天勤量化TqSdk行情获取完全上手指南：从安装到实盘策略一条路走通-CSDN博客

天勤量化TqSdk行情获取完全上手指南：从安装到实盘策略一条路走通

【免费下载链接】tqsdk-python 天勤量化开发包, 期货量化, 实时行情/历史数据/实盘交易项目地址: https://gitcode.com/gh_mirrors/tq/tqsdk-python

期货量化开发最烦人的环节是什么？不是策略写不出来，而是卡在"数据拿不到、环境跑不通"这两步上。天勤量化TqSdk（TianQin SDK）就是为破解这个痛点而生的 Python 开源量化交易开发包：几行代码就能订阅到国内五大期货交易所的实时行情，历史数据、策略回测、模拟盘、实盘交易全都打包在内。本文不绕弯子，直接带你按 5 个步骤走完全程——装好环境、拿到行情、存下数据、跑通策略、避开坑点，让"从零到实盘"变成一条看得见的路。

一、先搞清楚：TqSdk 到底能替你省下哪些功夫

在你动手写代码之前，先用一分钟看看这套开发包的边界，避免后面走弯路。

它解决的核心问题

🚀 接入成本低：不需要自己对接交易所接口，一个 TqApi 对象就完成了行情与交易通道的封装
📊 全品种覆盖：上期所（SHFE）、大商所（DCE）、郑商所（CZCE）、中金所（CFFEX）、能源中心（INE）、广期所（GFEX）以及沪深股市均可订阅
💾 内存数据库机制：行情、K线、账户、持仓等数据全部保存在内存对象中，每次 wait_update() 后直接读取，无中间数据库的访问延迟
🔧 一套 API 贯穿全程：行情订阅、历史数据、回测、模拟盘、实盘共用同一套接口风格，学习一次到处复用
🆓 完全免费：开源项目，安装即用，配合快期免费账户即可获得行情与模拟交易能力

需要说明的是，TqSdk 是"通道 + 数据"型工具，它不替你写策略。双均线、网格、套利这些逻辑需要你自己实现，但底层的数据搬运、下单、持仓管理这些脏活累活它全包了。

二、三步搭好环境：版本、安装、账户

整个过程没有隐藏步骤，照做即可。

第一步：确认 Python 版本

打开终端，执行：

python --version

TqSdk 要求 Python 3.9 及以上。如果你版本过低，请先升级到 3.9+ 再继续。Windows 7 及以上、macOS、Linux 系统均可正常使用。

第二步：安装 TqSdk

pip install tqsdk -U

网络慢的话，用清华镜像加速：

pip install tqsdk -U -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host=pypi.tuna.tsinghua.edu.cn

装完后可以验证一下版本号，确认装的是最新的：

import tqsdk
print(tqsdk.__version__)

第三步：注册一个快期账户

访问天勤量化官网完成账户注册。这个账户是连接行情服务器的"通行证"，后续所有代码里的 TqAuth("你的账户", "你的密码") 都要用到它。注册不收费，先用模拟功能完全够学。

💡 小贴士：如果只是体验行情，也可以先用模拟账户跑通流程，再考虑实盘，后面的章节会专门讲这两者的区别。

三、5 分钟跑通第一段行情代码

环境就绪后，先跑通一个最简示例，把"实时行情"四个字变成屏幕上滚动的数字。

from tqsdk import TqApi, TqAuth

# 创建 API 实例，传入快期账户完成认证
api = TqApi(auth=TqAuth("你的快期账户", "账户密码"))

# 订阅单个合约的盘口行情
quote = api.get_quote("SHFE.rb2610")

while True:
    api.wait_update()
    print(f"{quote.datetime} 最新价: {quote.last_price}")

逐行解释一下这段代码在做什么：

TqApi(auth=TqAuth(...))：建立与天勤服务器的连接，认证信息从这里进去。首次连接时会下载合约基础信息，所以第一次运行可能稍慢，属正常现象。
api.get_quote("SHFE.rb2610")：订阅螺纹钢 2610 合约。合约代码格式统一为 交易所.品种合约，比如 DCE.i2609 是大商所铁矿石、CFFEX.IF2406 是中金所沪深300股指期货。
api.wait_update()：阻塞等待数据更新，每次返回后，quote 对象里就是最新的盘口快照。这是 TqSdk 事件驱动模型的核心——所有数据都必须等 wait_update() 返回后再读取。

⚠️ 常见坑：在还没有收到第一个行情包之前，quote 里的数字是 nan 或 0。不要在 wait_update() 之前就读取并计算行情，否则你会拿到一堆空值。

运行后你会看到类似下面的输出（控制台会不断刷新）：

2026-08-13 14:02:11.500 最新价: 3123.0
2026-08-13 14:02:11.900 最新价: 3124.0
...

按下 Ctrl+C 即可结束程序。

四、把行情数据真正用起来：字段、批量订阅与 K 线

能打印最新价只是起点。这一节把行情对象里最有用的字段、批量监控方法和 K 线序列一次讲透。

4.1 行情对象里都有什么

通过 get_quote() 拿到的对象，常用字段如下：

字段	含义
`datetime`	最新行情时间
`last_price`	最新成交价
`volume`	累计成交量
`open_interest`	持仓量
`bid_price1` / `ask_price1`	买一价 / 卖一价
`bid_volume1` / `ask_volume1`	买一量 / 卖一量
`upper_limit` / `lower_limit`	当日涨跌停价

其中 bid_price1、ask_price1 是判断盘口深度最直接的指标，很多简单的做市与盘口策略就基于这两个字段。

4.2 一次性监控多个合约

真实交易中很少只盯一个合约。用 get_quote_list() 批量订阅，一个循环搞定所有品种：

from tqsdk import TqApi, TqAuth

api = TqApi(auth=TqAuth("你的快期账户", "账户密码"))

# 订阅一组相关合约
symbols = ["SHFE.rb2610", "SