display_name
print(display_name)
>>>平安银行

get_all_securities(types=[], date=None)

获取平台支持的所有股票、基金、指数、期货信息

参数

• types: list: 用来过滤securities的类型, list元素可选: 'stock', 'fund', 'index', 'futures', 'etf', 'lof', 'fja', 'fjb'。types为空时返回所有股票, 不包括基金,指数和期货
• date: 日期, 一个字符串或者 [datetime.datetime]/[datetime.date] 对象, 用于获取某日期还在上市的股票信息. 默认值为 None, 表示获取所有日期的股票信息

返回 [pandas.DataFrame], 比如:get_all_securities()[:2]返回:

• display_name: 中文名称
• name: 缩写简称
• start_date: 上市日期
• end_date: 退市日期，如果没有退市则为2200-01-01
• type: 类型，stock(股票)，index(指数)，etf(ETF基金)，fja（分级A），fjb（分级B），fjm（分级母基金），mmf（场内交易的货币基金）open_fund（开放式基金）, bond_fund（债券基金）, stock_fund（股票型基金）, QDII_fund（QDII 基金）, money_market_fund（场外交易的货币基金）, mixture_fund（混合型基金）, options(期权)

示例

#将所有股票列表转换成数组
stocks = list(get_all_securities(['stock']).index)

#获得所有指数列表
get_all_securities(['index'])

#获得所有基金列表
df = get_all_securities(['fund'])

#获取所有期货列表
get_all_securities(['futures'])

#获得etf基金列表
df = get_all_securities(['etf'])
#获得lof基金列表
df = get_all_securities(['lof'])
#获得分级A基金列表
df = get_all_securities(['fja'])
#获得分级B基金列表
df = get_all_securities(['fjb'])

#获得2015年10月10日还在上市的所有股票列表
get_all_securities(date='2015-10-10')
#获得2015年10月10日还在上市的 etf 和 lof 基金列表
get_all_securities(['etf', 'lof'], '2015-10-10')

get_trade_days(start_date=None, end_date=None, count=None)

获取指定日期范围内的所有交易日, 返回 [numpy.ndarray], 包含指定的 start_date 和 end_date, 默认返回至 datatime.date.today() 的所有交易日

参数

• start_date: 开始日期, 与 count 二选一, 不可同时使用. str/[datetime.date]/[datetime.datetime] 对象
• end_date: 结束日期, str/[datetime.date]/[datetime.datetime] 对象, 默认为 datetime.date.today()
• count: 数量, 与 start_date 二选一, 不可同时使用, 必须大于 0. 表示取 end_date 往前的 count 个交易日，包含 end_date 当天。

#获取“2018-02-10”至”2018-03-01“的交易日
get_trade_days(start_date="2018-02-10",end_date="2018-03-01")

# 输出为数组
array([datetime.date(2018, 2, 12), datetime.date(2018, 2, 13),
       datetime.date(2018, 2, 14), datetime.date(2018, 2, 22),
       datetime.date(2018, 2, 23), datetime.date(2018, 2, 26),
       datetime.date(2018, 2, 27), datetime.date(2018, 2, 28),
       datetime.date(2018, 3, 1)], dtype=object)

get_all_trade_days()

获取所有交易日, 不需要传入参数, 返回一个包含所有交易日的 [numpy.ndarray], 每个元素为一个 [datetime.date] 类型.

get_all_trade_days()

# 输出
array([datetime.date(2005, 1, 4), datetime.date(2005, 1, 5),
       datetime.date(2005, 1, 6), ..., datetime.date(2023, 3, 7),
       datetime.date(2023, 3, 8), datetime.date(2023, 3, 9)], dtype=object)

get_price(security, start_date=None, end_date=None, frequency='daily', fields=None, skip_paused=False, fq='pre', count=None)

• 获取一支或者多只股票、期货、指数场内基金、上证ETF期权、股指期权及商品期权的行情（按天或者按分钟）；上证ETF期权分钟行情 2017-01-01至今，股指期权分钟行情 2019-12-24至今，商品期权分钟行情 2019-12-02至今。
• frequency为非一天或者一分钟，请使用get_bars;
• 取多支标的的数据时，不要获取交易时段不同的标的（例如：不同交易时间的期货标的），否则会报错；
• 标识时间为09:32:00的1分钟k线，其数据时间为09:31:00至09:31:59；
• 当天 09:00 ~ 15:00 的行情在 15:00 之后可以获取 , 期货夜盘 21:00~次日02:30 的分钟行情在 02:30 之后可以获取。注意：当end_date指定为当天尚未结束的交易时间时，会自动填充为上一个交易日的盘后(或夜盘结束)时间
• get_price指定frequency为 非1m/1d时，fields选择'high_limit','low_limit'会报错
• fq:对股票/基金的价格字段、成交量字段生效，factor不受影响，只返回后复权因子

关于停牌: 因为此API可以获取多只股票的数据, 可能有的股票停牌有的没有, 为了保持时间轴的一致,

我们默认没有跳过停牌的日期, 停牌时使用停牌前的数据填充. 如想跳过, 请使用 skip_paused=True 参数, 注意当 panel=True 且获取多标的时不支持(panel结构需要索引对齐)

get_price(security, start_date=None, end_date=None, frequency='daily', fields=None, skip_paused=False, fq='pre', count=None)

参数

fields内各字段属性

返回

• 请注意, 为了方便比较一只标的的多个属性, 同时也满足对比多只标的的一个属性的需求, 我们在security参数是一只标的和多只标的时返回的结构完全不一样 (默认panel=True时)，以下以股票为例，具体使用看各接口的示例

代码示例

获取一支股票

#获取平安银行按1分钟为周期以“2015-01-30 14:00:00”为基础前4个时间单位的数据
df = get_price('000001.XSHE', end_date='2015-01-30 14:00:00',count=4, frequency='minute', fields=['open','close','high','low','volume','money'])
print(df)
                     open  close  high   low    volume      money
2015-01-30 13:57:00  8.98   8.97  8.98  8.97  295949.0  2656384.0
2015-01-30 13:58:00  8.97   8.97  8.98  8.97  339030.0  3041408.0
2015-01-30 13:59:00  8.98   8.98  8.98  8.96  459533.0  4121592.0
2015-01-30 14:00:00  8.98   8.97  8.98  8.96  469211.0  4208384.0

获取多只股票

#获取多支股票, 则返回[pandas.Panel]对象
panel=get_price(['000300.XSHG', '000001.XSHE'])
#返回[pandas.DataFrame]对象,行索引是[datetime.datetime]对象, 列索引是股票代号
df=panel['money'][:4]
print(df)

             000300.XSHG   000001.XSHE
2015-01-05  5.198498e+11  4.565388e+09
2015-01-06  4.985296e+11  3.453446e+09
2015-01-07  3.987317e+11  2.634796e+09
2015-01-08  3.558320e+11  2.128003e+09

get_bars(security, count, unit='1d',
         fields=['date','open','high','low','close'],
         include_now=False, end_dt=None, fq_ref_date=None,df=True)

• 获取各种时间周期的bar数据，bar的分割方式与主流股票软件相同， 同时还支持返回当前时刻所在 bar 的数据。
• 当天 09:00 ~ 15:00 的行情在 15:00 之后可以获取 , 期货夜盘 21:00~次日02:30 的行情在 02:30 之后可以获取。注意：当end_dt指定为当天尚未结束的交易时间时，会自动填充为上一个交易日结束(或夜盘结束)的时间

参数

• security: 标的代码，支持单个及多个标的
• count: 大于0的整数，表示获取bar的个数。如果行情数据的bar不足count个，返回的长度则小于count个数。
• unit: bar的时间单位
  当unit为'1m', '5m', '15m', '30m', '60m', '120m', '1d', '1w'(一周), '1M'（一月）标准bar时，bar的分割方式与主流股票软件类似，期货的bar各平台也许稍微有差异，我们与文华接近；
  当unit为非上述标准bar时('xm', 例如'3m')，只支持分钟级别的,x需要小于240，以每天的开盘为起始点，每x分钟为一条bar；
• fields: 获取数据的字段， 支持如下值：'date', 'open', 'close', 'high', 'low', 'volume', 'money', 'open_interest'（期货持仓量），factor(复权因子)。
• include_now: 取值True 或者False。 表示是否包含end_dt所在的bar, 比如end_dt指定为9:38:00，unit参数为5m， 如果 include_now=True,则返回的最后一条bar为9:35:00-9:38:00这个 bar，否则返回的最后一条bar为09:30:00-09:35:00的bar。
• end_dt：查询的截止时间，默认最新的时间。注意:当end_dt指定为当天尚未结束的交易时间时，会自动填充为上一个交易日收盘(或夜盘结束)的时间
• fq_ref_date：复权基准日期，为None时为不复权数据。
  • 如果用户输入 fq_ref_date = None, 则获取到的是不复权的数据
  • 如果用户想获取后复权的数据，可以将fq_ref_date 指定为一个很早的日期，比如 datetime.date(2000, 1, 1)
  • 定点复权，以某一天价格点位为参照物，进行的前复权或后复权。设置为当前时间（例如 datetime.datetime.now()）即返回前复权数据 ;
• df：默认为True，指定返回数据为dataframe结构；当df=False的时候，传入单个标的时，返回一个np.ndarray，多个标的返回一个字典，key是code，value是np.array

关于停牌: 此API可以获取多只股票的数据, 部分标的在获取时间的范围内可能存在停牌的情况。 此接口返回的结果会直接跳过停牌的日期, 在获取多标的时或使用索引时，需注意时间轴在部分标的停牌时不一致的情况

返回

返回一个pandas.dataframe对象，可以按任意周期返回股票的开盘价、收盘价、最高价、最低价，同时也可以利用date数据查看所返回的数据是什么时刻的。

示例

获取一支股票

#获取平安银行按120分钟为周期以"2018-12-05"为基础往前5个时间单位的数据
df = get_bars('000001.XSHE', 5, unit='120m',fields=['date','open','close','high','low','volume','money'],include_now=False,end_dt='2018-12-05')
print(df)
                 date   open  close   high    low      volume        money
0 2018-11-30 15:00:00  10.25  10.36  10.36  10.18  31202900.0  320769828.0
1 2018-12-03 11:30:00  10.59  10.64  10.66  10.48  80398200.0  850921284.0
2 2018-12-03 15:00:00  10.64  10.59  10.65  10.56  26011500.0  275453511.0
3 2018-12-04 11:30:00  10.57  10.60  10.62  10.53  29793600.0  315213376.0
4 2018-12-04 15:00:00  10.60  10.59  10.61  10.54  23687700.0  250530360.0

#获取平安银行、万科A按120分钟为周期以"2018-12-05"为基础往前2个时间单位的数据
df = get_bars(['000001.XSHE','000002.XSHE'], 2, unit='120m',fields=['date','open','close','high','low','volume','money'],include_now=False,end_dt='2018-12-05')
print(df)
                             date   open  close   high    low      volume  \
000001.XSHE 0 2018-12-04 11:30:00  10.57  10.60  10.62  10.53  29793600.0   
            1 2018-12-04 15:00:00  10.60  10.59  10.61  10.54  23687700.0   
000002.XSHE 0 2018-12-04 11:30:00  25.56  25.23  25.56  25.10  22614700.0   
            1 2018-12-04 15:00:00  25.24  25.13  25.24  24.87  28379900.0   

                     money  
000001.XSHE 0  315213376.0  
            1  250530360.0  
000002.XSHE 0  571859390.0  
            1  709510464.0  

get_call_auction(security, start_date, end_date, fields=None)

支持股票（2010年至今）、场内基金（2019年至今）、指数（2017年至今）和上证ETF期权（2017年至今）的集合竞价数据。为了防止返回数据量过大, 我们每次最多返回5000行。

参数：

• security: 股票（2010年至今）、场内基金（2019年至今）、指数（2017年至今）、上证ETF期权（2017年至今）支持输入标的列表
• start_date: 开始日期，YYYY-MM-DD格式
• end_date: 结束日期，YYYY-MM-DD格式
• fields: 选择要获取的行情数据字段，参数为list格式，默认为None，返回全部字段。

返回值：

返回指定时间区间标的集合竞价tick数据，返回字段结果如下：

示例:

以股票为例

#获取平安银行2019-09-02至2019-09-05期间的集合竞价数据
df=get_call_auction('000001.XSHE','2019-09-02','2019-09-05')
print(df)

          code                time  current     volume       money   a1_p  \
0  000001.XSHE 2019-09-02 09:25:03    14.15   568900.0   8049900.0  14.15   
1  000001.XSHE 2019-09-03 09:25:03    14.48   647700.0   9378700.0  14.48   
2  000001.XSHE 2019-09-04 09:25:03    14.32   322637.0   4620200.0  14.33   
3  000001.XSHE 2019-09-05 09:25:03    14.56  1673700.0  24369100.0  14.56   

       a1_v   a2_p      a2_v   a3_p    ...      b1_p     b1_v   b2_p  \
0   58802.0  14.16    4500.0  14.17    ...     14.14   8700.0  14.13   
1   67091.0  14.49  201092.0  14.50    ...     14.47   3100.0  14.46   
2   67179.0  14.34   17000.0  14.35    ...     14.32  27063.0  14.31   
3  122434.0  14.57  364479.0  14.58    ...     14.55  18700.0  14.54   

       b2_v   b3_p      b3_v   b4_p      b4_v   b5_p      b5_v  
0  116000.0  14.12   30900.0  14.11  267900.0  14.10  119200.0  
1    3900.0  14.45   40000.0  14.44     700.0  14.43    1900.0  
2   12600.0  14.30  166400.0  14.29    2100.0  14.28   10100.0  
3    2100.0  14.53   24800.0  14.51   19300.0  14.50   81700.0  

[4 rows x 25 columns]

get_ticks(security, start_dt, end_dt, count, fields)

股票部分，支持 2010-01-01 至今的tick数据，提供买五卖五数据。（每3秒一次快照）

期货部分，支持 2010-01-01 至今的tick数据，提供买一卖一数据。（每0.5秒一次快照）

期权部分，支持期权tick数据，每0.5s一次快照。其中上证ETF期权从2017-01-01至今，股指期权从2019-12-24至今，商品期权从2019-12-02至今

场内基金，支持 2019-01-01 至今的tick数据，提供买五卖五盘口数据。（每3秒一次快照）

指数部分， 支持 2017-01-01 至今的tick数据。（每3秒一次快照）

购买：用户如有需要使用tick数据的，可添加微信号JQData02申请试用或咨询开通，或发送邮件至jqdatasdk@joinquant.com。

参数：

• security: 指数代码，如'000001.XSHG'
• start_dt: 开始日期，格式为'YYYY-MM-DD HH:MM:SS'
• end_dt: 结束日期，格式为'YYYY-MM-DD HH:MM:SS'
• count: 取出指定时间区间内前N条的tick数据。
• fields: 选择要获取的行情数据字段，默认为None，返回结果如下指数tick返回结果。
• skip:默认为True，过滤掉无成交变化的tick数据；当指定skip=False时，返回的tick数据会保留无成交有盘口变化的tick数据
• df: 默认为True，传入单个标的返回的是一个dataframe, 当df=False的时候，返回一个np.ndarray

get_extras(info, security_list, start_date='2015-01-01', end_date='2015-12-31', df=True, count=None)

参数

• info: ['is_st', 'acc_net_value', 'unit_net_value', 'futures_sett_price', 'adj_net_value'] 中的一个

  指定info字段	返回信息
  is_st	是否是ST，是则返回 True，否则返回 False
  acc_net_value	基金累计净值
  unit_net_value	基金单位净值
  futures_sett_price	期货结算价
  adj_net_value	场外基金的复权净值

• security_list: 标的列表

• start_date/end_date: 开始结束日期, 同 [get_price]

• df: 返回[pandas.DataFrame]对象或者dict

• count: 数量, 与 start_date 二选一, 不可同时使用, 必须大于 0. 表示取 end_date 往前的 count 个交易日的数据

返回值

• df=True: 返回[pandas.DataFrame]对象, 列索引是股票代号, 行索引是[datetime.datetime]
• df=False，返回一个dict, key是股票代号，如

以股票为例

# 平安银行和神城A在2013-12-01至2013-12-03是否为ST
get_extras('is_st', ['000001.XSHE', '000018.XSHE'], start_date='2013-12-01', end_date='2013-12-03')

# 输出：
            000001.XSHE  000018.XSHE
2013-12-02        False         True
2013-12-03        False         True

目前可通过 run_query 方法进行查询的数据都为储存于mysql的数据(单季度数据通过get_fundamentals/get_fundamentals_continuously查询)。根据数据的品种我们大致分为四类 :

finance 库(包含股票，基金，期货的相关数据及其他) : 融资融券数据，沪深市场每日概况，市场通数据，上市公司相关信息，报告期财务数据，申万行业指数数据，期货交易统计数据，期货外盘日行情，场内基金份额数据，公募基金相关数据，新闻联播文本数据
opt 库(包含期权相关数据) : 期权相关数据
bond 库(包含债券相关数据) : 债券相关数据
macro 库(包含宏观数据) : 宏观数据

参数 : query_object , 使用的query对象通过 from jqdatasdk import * 导入 , 关于【query的简易教程】

返回 : DataFrame，

用法 : 数据库名.run_query( query_object) ,

如查询finance库中 STK_XR_XD 表的数据

from jqdatasdk import *
auth(username, pwd)
q = query(finance.STK_XR_XD)  # 注意需要先登陆,否则会报错表不存在
finance.run_query(q)

查询 opt 库中 OPT_CONTRACT_INFO 表的数据

q = query( opt.OPT_CONTRACT_INFO ).filter(       opt.OPT_CONTRACT_INFO.underlying_symbol=='510050.XSHG'
                ).order_by(opt.OPT_CONTRACT_INFO.list_date.desc()).limit(100)  #  查询最新挂牌的100条 510050 etf期权的合约资料
opt.run_query(q)

注意 :

1.为防止返回数据量过大，单次返回最多5000行；

2.不支持进行连表查询，即同时查询多张表的数据；

3.如query_object未使用order_by指定字段排序，返回数据的顺序没有意义；

4.id字段为自增id，没有意义；

normalize_code(code)

将其他形式的股票代码转换为jqdatasdk函数可用的股票代码形式。 适用A股市场股票代码,支持传入单只股票或一个股票list

以股票为例

#输入
normalize_code(['000001', 'SZ000001', '000001SZ', '000001.sz', '000001.XSHE'])
#输出
['000001.XSHE', '000001.XSHE', '000001.XSHE', '000001.XSHE', '000001.XSHE']

调用方法

get_security_info(code)

参数

• code: 证券代码

返回值

• 一个对象, 有如下属性:

1. display_name # 中文名称
2. name # 缩写简称
3. start_date # 上市日期, [datetime.date] 类型
4. end_date # 退市日期， [datetime.date] 类型, 如果没有退市则为2200-01-01
5. type # 类型，stock(股票)，index(指数)，etf(ETF基金)，fja（分级A），fjb（分级B）
6. parent # 分级基金的母基金代码

示例

# 获取000001.XSHE的中文名称
display_name = get_security_info('000001.XSHE').display_name
print(display_name)
>>>平安银行

# 获取000001.XSHE的上市时间
start_date = get_security_info('000001.XSHE').start_date
print(start_date)
>>>1991-04-03

get_all_securities(types=[], date=None)

获取平台支持的所有股票、基金、指数、期货信息

参数

• types: list: 用来过滤securities的类型, list元素可选: 'stock', 'fund', 'index', 'futures', 'options', 'etf', 'lof', 'fja', 'fjb', 'open_fund', 'bond_fund', 'stock_fund', 'QDII_fund', 'money_market_fund', 'mixture_fund'。types为空时返回所有股票, 不包括基金,指数和期货
• date: 日期, 一个字符串或者 [datetime.datetime]/[datetime.date] 对象, 用于获取某日期还在上市的股票信息. 默认值为 None, 表示获取所有日期的股票信息

返回

• [pandas.DataFrame]
• display_name: 中文名称
• name: 缩写简称
• start_date: 上市日期
• end_date: 退市日期，如果没有退市则为2200-01-01
• type: 类型 : stock(股票)，index(指数)，etf(ETF基金)，fja（分级A），fjb（分级B），fjm（分级母基金），mmf（场内交易的货币基金）open_fund（开放式基金）, bond_fund（债券基金）, stock_fund（股票型基金）, QDII_fund（QDII 基金）, money_market_fund（场外交易的货币基金）, mixture_fund（混合型基金）, options(期权)

示例

#获得所有股票列表
df=get_all_securities()
print(df[:2])

            display_name  name start_date   end_date   type
000001.XSHE         平安银行  PAYH 1991-04-03 2200-01-01  stock
000002.XSHE          万科A   WKA 1991-01-29 2200-01-01  stock

#获得2020年10月10日还在上市的所有股票列表
df=get_all_securities(date='2020-10-10')
print(df[:5])
            display_name  name start_date   end_date   type
000001.XSHE         平安银行  PAYH 1991-04-03 2200-01-01  stock
000002.XSHE          万科A   WKA 1991-01-29 2200-01-01  stock
000004.XSHE         国华网安  GHWA 1990-12-01 2200-01-01  stock
000005.XSHE         世纪星源  SJXY 1990-12-10 2200-01-01  stock
000006.XSHE         深振业A  SZYA 1992-04-27 2200-01-01  stock

#将所有股票列表转换成数组
stocks = list(get_all_securities(['stock']).index)
stocks[:5]
>>>['000001.XSHE', '000002.XSHE', '000004.XSHE']

得到多只股票在一段时间是否是ST

get_extras(info, security_list, start_date='2015-01-01', end_date='2015-12-31', df=True, count=None)

参数

• info:[is_st]是否是ST，是则返回 True，否则返回 False
• security_list: 股票列表
• start_date/end_date: 开始结束日期, 同 [get_price]
• df: 返回[pandas.DataFrame]对象或者dict；
• count: 数量, 与 start_date 二选一, 不可同时使用, 必须大于 0. 表示取 end_date 往前的 count 个交易日的数据

返回值

• df=True: 返回[pandas.DataFrame]对象, 列索引是股票代号, 行索引是[datetime.datetime]
• df=False，返回一个dict, key是股票代号，如

示例

• df为False

  # 判断平安银行和神城A在2013-12-01至2013-12-03是否为ST
  get_extras('is_st', ['000001.XSHE', '000018.XSHE'], start_date='2013-12-01', end_date='2013-12-03',df=False)
  >>>{'000001.XSHE': array([False, False]), '000018.XSHE': array([ True,  True])}
  

• df为默认为True

  # 判断平安银行和神城A在2013-12-01至2013-12-03是否为ST
  get_extras('is_st', ['000001.XSHE', '000018.XSHE'], start_date='2013-12-01', end_date='2013-12-03')
              000001.XSHE  000018.XSHE
  2013-12-02        False         True
  2013-12-03        False         True
  

get_price(security, start_date=None, end_date=None, frequency='daily', fields=None, skip_paused=False, fq='pre', count=None, panel=True, fill_paused=True)

• 获取一支或者多只股票
• frequency为非一天或者一分钟，请使用get_bars;
• 取多支标的的数据时，不要获取交易时段不同的标的（例如：不同交易时间的期货标的），否则会报错；
• 这里在使用时注意 end_date 的设置，不要引入未来的数据；
• 标识时间为09:32:00的1分钟k线，其数据时间为09:31:00至09:31:59；
• end_date:当天 09:00 ~ 15:00 的行情在 15:00 之后可以获取 。注意：当end_date指定为当天尚未结束的交易时间时，会自动填充为上一个交易日的盘后时间
• get_price指定frequency为 非1m/1d时，fields选择'high_limit','low_limit'会报错
• fq:对股票/基金的价格字段、成交量字段生效，factor不受影响，只返回后复权因子

关于停牌: 因为此API可以获取多只股票的数据, 可能有的股票停牌有的没有, 为了保持时间轴的一致,

我们默认没有跳过停牌的日期, 停牌时使用停牌前的数据填充. 如想跳过, 请使用 skip_paused=True 参数, 注意当 panel=True 且获取多标的时不支持(panel结构需要索引对齐)

get_price(security, start_date=None, end_date=None, frequency='daily', fields=None, skip_paused=False, fq='pre', count=None)

参数

fields内各字段属性

返回

• 请注意, 为了方便比较一只股票的多个属性, 同时也满足对比多只股票的一个属性的需求, 我们在security参数是一只股票和多只股票时返回的结构完全不一样 (默认panel=True时)

代码示例

获取一支股票

#获取平安银行按1分钟为周期以“2015-01-30 14:00:00”为基础前4个时间单位的数据
df = get_price('000001.XSHE', end_date='2015-01-30 14:00:00',count=4, frequency='minute', fields=['open','close','high','low','volume','money'])
print(df)
                     open  close  high   low    volume      money
2015-01-30 13:57:00  8.98   8.97  8.98  8.97  295949.0  2656384.0
2015-01-30 13:58:00  8.97   8.97  8.98  8.97  339030.0  3041408.0
2015-01-30 13:59:00  8.98   8.98  8.98  8.96  459533.0  4121592.0
2015-01-30 14:00:00  8.98   8.97  8.98  8.96  469211.0  4208384.0

获取多只股票

#获取多支股票, 则返回[pandas.Panel]对象
panel=get_price(['000300.XSHG', '000001.XSHE'])
#返回[pandas.DataFrame]对象,行索引是[datetime.datetime]对象, 列索引是股票代号
df=panel['money'][:4]
print(df)

             000300.XSHG   000001.XSHE
2015-01-05  5.198498e+11  4.565388e+09
2015-01-06  4.985296e+11  3.453446e+09
2015-01-07  3.987317e+11  2.634796e+09
2015-01-08  3.558320e+11  2.128003e+09

get_bars(security, count, unit='1d',
         fields=['date','open','high','low','close'],
         include_now=False, end_dt=None, fq_ref_date=None,df=True)

获取各种时间周期的bar数据，bar的分割方式与主流股票软件相同， 同时还支持返回当前时刻所在 bar 的数据。

参数

• security: 股票代码，支持单个及多个标的
• count: 大于0的整数，表示获取bar的个数。如果行情数据的bar不足count个，返回的长度则小于count个数。
• unit: bar的时间单位
  当unit为'1m', '5m', '15m', '30m', '60m', '120m', '1d', '1w'(一周), '1M'（一月）标准bar时，bar的分割方式与主流股票软件类似，期货的bar各平台也许稍微有差异，我们与文华接近；
  当unit为非上述标准bar时('xm', 例如'3m')，只支持分钟级别的,x需要小于240，以每天的开盘为起始点，每x分钟为一条bar；
• fields: 获取数据的字段， 支持如下值：'date', 'open', 'close', 'high', 'low', 'volume', 'money', 'open_interest'（期货持仓量），factor(复权因子)。
• include_now: 取值True 或者False。 表示是否包含end_dt所在的bar, 比如end_dt指定为9:38:00，unit参数为5m， 如果 include_now=True,则返回的最后一条bar为9:35:00-9:38:00这个 bar，否则返回的最后一条bar为09:30:00-09:35:00的bar。
• end_dt：查询的截止时间，默认最新的时间。注意:当end_dt指定为当天尚未结束的交易时间时，会自动填充为上一个交易日收盘的时间
• fq_ref_date：复权基准日期，为None时为不复权数据。
  • 如果用户输入 fq_ref_date = None, 则获取到的是不复权的数据
  • 如果用户想获取后复权的数据，可以将fq_ref_date 指定为一个很早的日期，比如 datetime.date(2000, 1, 1)
  • 定点复权，以某一天价格点位为参照物，进行的前复权或后复权。设置为datetime.datetime.now()即返回前复权数据 ;
• df：默认为True，指定返回数据为dataframe结构；当df=False的时候，传入单个标的时，返回一个np.ndarray，多个标的返回一个字典，key是code，value是np.array

关于停牌: 此API可以获取多只股票的数据, 部分标的在获取时间的范围内可能存在停牌的情况。 此接口返回的结果会直接跳过停牌的日期, 在获取多标的时或使用索引时，需注意时间轴在部分标的停牌时不一致的情况

返回

返回一个pandas.dataframe对象，可以按任意周期返回股票的开盘价、收盘价、最高价、最低价，同时也可以利用date数据查看所返回的数据是什么时刻的。

示例

获取一支股票

#获取平安银行按120分钟为周期以"2018-12-05"为基础往前5个时间单位的数据
df = get_bars('000001.XSHE', 5, unit='120m',fields=['date','open','close','high','low','volume','money'],include_now=False,end_dt='2018-12-05')
print(df)
                 date   open  close   high    low      volume        money
0 2018-11-30 15:00:00  10.25  10.36  10.36  10.18  31202900.0  320769828.0
1 2018-12-03 11:30:00  10.59  10.64  10.66  10.48  80398200.0  850921284.0
2 2018-12-03 15:00:00  10.64  10.59  10.65  10.56  26011500.0  275453511.0
3 2018-12-04 11:30:00  10.57  10.60  10.62  10.53  29793600.0  315213376.0
4 2018-12-04 15:00:00  10.60  10.59  10.61  10.54  23687700.0  250530360.0

获取多支股票

#获取平安银行、万科A按120分钟为周期以"2018-12-05"为基础往前2个时间单位的数据
df = get_bars(['000001.XSHE','000002.XSHE'], 2, unit='120m',fields=['date','open','close','high','low','volume','money'],include_now=False,end_dt='2018-12-05')
print(df)
                             date   open  close   high    low      volume  \
000001.XSHE 0 2018-12-04 11:30:00  10.57  10.60  10.62  10.53  29793600.0   
            1 2018-12-04 15:00:00  10.60  10.59  10.61  10.54  23687700.0   
000002.XSHE 0 2018-12-04 11:30:00  25.56  25.23  25.56  25.10  22614700.0   
            1 2018-12-04 15:00:00  25.24  25.13  25.24  24.87  28379900.0   

                     money  
000001.XSHE 0  315213376.0  
            1  250530360.0  
000002.XSHE 0  571859390.0  
            1  709510464.0  

get_call_auction(security, start_date, end_date, fields=None)

支持股票（2010年至今）、场内基金（2019年至今）、指数（2017年至今）和上证ETF期权（2017年至今）的集合竞价数据。当日的集合竞价数据下午15点更新。为了防止返回数据量过大, 我们每次最多返回5000行。

参数：

• security: 股票（2010年至今）
• start_date: 开始日期，YYYY-MM-DD格式
• end_date: 结束日期，YYYY-MM-DD格式
• fields: 选择要获取的行情数据字段，参数为list格式，默认为None，返回全部字段。

返回值：

返回指定时间区间标的集合竞价tick数据，返回字段结果如下：

示例:

以股票为例，接口的具体使用，可查看各市场对应的示例

#获取平安银行2019-09-02至2019-09-05期间的集合竞价数据
df=get_call_auction('000001.XSHE','2019-09-02','2019-09-05')
print(df)

          code                time  current     volume       money   a1_p  \
0  000001.XSHE 2019-09-02 09:25:03    14.15   568900.0   8049900.0  14.15   
1  000001.XSHE 2019-09-03 09:25:03    14.48   647700.0   9378700.0  14.48   
2  000001.XSHE 2019-09-04 09:25:03    14.32   322637.0   4620200.0  14.33   
3  000001.XSHE 2019-09-05 09:25:03    14.56  1673700.0  24369100.0  14.56   

       a1_v   a2_p      a2_v   a3_p    ...      b1_p     b1_v   b2_p  \
0   58802.0  14.16    4500.0  14.17    ...     14.14   8700.0  14.13   
1   67091.0  14.49  201092.0  14.50    ...     14.47   3100.0  14.46   
2   67179.0  14.34   17000.0  14.35    ...     14.32  27063.0  14.31   
3  122434.0  14.57  364479.0  14.58    ...     14.55  18700.0  14.54   

       b2_v   b3_p      b3_v   b4_p      b4_v   b5_p      b5_v  
0  116000.0  14.12   30900.0  14.11  267900.0  14.10  119200.0  
1    3900.0  14.45   40000.0  14.44     700.0  14.43    1900.0  
2   12600.0  14.30  166400.0  14.29    2100.0  14.28   10100.0  
3    2100.0  14.53   24800.0  14.51   19300.0  14.50   81700.0  

[4 rows x 25 columns]

get_ticks(security, start_dt, end_dt, count, fields, skip=True,df=True)

股票部分， 支持 2010-01-01 至今的tick数据，提供买五卖五数据。（每3秒一次快照）

购买：用户如有需要使用tick数据的，可添加微信号JQData02申请试用或咨询开通，或发送邮件至jqdatasdk@joinquant.com

参数：

• security: 股票代码或期货代码,不支持传入多个标的

• start_dt: 开始日期

• end_dt: 结束日期

• count: 取出指定时间区间内前多少条的tick数据。

• fields: 选择要获取的行情数据字段，默认为None，返回结果如下：

• skip:默认为True，过滤掉无成交变化的tick数据；当指定skip=False时，返回的tick数据会保留无成交有盘口变化的tick数据。

• df:指定返回的数据格式，默认为True，返回dataframe；df=False时返回一个np.ndarray

• 股票tick返回结果

股票tick数据示例：

# 获取平安银行2018-07-02的tick数据，start_dt和count只能有一个不为None值
d = get_ticks("000001.XSHE",start_dt=None, end_dt="2018-07-03", count=8)
print(d)

#输出
                 time  current  high   low       volume         money  a1_p  \
0 2018-07-02 14:56:42     8.62  9.05  8.56  128332300.0  1.130823e+09  8.62   
1 2018-07-02 14:56:45     8.62  9.05  8.56  128348600.0  1.130963e+09  8.62   
2 2018-07-02 14:56:48     8.61  9.05  8.56  128380000.0  1.131233e+09  8.62   
3 2018-07-02 14:56:51     8.62  9.05  8.56  128420300.0  1.131581e+09  8.62   
4 2018-07-02 14:56:54     8.62  9.05  8.56  128425000.0  1.131621e+09  8.62   
5 2018-07-02 14:56:57     8.62  9.05  8.56  128485000.0  1.132138e+09  8.62   
6 2018-07-02 14:57:00     8.62  9.05  8.56  128514800.0  1.132395e+09  0.00   
7 2018-07-02 15:00:03     8.61  9.05  8.56  131552000.0  1.158546e+09  8.61   

        a1_v  a2_p      a2_v    ...     b1_p       b1_v  b2_p      b2_v  b3_p  \
0   479000.0  8.63  651000.0    ...     8.61    13500.0  8.60  434200.0  8.59   
1   478700.0  8.63  651000.0    ...     8.61     5500.0  8.60  436600.0  8.59   
2   478400.0  8.63  651000.0    ...     8.61     2000.0  8.60  512600.0  8.59   
3   464600.0  8.63  651000.0    ...     8.61    23100.0  8.60  558200.0  8.59   
4   460300.0  8.63  651000.0    ...     8.61   108800.0  8.60  564300.0  8.59   
5   386500.0  8.63  649000.0    ...     8.61   399200.0  8.60  682500.0  8.59   
6        0.0  0.00       0.0    ...     0.00        0.0  0.00       0.0  0.00   
7  2560700.0  8.62  483200.0    ...     8.60  1009300.0  8.59  201000.0  8.58   

       b3_v  b4_p      b4_v  b5_p      b5_v  
0  211300.0  8.58  311100.0  8.57  180000.0  
1  211300.0  8.58  306100.0  8.57  180000.0  
2  210900.0  8.58  306100.0  8.57  180000.0  
3  209600.0  8.58  306200.0  8.57  179200.0  
4  209500.0  8.58  307300.0  8.57  184200.0  
5  209500.0  8.58  306800.0  8.57  184200.0  
6       0.0  0.00       0.0  0.00       0.0  
7  365600.0  8.57  184700.0  8.56  250900.0  

[8 rows x 26 columns]

get_mtss(security_list, start_date=None, end_date=None, fields=None, count=None)

获取一只或者多只股票在一个时间段内的融资融券信息

注： 需导入 jqdatasdk 模块，from jqdatasdk import *

参数

• security_list: 一只股票代码或者一个股票代码的 list

• start_date: 开始日期, 与 count 二选一, 不可同时使用. 一个字符串或者 [datetime.datetime]/[datetime.date] 对象, 默认为平台提供的数据的最早日期

• end_date: 结束日期, 一个字符串或者 [datetime.date]/[datetime.datetime] 对象, 默认为 datetime.date.today()

• count: 数量, 与 start_date 二选一，不可同时使用, 必须大于 0. 表示返回 end_date 之前 count 个交易日的数据, 包含 end_date

• fields: 字段名或者 list, 可选. 默认为 None, 表示取全部字段, 各字段含义如下：

  字段名	含义
  date	日期
  sec_code	股票代码
  fin_value	融资余额(元）
  fin_buy_value	融资买入额（元）
  fin_refund_value	融资偿还额（元）
  sec_value	融券余量（股）
  sec_sell_value	融券卖出量（股）
  sec_refund_value	融券偿还量（股）
  fin_sec_value	融资融券余额（元）

• 返回

返回一个 [pandas.DataFrame] 对象，默认的列索引为取得的全部字段. 如果给定了 fields 参数, 则列索引与给定的 fields 对应.

示例

获取一只股票

# 获取平安银行在2016-01-01和2016-04-01的融资融券信息
df=get_mtss('000001.XSHE','2016-01-01','2016-04-01',fields=['date','sec_code','fin_value','fin_buy_value','fin_refund_value','sec_value','sec_sell_value','sec_refund_value','fin_sec_value'])
print(df[:5])

        date     sec_code     fin_value  fin_buy_value  fin_refund_value  \
0 2016-01-04  000001.XSHE  3.472612e+09    152129217.0       169414153.0   
1 2016-01-05  000001.XSHE  3.439317e+09    143615276.0       176910198.0   
2 2016-01-06  000001.XSHE  3.424639e+09    110246569.0       124924119.0   
3 2016-01-07  000001.XSHE  3.431689e+09     35093634.0        28044375.0   
4 2016-01-08  000001.XSHE  3.369931e+09    136799561.0       198556950.0   

   sec_value  sec_sell_value  sec_refund_value  fin_sec_value  
0   594640.0        184100.0          317900.0   3.479349e+09  
1   584540.0         20800.0           30900.0   3.445981e+09  
2   403040.0           900.0          182400.0   3.429286e+09  
3   395140.0             0.0            7900.0   3.436011e+09  
4   362440.0          2400.0           35100.0   3.373962e+09  

# 获取股票 000001.XSHE 在日期 2016-06-30 往前 5 个交易日的融资融券信息
df=get_mtss('000001.XSHE', end_date="2016-06-30", count=5,fields=['date','sec_code','fin_value','fin_buy_value','fin_refund_value','sec_value','sec_sell_value','sec_refund_value','fin_sec_value'])
print(df)
        date     sec_code     fin_value  fin_buy_value  fin_refund_value  \
0 2016-06-24  000001.XSHE  2.855885e+09     71503613.0        53903693.0   
1 2016-06-27  000001.XSHE  2.869486e+09     47309234.0        33707430.0   
2 2016-06-28  000001.XSHE  2.889199e+09     55438177.0        35725201.0   
3 2016-06-29  000001.XSHE  2.897613e+09     72215294.0        63801533.0   
4 2016-06-30  000001.XSHE  2.859810e+09     41895702.0        79699182.0   

   sec_value  sec_sell_value  sec_refund_value  fin_sec_value  
0  2210681.0         14100.0         1666940.0   2.874830e+09  
1  3846536.0       1660755.0           24900.0   2.902605e+09  
2  3920836.0         91700.0           17400.0   2.923036e+09  
3  4024356.0        161500.0           57980.0   2.932585e+09  
4  3921356.0         45700.0          148700.0   2.893925e+09  

获取多只股票的

# 获取平安银行、万科A、中信海直股票的融资融券信息
df=get_mtss(['000001.XSHE','000002.XSHE','000099.XSHE'],'2015-03-25','2016-01-25',fields=['date','sec_code','fin_value','fin_buy_value','fin_refund_value','sec_value','sec_sell_value','sec_refund_value','fin_sec_value'])
print(df[:5])

        date     sec_code     fin_value  fin_buy_value  fin_refund_value  \
0 2015-03-25  000001.XSHE  5.147989e+09    443602813.0       401129440.0   
1 2015-03-26  000001.XSHE  5.112350e+09    414025447.0       449664794.0   
2 2015-03-27  000001.XSHE  5.136957e+09    290626262.0       266019436.0   
3 2015-03-30  000001.XSHE  5.204888e+09    760545895.0       692614645.0   
4 2015-03-31  000001.XSHE  5.057292e+09    637117836.0       784714127.0   

   sec_value  sec_sell_value  sec_refund_value  fin_sec_value  
0  1401703.0       4212074.0         4466123.0   5.168889e+09  
1  1915450.0       8223542.0         7709795.0   5.141292e+09  
2  1510960.0       7542256.0         7946746.0   5.159742e+09  
3  1496603.0      11072162.0        11086519.0   5.228325e+09  
4  1556264.0       7769048.0         7709387.0   5.081803e+09  

get_margincash_stocks(date)

参数 date:默认为None,不指定时返回上交所、深交所最近一次披露的的可融资标的列表的list。

返回结果 返回指定日期上交所、深交所披露的的可融资标的列表的list。

示例

# 获取融资标的列表，并赋值给 margincash_stocks
margincash_stocks = get_margincash_stocks(date='2018-07-02')
margincash_stocks[:3]
>>>['000001.XSHE', '000002.XSHE', '000006.XSHE']

# 判断平安银行是否在可融资列表
'000001.XSHE' in get_margincash_stocks(date='2018-07-02')
>>> True

get_marginsec_stocks(date)

参数 date:默认为None,不指定时返回上交所、深交所最近一次披露的的可融券标的列表的list。

返回结果 返回指定日期上交所、深交所披露的的可融券标的列表的list。

示例

# 获取融券标的列表，并赋值给 marginsec_stocks
marginsec_stocks= get_marginsec_stocks(date='2018-07-05')
print(marginsec_stocks[:5])
['000001.XSHE', '000002.XSHE', '000006.XSHE', '000009.XSHE', '000012.XSHE']

# 判断平安银行是否在可融券列表
'000001.XSHE' in get_marginsec_stocks(date='2018-07-05')
>>> True

from jqdatasdk import *
finance.run_query(query(finance.STK_MT_TOTAL).filter(finance.STK_MT_TOTAL.date=='2019-05-23').limit(n))

描述：记录上海交易所和深圳交易所的融资融券汇总数据

参数：

• query(finance.STK_MT_TOTAL)：表示从finance.STK_MT_TOTAL这张表中查询融资融券汇总数据，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用逗号分隔进行提取；query函数的更多用法详见：query简易教程
• finance.STK_MT_TOTAL：收录了融资融券汇总数据，表结构和字段信息如下：

字段设计

• filter(finance.STK_MT_TOTAL.date==date)：指定筛选条件，通过finance.STK_MT_TOTAL.date==date可以指定你想要查询的日期；除此之外，还可以对表中其他字段指定筛选条件；多个筛选条件用英文逗号分隔。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe，每一行对应数据表中的一条数据， 列索引是您所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行
2. 不能进行连表查询，即同时查询多张表的数据

示例：

#查询2019-05-23的融资融券汇总数据。
df=finance.run_query(query(finance.STK_MT_TOTAL).filter(finance.STK_MT_TOTAL.date=='2019-05-23'))
print(df)

     id        date exchange_code     fin_value  fin_buy_value  sec_volume  \
0  4445  2019-05-23          XSHE  3.601290e+11   1.460400e+10   136000000   
1  4446  2019-05-23          XSHG  5.605276e+11   1.906461e+10   930593681   

      sec_value  sec_sell_volume  fin_sec_value  
0  1.465000e+09         26000000   3.615940e+11  
1  6.018287e+09        144633497   5.665458e+11  

get_index_stocks(index_symbol, date=None)

获取一个指数给定日期在平台可交易的成分股列表，请点击指数列表查看指数信息

参数

• index_symbol: 指数代码
• date: 查询日期, 一个字符串(格式类似'2015-10-15')或者[datetime.date]/[datetime.datetime]对象, 可以是None,

返回 返回股票代码的list

示例

# 获取所有沪深300的股票
stocks = get_index_stocks('000300.XSHG')
print(stocks[:5])

# 输出
['000001.XSHE', '000002.XSHE', '000063.XSHE', '000066.XSHE', '000069.XSHE']

get_index_weights(index_id, date=None)

获取指数成份股给定日期的权重数据，每月的月底或者月初更新一次，请点击指数列表查看指数信息

参数

• index_id: 代表指数的标准形式代码， 形式：指数代码.交易所代码，例如"000001.XSHG"。
• date: 查询权重信息的日期，形式："%Y-%m-%d"，例如"2018-05-03"；

返回

• 查询到对应日期，且有权重数据，返回 pandas.DataFrame， code(股票代码)，display_name(股票名称), date(日期), weight(权重)；
• 查询到对应日期，且无权重数据， 返回距离查询日期最近日期的权重信息；
• 找不到对应日期的权重信息， 返回距离查询日期最近日期的权重信息；

示例

#获取2018年5月9日这天的上证指数的成份股权重
df = get_index_weights(index_id="000001.XSHG", date="2018-05-09")
print(df)

＃输出
code          display_name      date     weight                                   
603648.XSHG         畅联股份  2018-05-09   0.023
603139.XSHG         康惠制药  2018-05-09   0.007
603138.XSHG         海量数据  2018-05-09   0.015
603136.XSHG          天目湖  2018-05-09   0.009
603131.XSHG         上海沪工  2018-05-09   0.011
                 ...         ...     ...
603005.XSHG         晶方科技  2018-05-09   0.023
603007.XSHG         花王股份  2018-05-09   0.013
603006.XSHG         联明股份  2018-05-09   0.008
603009.XSHG         北特科技  2018-05-09   0.014
603008.XSHG          喜临门  2018-05-09   0.022

from jqdatasdk import *
get_money_flow(security_list, start_date=None, end_date=None, fields=None, count=None)

获取一只或者多只股票在一个时间段内的资金流向数据

参数

• security_list: 一只股票代码或者一个股票代码的 list
• start_date: 开始日期, 一个字符串或者 [datetime.datetime]/[datetime.date] 对象
• end_date: 结束日期, 一个字符串或者 [datetime.date]/[datetime.datetime] 对象
• count: 数量, 与 start_date 二选一，不可同时使用, 必须大于 0. 表示返回 end_date 之前 count 个交易日的数据, 包含 end_date
• fields: 字段名或者 list, 可选. 默认为 None, 表示取全部字段, 各字段含义如下：

返回

返回一个 [pandas.DataFrame] 对象，默认的列索引为取得的全部字段. 如果给定了 fields 参数, 则列索引与给定的 fields 对应.

示例

代码示例

获取一支股票

# 获取一只股票在一个时间段内的资金流量数据
df=get_money_flow(['000001.XSHE'], '2010-01-01', '2010-01-30', ['date','sec_code','change_pct','net_amount_main','net_pct_main','net_amount_xl','net_pct_xl','net_amount_l','net_pct_l','net_amount_m','net_pct_m','net_amount_s','net_pct_s'])
print(df[:4])

        date     sec_code  change_pct  net_amount_main  net_pct_main  \
0 2010-01-04  000001.XSHE       -2.71         -5106.20          -8.8   
1 2010-01-05  000001.XSHE       -1.73        -14486.95         -11.2   
2 2010-01-06  000001.XSHE       -1.72        -14450.14         -15.3   
3 2010-01-07  000001.XSHE       -1.09        -11419.16         -14.2   

   net_amount_xl  net_pct_xl  net_amount_l  net_pct_l  net_amount_m  \
0       -1682.72        -2.9      -3423.47       -5.9       1450.62   
1      -21213.02       -16.4       6726.08        5.2       6726.09   
2      -13883.47       -14.7       -566.68       -0.6       4722.27   
3       -9087.08       -11.3      -2332.08       -2.9       3297.08   

   net_pct_m  net_amount_s  net_pct_s  
0        2.5       3655.57        6.3  
1        5.2       7760.86        6.0  
2        5.0       9727.87       10.3  
3        4.1       8122.08       10.1  

获取多支股票

# 获取多只股票在一个时间段内的资金流向数据
df=get_money_flow(['000001.XSHE', '000040.XSHE', '000099.XSHE'], '2010-01-01', '2010-01-30', ['date','sec_code','change_pct','net_amount_main','net_pct_main','net_amount_xl','net_pct_xl','net_amount_l','net_pct_l','net_amount_m','net_pct_m','net_amount_s','net_pct_s'])
print(df[:4])

        date     sec_code  change_pct  net_amount_main  net_pct_main  \
0 2010-01-04  000099.XSHE        0.77           576.20          13.7   
1 2010-01-04  000040.XSHE       -1.95          -667.22         -29.1   
2 2010-01-04  000001.XSHE       -2.71         -5106.20          -8.8   
3 2010-01-05  000040.XSHE       -2.27          -473.25         -13.3   

   net_amount_xl  net_pct_xl  net_amount_l  net_pct_l  net_amount_m  \
0         121.97         2.9        454.23       10.8        -46.26   
1           0.00         0.0       -667.22      -29.1         75.66   
2       -1682.72        -2.9      -3423.47       -5.9       1450.62   
3           0.00         0.0       -473.25      -13.3       -206.38   

   net_pct_m  net_amount_s  net_pct_s  
0       -1.1       -529.93      -12.6  
1        3.3        591.56       25.8  
2        2.5       3655.57        6.3  
3       -5.8        679.62       19.1  

# 获取多只股票在某一天的资金流向数据
df=get_money_flow(['000001.XSHE', '000040.XSHE', '000099.XSHE'], '2016-04-01', '2016-04-01',['date','sec_code','change_pct','net_amount_main','net_pct_main','net_amount_xl','net_pct_xl','net_amount_l','net_pct_l','net_amount_m','net_pct_m','net_amount_s','net_pct_s'])
print(df[:4])

        date     sec_code  change_pct  net_amount_main  net_pct_main  \
0 2016-04-01  000001.XSHE        0.19          -580.30         -1.48   
1 2016-04-01  000040.XSHE       -0.69          -293.20         -3.40   
2 2016-04-01  000099.XSHE       -3.61         -8913.61        -23.39   

   net_amount_xl  net_pct_xl  net_amount_l  net_pct_l  net_amount_m  \
0         684.81        1.75      -1265.11      -3.23       -527.74   
1        -244.34       -2.83        -48.86      -0.57       -371.15   
2       -5711.44      -14.99      -3202.18      -8.40       2013.41   

   net_pct_m  net_amount_s  net_pct_s  
0      -1.35       1108.05       2.83  
1      -4.30        664.35       7.70  
2       5.28       6900.20      18.10  

get_billboard_list(stock_list, start_date, end_date, count)

获取指定日期区间内的龙虎榜数据

参数

• stock_list: 一个股票代码的 list。 当值为 None 时， 返回指定日期的所有股票。
• start_date:开始日期
• end_date: 结束日期
• count: 交易日数量， 可以与 end_date 同时使用， 表示获取 end_date 前 count 个交易日的数据(含 end_date 当日)

返回值

• pandas.DataFrame， 各 column 的含义如下:
• code: 股票代码
• day: 日期
• direction: ALL 表示『汇总』，SELL 表示『卖』，BUY 表示『买』
• abnormal_code: 异常波动类型
• abnormal_name: 异常波动名称
• sales_depart_name: 营业部名称
• rank: 0 表示汇总， 1~5 对应买入金额或卖出金额排名第一到第五
• buy_value:买入金额
• buy_rate:买入金额占比(买入金额/市场总成交额)
• sell_value:卖出金额
• sell_rate:卖出金额占比(卖出金额/市场总成交额)
• net_value:净额(买入金额 - 卖出金额)
• amount:市场总成交额

异常波动类型

示例

# 获取2018-08-01的龙虎榜数据,count表示交易日数量
df=get_billboard_list(stock_list=None, end_date = '2018-08-01', count =1)
print(df[:3])

          code         day direction  rank  abnormal_code abnormal_name  \
0  603803.XSHG  2018-08-01      SELL     2         106002   跌幅偏离值达7%的证券   
1  603803.XSHG  2018-08-01       BUY     5         106002   跌幅偏离值达7%的证券   
2  603803.XSHG  2018-08-01       BUY     4         106002   跌幅偏离值达7%的证券   

       sales_depart_name  buy_value  buy_rate  sell_value  sell_rate  \
0  西部证券股份有限公司丹阳丹凤北路证券营业部        NaN       NaN   2466090.0     2.0684   
1   中泰证券股份有限公司烟台长江路证券营业部  1781600.0    1.4943         NaN        NaN   
2   中航证券有限公司景德镇珠山东路证券营业部  1842434.0    1.5453         NaN        NaN   

   total_value  net_value       amount  
0    2466090.0 -2466090.0  119226855.0  
1    1781600.0  1781600.0  119226855.0  
2    1842434.0  1842434.0  119226855.0  

get_locked_shares(stock_list, start_date, end_date, forward_count)

获取指定日期区间内的限售解禁数据

参数

• stock_list: 一个股票代码的 list
• start_date: 开始日期
• end_date: 结束日期
• forward_count: 交易日数量， 可以与 start_date 同时使用， 表示获取 start_date 到 forward_count 个交易日区间的数据

返回值

• pandas.DataFrame， 各 column 的含义如下:

  • day: 解禁日期
  • code: 股票代码
  • num: 解禁股数
  • rate1: 解禁股数/总股本
  • rate2: 解禁股数/总流通股本

示例

# 在策略中获取个股未来500天的解禁情况
df=get_locked_shares(stock_list=['002345.XSHE', '603025.XSHG'], start_date='2020-07-20', forward_count=500)
print(df)
          day         code         num   rate1   rate2
0  2020-07-20  002345.XSHE  12060300.0  0.0083  0.0086
1  2020-12-28  603025.XSHG   3561107.0  0.0038  0.0039
2  2021-11-04  603025.XSHG   1263300.0  0.0014  0.0014

from jqdatasdk import finance
finance.run_query(query(finance.STK_EXCHANGE_TRADE_INFO).filter(finance.STK_EXCHANGE_TRADE_INFO.exchange_code==exchange_code).limit(n)

记录沪深两市股票交易的成交情况，包括市值、成交量，市盈率等情况。

参数：

• query(finance.STK_EXCHANGE_TRADE_INFO)：表示从finance.STK_EXCHANGE_TRADE_INFO这张表中查询沪深两市股票交易的成交情况，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：query简易教程
• finance.STK_EXCHANGE_TRADE_INFO：代表沪深市场每日成交概况表，记录沪深两市股票交易的成交情况，包括市值、成交量，市盈率等情况，表结构和字段信息如下：

市场编码名称对照表

• filter(finance.STK_EXCHANGE_TRADE_INFO.date==date)：指定筛选条件，通过finance.STK_EXCHANGE_TRADE_INFO.date==date可以指定你想要查询的交易日期；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_EXCHANGE_TRADE_INFO.exchange_code==322001，表示筛选市场编码为322001（上海市场）的数据；多个筛选条件用英文逗号分隔。

• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个dataframe，每一行对应数据表中的一条数据，列索引是你所查询的字段名称。

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行

2. 不能进行连表查询，即同时查询多张表的数据

示例：

q=query(finance.STK_EXCHANGE_TRADE_INFO).filter(finance.STK_EXCHANGE_TRADE_INFO.date>='2015-01-01').limit(4)
df=finance.run_query(q)
print(df)

      id exchange_code exchange_name        date  total_market_cap  \
0  14847        322002          上海A股  2015-01-05     252101.167063   
1  14848        322003          上海B股  2015-01-05        883.102583   
2  14849        322001          上海市场  2015-01-05     252984.269645   
3  14850        322006         中小企业板  2015-01-05      51786.890000   

   circulating_market_cap        volume        money  deal_number  pe_average  \
0           228118.117416  5.321700e+06  5504.189763    1800.6098      16.576   
1              883.102583  7.334709e+03     4.510566       3.7579      15.987   
2           229001.219999  5.335211e+06  5511.112029    1804.4529      16.574   
3            36548.430000  5.987000e+05   845.890000     381.6300      41.660   

   turnover_ratio  
0          2.1486  
1          0.4856  
2          2.1385  
3             NaN  

from jqdatasdk import finance
finance.run_query(query(finance.STK_AH_PRICE_COMP).filter(finance.STK_AH_PRICE_COMP.a_code==a_code).order_by(finance.STK_AH_PRICE_COMP.day).limit(n)

记录同时在A股和H股上市的股票的价格比对。

参数：

• query(finance.STK_AH_PRICE_COMP)：表示从finance.STK_AH_PRICE_COMP这张表中查询同时在A股和H股上市的股票的价格对比，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：sqlalchemy.orm.query.Query对象
• finance.STK_AH_PRICE_COMP：代表A股和H股的价格对比表，收录了同时在A股和H股上市的股票的价格对比情况，包括收盘价，涨跌幅等，表结构和字段信息如下：

• filter(finance.STK_AH_PRICE_COMP.a_code==a_code)：指定筛选条件，通过finance.STK_AH_PRICE_COMP.a_code==a_code可以指定你想要查询的股票代码；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_AH_PRICE_COMP.day>='2015-01-01'，表示筛选日期大于等于2015年1月1日之后的数据；多个筛选条件用英文逗号分隔。
• order_by(finance.STK_AH_PRICE_COMP.day): 将返回结果按日期排序
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe， 每一行对应数据表中的一条数据， 列索引是你所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行
2. 不能进行连表查询，即同时查询多张表的数据

示例：

q=query(finance.STK_AH_PRICE_COMP).filter(finance.STK_AH_PRICE_COMP.a_code=='000002.XSHE').order_by(finance.STK_AH_PRICE_COMP.day).limit(4)
df=finance.run_query(q)
print(df)

       id         day name       a_code h_code  a_price  h_price  \
0  584546  2014-06-25  万科A  000002.XSHE  02202     8.13    13.28   
1  584547  2014-06-26  万科A  000002.XSHE  02202     8.26    14.18   
2  584548  2014-06-27  万科A  000002.XSHE  02202     8.32    13.92   
3  584549  2014-06-30  万科A  000002.XSHE  02202     8.27    13.76   

   a_quote_change  h_quote_change  h_a_comp  
0          0.4944            0.00    0.7624  
1          1.5990            6.78    0.7251  
2          0.7264           -1.83    0.7453  
3         -0.6010           -1.15    0.7498  

from jqdatasdk import finance
finance.run_query(query(finance.STK_EL_CONST_CHANGE).filter(finance.STK_EL_CONST_CHANGE.code==code).limit(n))

记录沪港通、深港通和港股通的成分股的变动情况。

参数：

• query(finance.STK_EL_CONST_CHANGE)：表示从finance.STK_EL_CONST_CHANGE这张表中查询沪港通、深港通和港股通成分股的变动记录，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：sqlalchemy.orm.query.Query对象

• finance.STK_EL_CONST_CHANGE：代表合资格证券变动表，记录沪港通、深港通和港股通成分股的变动情况，包括交易类型，变更日期，变更方向等，表结构和字段信息如下：

• filter(finance.STK_EL_CONST_CHANGE.code==code)：指定筛选条件，通过finance.STK_EL_CONST_CHANGE.code==code可以指定你想要查询的股票代码；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_EL_CONST_CHANGE.change_date>='2015-01-01'，表示筛选变更日期大于等于2015年1月1日之后的数据；多个筛选条件用英文逗号分隔。
• order_by(finance.STK_EL_CONST_CHANGE.change_date): 将返回结果按变更日期排序
• limit(n):限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe， 每一行对应数据表中的一条数据， 列索引是你所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行

2. 不能进行连表查询，即同时查询多张表的数据

   示例：

q=query(finance.STK_EL_CONST_CHANGE).filter(finance.STK_EL_CONST_CHANGE.link_id==310001).order_by(finance.STK_EL_CONST_CHANGE.change_date).limit(4)
df=finance.run_query(q)
print(df)

    id  link_id link_name         code name_ch name_en exchange change_date  \
0  536   310001       沪股通  600000.XSHG    浦发银行    None     XSHG  2014-11-17   
1  537   310001       沪股通  600004.XSHG    白云机场    None     XSHG  2014-11-17   
2  539   310001       沪股通  600007.XSHG    中国国贸    None     XSHG  2014-11-17   
3  540   310001       沪股通  600008.XSHG    首创股份    None     XSHG  2014-11-17   

  direction  
0        IN  
1        IN  
2        IN  
3        IN 

from jqdatasdk import finance finance.run_query(query(finance.STK_EXCHANGE_LINK_CALENDAR).filter(finance.STK_EXCHANGE_LINK_CALENDAR.day==day).limit(n))

记录沪港通、深港通和港股通每天是否开市。

参数：

• query(finance.STK_EXCHANGE_LINK_CALENDAR)：表示从finance.STK_EXCHANGE_LINK_CALENDAR这张表中查询市场沪港通、深港通和港股通交易日历的信息，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：sqlalchemy.orm.query.Query对象
• finance.STK_EXCHANGE_LINK_CALENDAR：代表市场通交易日历表，记录沪港通、深港通和港股通每天是否开市，包括交易日期，交易日类型等，表结构和字段信息如下：

附注

港股通（沪）和港股通（深）的交易日在深港通开展后是一致的。

交易日类型编码

市场通编码

• filter(finance.STK_EXCHANGE_LINK_CALENDAR.day==day)：指定筛选条件，通过finance.STK_EXCHANGE_LINK_CALENDAR.day==day可以指定你想要查询的日期；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_EXCHANGE_LINK_CALENDAR.type_id==312001，表示筛选交易日类型为正常交易日的数据；多个筛选条件用英文逗号分隔。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe， 每一行对应数据表中的一条数据， 列索引是你所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行

2. 不能进行连表查询，即同时查询多张表的数据

   示例：

q=query(finance.STK_EXCHANGE_LINK_CALENDAR).filter(finance.STK_EXCHANGE_LINK_CALENDAR.day>='2015-01-04').limit(4)
df=finance.run_query(q)
print(df)

        id         day  link_id link_name  type_id   type
0  1244833  2015-01-04   310001       沪股通   312003     休市
1      148  2015-01-04   310003    港股通(沪)   312003     休市
2  1244834  2015-01-05   310001       沪股通   312001  正常交易日
3      149  2015-01-05   310003    港股通(沪)   312001  正常交易日

from jqdatasdk import finance finance.run_query(query(finance.STK_EL_TOP_ACTIVATE).filter(finance.STK_EL_TOP_ACTIVATE.code==code).limit(n))

统计沪港通、深港通和港股通前十大交易活跃股的交易状况。

参数：

• query(finance.STK_EL_TOP_ACTIVATE)：表示从finance.STK_EL_TOP_ACTIVATE这张表中查询沪港通、深港通和港股通前十大交易活跃股的交易状况，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：sqlalchemy.orm.query.Query对象

• finance.STK_EL_TOP_ACTIVATE：代表市场通十大成交活跃股数据表，统计沪港通、深港通和港股通前十大交易活跃股的交易状况，包括买入金额，卖出金额等，表结构和字段信息如下：

市场通编码

• filter(finance.STK_EL_TOP_ACTIVATE.code==code)：指定筛选条件，通过finance.STK_EL_TOP_ACTIVATE.code==code可以指定你想要查询的股票代码；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_EL_TOP_ACTIVATE.day>='2015-01-01'，表示筛选日期大于等于2015年1月1日之后的数据；多个筛选条件用英文逗号分隔。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe， 每一行对应数据表中的一条数据， 列索引是你所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行

2. 不能进行连表查询，即同时查询多张表的数据

   示例：

q=query(finance.STK_EL_TOP_ACTIVATE).filter(finance.STK_EL_TOP_ACTIVATE.code=='000002.XSHE').limit(10)
df=finance.run_query(q)
print(df)

       id         day  link_id link_name  rank         code name exchange  \
0  323010  2018-01-15   310002       深股通     2  000002.XSHE  万科Ａ      深交所   
1  323050  2018-01-16   310002       深股通     2  000002.XSHE  万科Ａ      深交所   
2  323089  2018-01-17   310002       深股通     1  000002.XSHE  万科Ａ      深交所   
3  323132  2018-01-18   310002       深股通     4  000002.XSHE  万科Ａ      深交所   
4  323213  2018-01-23   310002       深股通     6  000002.XSHE  万科Ａ      深交所   
5  323254  2018-01-24   310002       深股通     7  000002.XSHE  万科Ａ      深交所   
6  341170  2018-01-25   310002       深股通     7  000002.XSHE  万科Ａ      深交所   
7  341209  2018-01-26   310002       深股通     6  000002.XSHE  万科Ａ      深交所   
8  341248  2018-01-29   310002       深股通     5  000002.XSHE  万科Ａ      深交所   
9  341444  2018-01-30   310002       深股通     5  000002.XSHE  万科Ａ      深交所   

           buy         sell        total  
0  124497968.0  326656496.0  451154464.0  
1  127460061.0  465933921.0  593393982.0  
2  157676630.0  542617116.0  700293746.0  
3  203996076.0  105819761.0  309815837.0  
4  141515523.0  190282952.0  331798475.0  
5  110052973.0  163321615.0  273374588.0  
6  179785644.0  120157651.0  299943295.0  
7  166750550.0   78471253.0  245221803.0  
8  157899558.0  170790111.0  328689669.0  
9  201547219.0  165714289.0  367261508.0 

from jqdatasdk import finance
finance.run_query(query(finance.STK_ML_QUOTA).filter(finance.STK_ML_QUOTA.day==day).limit(n))

记录沪股通、深股通和港股通每个交易日的成交与额度的控制情况。

参数：

• query(finance.STK_ML_QUOTA)：表示从finance.STK_ML_QUOTA这张表中查询沪港通、深港通和港股通的成交与额度信息，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：sqlalchemy.orm.query.Query对象
• finance.STK_ML_QUOTA：代表了市场通成交与额度信息表，记录了沪港通、深港通和港股通成交与额度的信息，包括买入、卖出等，表结构和字段信息如下：

货币编码

市场通编码

• filter(finance.STK_ML_QUOTA.day==day)：指定筛选条件，通过finance.STK_ML_QUOTA.day==day可以指定你想要查询的日期；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_ML_QUOTA.link_id==310001，表示筛选市场通编码为310001（沪股通）的数据；多个筛选条件用英文逗号分隔。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe， 每一行对应数据表中的一条数据， 列索引是你所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行

2. 不能进行连表查询，即同时查询多张表的数据

   示例：

q=query(finance.STK_ML_QUOTA).filter(finance.STK_ML_QUOTA.day>='2015-01-01').limit(4)
df=finance.run_query(q)
print(df)

   id         day  link_id link_name  currency_id currency_name  buy_amount  \
0   1  2015-04-17   310003    港股通(沪)       110003            港元     81.2880   
1   2  2015-04-17   310001       沪股通       110001           人民币     58.9429   
2   3  2015-04-16   310003    港股通(沪)       110003            港元     56.1928   
3   4  2015-04-16   310001       沪股通       110001           人民币     45.3180   

   buy_volume  sell_amount  sell_volume  sum_amount  sum_volume quota  \
0     92742.0      62.8078      66353.0    144.0958    159095.0  None   
1    119118.0      42.9775      81620.0    101.9204    200738.0  None   
2     64867.0      53.9511      52591.0    110.1439    117458.0  None   
3     98189.0      29.5743      86428.0     74.8923    184617.0  None   

  quota_balance  quota_daily  quota_daily_balance  
0          None        105.0              83.7100  
1          None        130.0             111.9694  
2          None        105.0              97.9000  
3          None        130.0             110.5500  

from jqdatasdk import finance finance.run_query(query(finance.STK_EXCHANGE_LINK_RATE).filter(finance.STK_EXCHANGE_LINK_RATE.day==day).limit(n))

包含2014年11月起人民币和港币之间的参考汇率/结算汇兑比率信息。

参数：

• query(finance.STK_EXCHANGE_LINK_RATE)：表示从finance.STK_EXCHANGE_LINK_RATE这张表中查询汇率信息，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号进行分隔；query函数的更多用法详见：sqlalchemy.orm.query.Query对象

• finance.STK_EXCHANGE_LINK_RATE：代表市场通汇率表，记录参考汇率/结算汇兑比率信息，包括买入参考/结算汇率、卖出参考/结算汇率等，表结构和字段信息如下：

市场通编码

• filter(finance.STK_EXCHANGE_LINK_RATE.day==day)：指定筛选条件，通过finance.STK_EXCHANGE_LINK_RATE.day==day可以指定你想要查询的日期；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_EXCHANGE_LINK_RATE.link_id==310001，表示筛选市场通编码为310001（沪股通）的数据；多个筛选条件用英文逗号分隔。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe， 每一行对应数据表中的一条数据， 列索引是你所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行

2. 不能进行连表查询，即同时查询多张表的数据

   示例：

q=query(finance.STK_EXCHANGE_LINK_RATE).filter(finance.STK_EXCHANGE_LINK_RATE.day>='2015-01-01').limit(4)
df=finance.run_query(q)
print(df)

   id         day  link_id link_name domestic_currency foreign_currency  \
0  31  2015-01-05   310003    港股通(沪)               RMB              HKD   
1  32  2015-01-06   310003    港股通(沪)               RMB              HKD   
2  33  2015-01-07   310003    港股通(沪)               RMB              HKD   
3  34  2015-01-08   310003    港股通(沪)               RMB              HKD   

   refer_bid_rate  refer_ask_rate  settle_bid_rate  settle_ask_rate  
0          0.7774          0.8254          0.80317          0.80283  
1          0.7785          0.8267          0.80307          0.80213  
2          0.7777          0.8259          0.80197          0.80163  
3          0.7773          0.8253          0.80116          0.80144  

from jqdatasdk import finance
df=finance.run_query(query(finance.STK_HK_HOLD_INFO).filter(finance.STK_HK_HOLD_INFO.link_id==310001))
print(df)

记录了北向资金（沪股通、深股通）和南向资金港股通的持股数量和持股比例

参数：

• query(finance.STK_HK_HOLD_INFO)：表示从finance.STK_HK_HOLD_INFO这张表中查询沪深港通的持股数据，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号分隔进行提取；如query(finance.STK_HK_HOLD_INFO.code)。query函数的更多用法详见：query简易教程。
• finance.STK_HK_HOLD_INFO：收录了沪深港通每日的持股数量和持股比例数据，表结构和字段信息如下：

市场通编码

• filter(finance.STK_HK_HOLD_INFO.link_id==310001)：指定筛选条件，通过finance.STK_HK_HOLD_INFO.link_id==310001可以指定查询沪股通的持股数据；除此之外，还可以对表中其他字段指定筛选条件，如finance.STK_HK_HOLD_INFO.day=='2019-03-01'，指定获取2019年3月1日的沪深港通持股数据。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe，每一行对应数据表中的一条数据， 列索引是您所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行
2. 不能进行连表查询，即同时查询多张表的数据

示例：

#获取北向资金沪股通的持股数据
df=finance.run_query(query(finance.STK_HK_HOLD_INFO).filter(finance.STK_HK_HOLD_INFO.link_id==310001).order_by(finance.STK_HK_HOLD_INFO.day.desc()))
print(df[:4])

        id         day  link_id link_name         code  name  share_number  \
0  3070982  2021-03-20   310001       沪股通  605222.XSHG  起帆电缆        161022   
1  3070981  2021-03-20   310001       沪股通  605199.XSHG   葫芦娃         66103   
2  3070980  2021-03-20   310001       沪股通  605198.XSHG  德利股份         90174   
3  3070979  2021-03-20   310001       沪股通  605168.XSHG   三人行        269393   

   share_ratio  
0         0.32  
1         0.16  
2         0.45  
3         1.56  

get_industries(name='zjw', date=None)

按照行业分类获取行业列表。

参数

• name: 行业代码，默认值为'zjw',其他行业取值如下：

  • "sw_l1": 申万一级行业
  • "sw_l2": 申万二级行业
  • "sw_l3": 申万三级行业
  • "jq_l1": 聚宽一级行业
  • "jq_l2": 聚宽二级行业
  • "zjw": 证监会行业

• date: 获取数据的日期，默认为None，返回历史上所有行业；传入date，返回date当天存在的行业

返回值

• pandas.DataFrame， 各 column 的含义如下:
• index: 行业代码
• name: 行业名称
• start_date: 开始日期

# 获取2020-05-07当天证监会行业行业列表
get_industries(name='zjw', date="2020-05-07")[:5]

      name start_date
L72  商务服务业 1996-08-29
L71    租赁业 1997-01-30
G53  铁路运输业 1998-05-11
G57  管道运输业 1996-11-04
G56  航空运输业 1997-11-05

get_industry_stocks(industry_code, date=None)

获取在给定日期一个行业的所有股票，行业分类列表见数据页面-行业概念数据。

参数

• industry_code: 行业编码
• date: 查询日期, 一个字符串(格式类似'2015-10-15')或者[datetime.date]/[datetime.datetime]对象, 可以是None.

返回 返回股票代码的list

示例

# 获取计算机/互联网行业的成分股
stocks = get_industry_stocks('I64')
print(stocks[:5])

# 输出
['000503.XSHE', '000606.XSHE', '000676.XSHE', '000835.XSHE', '002072.XSHE']

get_concepts()

获取概念板块列表

返回值

• pandas.DataFrame， 各 column 的含义如下:

  • index: 概念代码
  • name: 概念名称
  • start_date: 开始日期

df=get_concepts()[:5]
print(df)

       name start_date
SC0001    石墨烯 2016-07-31
SC0002    阿里  2016-07-31
SC0003    腾讯  2017-12-26
SC0004    百度  2018-06-11
SC0005    华为  2018-12-24

get_concept_stocks(concept_code, date=None)

获取在给定日期一个概念板块的所有股票，概念板块分类列表见数据页面-行业概念数据。

参数

• concept_code: 概念板块编码
• date: 查询日期, 一个字符串(格式类似'2015-10-15')或者[datetime.date]/[datetime.datetime]对象, 可以是None.

返回 返回股票代码的list

示例

# 获取风力发电概念板块的成分股
stocks = get_concept_stocks('SC0084')
print(stocks[:5])
#输出
['000027.XSHE', '000039.XSHE', '000065.XSHE', '000099.XSHE', '000155.XSHE']

get_industry(security, date=None)

参数

• security：标的代码，类型为字符串，形式如"000001.XSHE"；或为包含标的代码字符串的列表，形如["000001.XSHE", "000002.XSHE"]
• date：查询的日期。默认为None，指定查询当天数据。类型为字符串，形如"2018-06-01"或"2018-06-01 09:00:00"；或为datetime.datetime对象和datetime.date。注意传入对象的时分秒将被忽略。

返回

返回结果是一个dict，key是传入的股票代码

示例

获取一只股票所属行业

#获取贵州茅台("600519.XSHG")的所属行业数据
d = get_industry("600519.XSHG",date="2018-06-01")
print(d)

# 输出
{'600519.XSHG': {'sw_l1': {'industry_code': '801120', 'industry_name': '食品饮料I'}, 'sw_l2': {'industry_code': '801123', 'industry_name': '饮料制造II'}, 'sw_l3': {'industry_code': '851231', 'industry_name': '白酒III'}, 'zjw': {'industry_code': 'C15', 'industry_name': '酒、饮料和精制茶制造业'}, 'jq_l2': {'industry_code': 'HY478', 'industry_name': '白酒与葡萄酒指数'}, 'jq_l1': {'industry_code': 'HY005', 'industry_name': '日常消费指数'}}}

同时获取多只股票的所属行业信息

获取平安银行和万科企业所属行业
stock_list = ['000001.XSHE','000002.XSHE']
d = get_industry(security=stock_list, date="2018-06-01")
print(d)

# 输出
{'000001.XSHE': {'jq_l1': {'industry_code': 'HY007', 'industry_name': '金融地产'}, 'sw_l1': {'industry_code': '801780', 'industry_name': '银行I'}, 'sw_l3': {'industry_code': '851911', 'industry_name': '银行III'}, 'jq_l2': {'industry_code': 'HY07001', 'industry_name': '综合性银行'}, 'sw_l2': {'industry_code': '801192', 'industry_name': '银行II'}, 'zjw': {'industry_code': 'J66', 'industry_name': '货币金融服务'}}, '000002.XSHE': {'zjw': {'industry_code': 'K70', 'industry_name': '房地产业'}, 'sw_l1': {'industry_code': '801180', 'industry_name': '房地产I'}, 'sw_l2': {'industry_code': '801181', 'industry_name': '房地产开发II'}, 'sw_l3': {'industry_code': '851811', 'industry_name': '房地产开发III'}, 'jq_l2': {'industry_code': 'HY11001', 'industry_name': '房地产开发'}, 'jq_l1': {'industry_code': 'HY011', 'industry_name': '房地产'}}}

import pandas as pd
stock_list = ['000001.XSHE','000002.XSHE']
d = get_industry(security=stock_list, date="2018-06-01")
df=pd.concat({k:pd.DataFrame(v) for k ,v in d.items()})
df

# 输出

                           sw_l1    sw_l2     sw_l3     zjw    jq_l2  jq_l1
000001.XSHE industry_code  801780   801192    851911     J66  HY07001  HY007
            industry_name     银行I     银行II     银行III  货币金融服务    综合性银行     金融
000002.XSHE industry_code  801180   801181    851811     K70  HY11001  HY011
            industry_name    房地产I  房地产开发II  房地产开发III    房地产业    房地产开发    房地产

get_concept(security, date=None)

获取股票所属概念板块。返回一个dict，key为标的代码，value详见示例。

• security：标的代码或包含标的代码的列表

• query_dt：时刻,datetime或时刻形式的字符串,只传入日期代表日内时间为00:00:00.

• security: 标的代码或标的列表

• date: 要查询的日期，日期字符串/date对象/datetime对象，注意传入datetime对象时忽略日内时间；默认值为None，研究中默认值为当天，回测中默认值会随着回测日期变化而变化, 等于context.current_dt。
  示例：

  # code是传入的股票代码；多个code返回嵌套的多个字典；
  # ‘jq_concept’代表聚宽概念；
  # XX是code所在的概念代码；
  # YY是code所在的概念名称；
  
  {code: { 'jq_concept':[
              { 'concept_code': XX1; 'concept_name': YY1 },
              { 'concept_code': XX2; 'concept_name': YY2 },
              { 'concept_code': XX3; 'concept_name': YY3 }]
          }
  }
  

示例

dict1 = get_concept('000001.XSHE', date='2019-07-15')
print(dict1)

#输出
{'000001.XSHE': {'jq_concept': [{'concept_name': 'XXXX1', 'concept_code': 'YYYY1'}, {'concept_name': 'XXXX2', 'concept_code': 'YYYY2'}
....

]}}

df=finance.run_query(query(finance.SW1_DAILY_PRICE).filter(finance.SW1_DAILY_PRICE.code=='801010').limit(n))
print(df)

记录了申万一级行业指数的历史日行情数据，每日18:00更新。

参数：

• query(finance.SW1_DAILY_PRICE)：表示从finance.SW1_DAILY_PRICE这张表中查询申万一级行业指数的历史日行情数据，还可以指定所要查询的字段名，格式如下：query(库名.表名.字段名1，库名.表名.字段名2），多个字段用英文逗号分隔进行提取；如query(finance.SW1_DAILY_PRICE.code)。query函数的更多用法详见：query简易教程。
• finance.SW1_DAILY_PRICE：代表申万一级行业日行情数据表，收录了申万一级行业指数的历史日行情数据，表结构和字段信息如下：

• filter(finance.SW1_DAILY_PRICE.code==801010)：指定筛选条件，通过finance.SW1_DAILY_PRICE.code==801010可以查询指定行业（如农林牧渔801010）的日行情数据；除此之外，还可以对表中其他字段指定筛选条件，如finance.SW1_DAILY_PRICE.date=='2019-03-01'，指定获取2019年3月1日的申万一级行业日行情数据。
• limit(n)：限制返回的数据条数，n指定返回条数。

返回结果：

• 返回一个 dataframe，每一行对应数据表中的一条数据， 列索引是您所查询的字段名称

注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行
2. 不能进行连表查询，即同时查询多张表的数据

示例：

# 查询最近5个交易日申万一级行业指数-农林牧渔行业（801010）的日行情数据。
df=finance.run_query(query(finance.SW1_DAILY_PRICE).filter(finance.SW1_DAILY_PRICE.code=='801010').order_by(finance.SW1_DAILY_PRICE.date.desc()).limit(5))
print(df)

        id        date    code  name     open     high      low    close  \
0  1890712  2021-03-19  801010  农林牧渔  3994.62  4010.07  3938.46  3957.44   
1  1890684  2021-03-18  801010  农林牧渔  4048.63  4052.32  4003.87  4041.50   
2  1890656  2021-03-17  801010  农林牧渔  3981.76  4066.81  3975.37  4053.18   
3  1890628  2021-03-16  801010  农林牧渔  3947.34  3964.11  3906.32  3935.19   
4  1890572  2021-03-15  801010  农林牧渔  3985.62  3991.58  3899.39  3935.94   

         volume         money  change_pct  
0  1.309043e+09  1.599323e+10       -2.08  
1  1.503715e+09  1.631409e+10       -0.29  
2  1.596152e+09  1.984027e+10        3.00  
3  9.945891e+08  1.404828e+10       -0.02  
4  1.146963e+09  1.720195e+10       -2.35  

get_fundamentals(query_object, date=None, statDate=None)

查询财务数据，详细的数据字段描述请点击财务数据文档查看

date和statDate参数只能传入一个:

• 传入date时, 查询指定日期date收盘后所能看到的最近(对市值表来说, 最近一天, 对其他表来说, 最近一个季度)的数据, 我们会查找上市公司在这个日期之前(包括此日期)发布的数据, 不会有未来函数.
• 传入statDate时, 查询 statDate 指定的季度或者年份的财务数据. 注意:

1. 由于公司发布财报不及时, 一般是看不到当季度或年份的财务报表的, 回测中使用这个数据可能会有未来函数, 请注意规避.
2. 由于估值表每天更新, 当按季度或者年份查询时, 返回季度或者年份最后一天的数据
3. 由于“资产负债数据”这个表是存量性质的， 查询年度数据是返回第四季度的数据。
4. 银行业、券商、保险专项数据只有年报数据，需传入statDate参数，当传入 date 参数 或 statDate 传入季度时返回空，请自行避免未来函数。

当 date 和 statDate 都不传入时, 相当于使用 date 参数, date 的默认值下面会描述.

参数

• query_object: 一个sqlalchemy.orm.query.Query对象，可以通过全局的 query 函数获取 Query 对象，query简易教程

• date: 查询日期, 一个字符串(格式类似'2015-10-15')或者[datetime.date]/[datetime.datetime]对象, 可以是None, 使用默认日期. 如果传入的 date 不是交易日, 则使用这个日期之前的最近的一个交易日

• statDate: 财报统计的季度或者年份, 一个字符串, 有两种格式:

1. 季度: 格式是: 年 + 'q' + 季度序号, 例如: '2015q1', '2013q4'.
2. 年份: 格式就是年份的数字, 例如: '2015', '2016'.

返回

返回一个 [pandas.DataFrame], 每一行对应数据库返回的每一行(可能是几个表的联合查询结果的一行), 列索引是你查询的所有字段 注意：

1. 为了防止返回数据量过大, 我们每次最多返回5000行
2. 当相关股票上市前、退市后，财务数据返回各字段为空

综合案例

获取多只股票在某一天的指标数据

# 获取多只股票在某一日期的市值, 利润
df = get_fundamentals(query(
        valuation, income
    ).filter(
        # 这里不能使用 in 操作, 要使用in_()函数
        valuation.code.in_(['000001.XSHE', '600000.XSHG'])
    ), date='2015-10-15')
print(df)

        id         code  pe_ratio  turnover_ratio  pb_ratio  ps_ratio  \
0  5024884  000001.XSHE    7.4984          0.4116    1.0593    1.8748   
1  5031852  600000.XSHG    6.1440          0.0000    1.1596    2.1996   

   pcf_ratio  capitalization  market_cap  circulating_cap         ...          \
0     1.0246     1430867.625   1598.2791      1180405.500         ...           
1     8.1501     1865347.125   2965.9021      1865347.125         ...           

   income_tax_expense    net_profit  np_parent_company_owners  \
0        1.866000e+09  5.956000e+09              5.956000e+09   
1        3.915000e+09  1.281700e+10              1.270900e+10   

   minority_profit basic_eps diluted_eps other_composite_income  \
0              0.0     0.430       0.430           2.680000e+08   
1      108000000.0     0.681       0.681           1.614000e+09   

  total_composite_income  ci_parent_company_owners  ci_minority_owners  
0           6.224000e+09                       NaN                 0.0  
1           1.443100e+10                       NaN         108000000.0  

[2 rows x 56 columns]

根据条件，筛选数据

# 选出所有的总市值大于1000亿元, 市盈率小于10, 基本每股收益大于0.8的股票
df = get_fundamentals(query(
        valuation.code, valuation.market_cap, valuation.pe_ratio, income.basic_eps ,income.total_operating_revenue
    ).filter(

        valuation.market_cap > 1000,
        valuation.pe_ratio < 10,
         income.basic_eps  > 0.8
    ).order_by(
        # 按市值降序排列
        valuation.market_cap.desc()
   ))
print(df)

          code  market_cap  pe_ratio  basic_eps  total_operating_revenue
0  601166.XSHG   4908.9414    7.3679       0.92             5.176600e+10
1  600585.XSHG   2754.5774    7.8412       1.63             4.997668e+10

使用or_函数,筛选数据

# 使用 or_ 函数: 查询总市值大于1000亿元 或者 市盈率小于10的股票 或者 基本每股收益大于0.5
from sqlalchemy.sql.expression import or_
df=get_fundamentals(query(
        valuation.code,valuation.pe_ratio,valuation.market_cap,income.basic_eps ,income.total_operating_revenue
    ).filter(
        or_(
            valuation.market_cap > 1000,
            valuation.pe_ratio < 10,
            income.basic_eps > 0.5          
        )
    ).order_by(
        # 按市值降序排列
        valuation.market_cap.desc()))
print(df[:5])

          code  pe_ratio  market_cap  basic_eps  total_operating_revenue
0  600519.XSHG   56.0766  24998.2109       8.94             2.394051e+10
1  601398.XSHG    6.6798  19317.2188       0.22             2.172370e+11
2  601939.XSHG    7.4127  18325.8047       0.27             1.823260e+11
3  601318.XSHG   10.1966  14591.2891       2.27             3.012450e+11
4  600036.XSHG   13.9336  13563.2334       0.77             6.905200e+10

查询季报, 放到数组中

# 查询平安银行2014年四个季度的季报, 放到数组中
q = query(
        income.statDate,
        income.code,
        income.basic_eps,
        balance.cash_equivalents,
        cash_flow.goods_sale_and_service_render_cash
    ).filter(
        income.code == '000001.XSHE',
    )

rets = [get_fundamentals(q, statDate='2018q'+str(i)) for i in range(1, 5)]
print(rets)

[     statDate         code  basic_eps  cash_equivalents  \
0  2018-03-31  000001.XSHE       0.33      2.819490e+11   

   goods_sale_and_service_render_cash  
0                                 NaN  ,      statDate         code  basic_eps  cash_equivalents  \
0  2018-06-30  000001.XSHE        0.4      3.074000e+11   

   goods_sale_and_service_render_cash  
0                                 NaN  ,      statDate         code  basic_eps  cash_equivalents  \
0  2018-09-30  000001.XSHE       0.41      2.876480e+11   

   goods_sale_and_service_render_cash  
0                                 NaN  ,      statDate         code  basic_eps  cash_equivalents  \
0  2018-12-31  000001.XSHE       0.25      2.785280e+11   

   goods_sale_and_service_render_cash  
0                                 NaN  ]

查询年报

# 查询平安银行2018年的年报
q = query(
        income.statDate,
        income.code,
        income.basic_eps,
        cash_flow.goods_sale_and_service_render_cash
    ).filter(
        income.code == '000001.XSHE',
    )

ret = get_fundamentals(q, statDate='2018')
print(ret)

     statDate         code  basic_eps  goods_sale_and_service_render_cash
0  2018-12-31  000001.XSHE       1.39                                 NaN

get_fundamentals_continuously(query_object, end_date=None,count=1，panel=True)

查询财务数据，详细的数据字段描述请点击财务数据文档查看

参数

• query_object: 一个sqlalchemy.orm.query.Query对象，可以通过全局的 query 函数获取 Query 对象，query简易教程。
• end_date: 查询日期, 一个字符串(格式类似'2015-10-15')或者[datetime.date]/[datetime.datetime]对象, 可以是None, 如果传入的 date 不是交易日, 则使用这个日期之前的最近的一个交易日
• count: 获取 end_date 前 count 个日期的数据

返回 返回一个 [pandas.Panel]，如果您的环境pandas大于0.25 ，将强制返回dataframe。

出于性能方面考虑，我们做出了返回总条数不超过5000条的限制。 也就是说：查询的股票数量*count 要小于5000。 否则，返回的数据会不完整。

示例

q = query(valuation.turnover_ratio,
              valuation.market_cap,
              indicator.eps
            ).filter(valuation.code.in_(['000001.XSHE', '600000.XSHG']))
df = get_fundamentals_continuously(q, end_date='2017-12-25', count=5,panel=False)[:5]
print(df)

# 输出
          day         code  turnover_ratio  market_cap   eps
0  2017-12-19  000001.XSHE          1.4174   2280.2307  0.38
1  2017-12-20  000001.XSHE          0.6539   2276.7964  0.38
2  2017-12-21  000001.XSHE          0.8779   2324.8738  0.38
3  2017-12-22  000001.XSHE          0.4391   2321.4397  0.38
4  2017-12-25  000001.XSHE          0.9372   2275.0796  0.38

from jqdatasdk import *
get_valuation(security, start_date=None, end_date=None, fields=None, count=None)

获取多个标的在指定交易日范围内的市值表数据

参数

• security: 标的code字符串列表或者单个标的字符串
• end_date: 查询结束时间
• start_date: 查询开始时间，不能与count共用
• count: 表示往前查询每一个标的count个交易日的数据，如果期间标的停牌，则该标的返回的市值数据数量小于count
• fields: 财务数据中市值表的字段，返回结果中总会包含code、day字段，可用字段如下： |code| 股票代码 带后缀.XSHE/.XSHG| |day |日期 取数据的日期| | capitalization |总股本(万股)| |circulating_cap| 流通股本(万股)| |market_cap |总市值(亿元)| |circulating_market_cap| 流通市值(亿元)| |turnover_ratio |换手率(%)| |pe_ratio |市盈率(PE, TTM)| |pe_ratio_lyr |市盈率(PE)| |pb_ratio |市净率(PB)| | ps_ratio| 市销率(PS, TTM)| |pcf_ratio| 市现率(PCF, 现金净流量TTM)|

返回值

• 返回一个dataframe，索引默认是pandas的整数索引，返回的结果中总会包含code、day字段。

注意

• 每次最多返回5000条数据，更多数据需要根据标的或者时间分多次获取

示例

from jqdatasdk import *
# 传入单个标的
df1 = get_valuation('000001.XSHE', end_date="2019-11-18", count=3, fields=['capitalization', 'market_cap'])
print(df1)

# 传入多个标的
df2 = get_valuation(['000001.XSHE', '000002.XSHE'], end_date="2019-11-18", count=3, fields=['capitalization', 'market_cap'])
print(df2)

获取多个季度/年度的三大财务报表和财务指标数据. 可指定单季度数据, 也可以指定年度数据。可以指定观察日期, 也可以指定最后一个报告期的结束日期

get_history_fundamentals(security, fields, watch_date=None, stat_date=None, count=1, interval='1q', stat_by_year=False)

参数

• security：股票代码或者股票代码列表。
• fields：要查询的财务数据的列表, 季度数据和年度数据可选择的列不同。示例：
  [balance.cash_equivalents, cash_flow.net_deposit_increase, income.total_operating_revenue]
• watch_date：观察日期, 如果指定, 将返回 watch_date 日期前(包含该日期)发布的报表数据
• stat_date：统计日期, 可以是 '2019'/'2019q1'/'2018q4' 格式, 如果指定, 将返回 stat_date 对应报告期及之前的历史报告期的报表数据
  
  • watch_date 和 stat_date 只能指定一个, 而且必须指定一个
  • 如果没有 stat_date 指定报告期的数据, 则该数据会缺失一行.
• count：查询历史的多个报告期时, 指定的报告期数量. 如果股票历史报告期的数量小于 count, 则该股票返回的数据行数将小于 count
• interval：查询多个报告期数据时, 指定报告期间隔, 可选值: '1q'/'1y', 表示间隔一季度或者一年, 举例说明:
  
  • stat_date='2019q1', interval='1q', count=4, 将返回 2018q2,2018q3,2018q4,2019q1 的数据
  • stat_date='2019q1', interval='1y', count=4, 将返回 2016q1,2017q1,2018q1,2019q1 的数据
  • stat_by_year=True, stat_date='2018', interval='1y', count=4 将返回 2015/2016/2017/2018 年度的年报数据
• stat_by_year：bool, 是否返回年度数据. 默认返回的按季度统计的数据(比如income表中只有单个季度的利润).
  • 如果是True：
    
    • interval必须是 '1y'
    • 如果指定了 stat_date 的话, stat_date 必须是一个代表年份整数、字符串, 表明统计的年份，比如2019, "2019"。但不能是"20191q"这种格式。
    • fields 可以选择 balance/income/cash_flow/indicator/bank_indicator/security_indicator/insurance_indicator 表中的列
  • 如果是False：
    fields只能选择balance/income/cash_flow/indicator 表中的列

返回值

pandas.DataFrame, 数据库查询结果. 数据格式同 get_fundamentals. 每个股票每个报告期(一季度或者一年)的数据占用一行.

注意

• 不支持valuation市值表
• 推荐用户对结果使用pandas的groupby方法来进行分组分析数据
• 每次最多返回50000条数据，更多数据需要根据标的或者时间分多次获取

示例

from jqdatasdk import *
security = ['000001.XSHE', '600000.XSHG']
df = get_history_fundamentals(security, fields=[balance.cash_equivalents, 
        cash_flow.net_deposit_increase, income.total_operating_revenue], 
        watch_date=None, stat_date='2019q1', count=5, interval='1q', stat_by_year=False)
print(df)
print(df.groupby('code').mean())

get_fundamentals(query_object, date=None, statDate=None)

市值数据每天更新，可以使用get_fundamentals(query(valuation),date),指定date为某一交易日,获取该交易日的估值数据。查询方法详见get_fundamentals()接口说明

注意： （详细内容可看get_fundamentals接口）

• date和statDate参数只能传入一个:
• 传入date时, 查询指定日期date收盘后所能看到的最近(对市值表来说, 最近一天, 对其他表来说, 最近一个季度)的数据
• statDate: 财报统计的季度或者年份,。 季度: 格式是年 + 'q' + 季度序号, 例如: '2015q1', '2013q4'. 年份: 格式就是年份的数字, 例如:'2015', '2016'.

表名: valuation

获取最近日期所有股票的市值数据

# 获取最近日期的市值数据
df=get_fundamentals(query(valuation))
print(df[:4])

         id         code  pe_ratio  turnover_ratio  pb_ratio  ps_ratio  \
0  64650881  000001.XSHE   14.4095             NaN    1.4169    2.7148   
1  64649277  000002.XSHE    9.0344             NaN    1.8051    0.9491   
2  64649388  000004.XSHE   40.2554             NaN    1.9572   19.2944   
3  64649010  000005.XSHE   22.7056             NaN    1.4351   11.5734   

   pcf_ratio  capitalization  market_cap  circulating_cap  \
0     4.1729    1.940592e+06   4168.3911     1.940576e+06   
1     5.1463    1.161773e+06   3658.4238     9.714315e+05   
2    26.1566    1.650526e+04     28.3725     1.151256e+04   
3 -8155.7451    1.058537e+05     23.2878     1.057946e+05   

   circulating_market_cap         day  pe_ratio_lyr  
0               4168.3560  2021-03-14       14.4095  
1               3059.0378  2021-03-14        9.4114  
2                 19.7901  2021-03-14      915.4301  
3                 23.2748  2021-03-14       13.3311  

获取某一天所有的市值数据

# 获取“2021-01-05”所有的市值数据
get_fundamentals(query(valuation),date="2021-01-05")[:4]

获取某只股票在某天的市值数据

# 查询'000001.XSHE'的所有市值数据, 时间是2015-10-15
q = query(
    valuation
).filter(
    valuation.code == '000001.XSHE'
)
df = get_fundamentals(q, '2015-10-15')
# 打印出总市值
print(df['market_cap'][0])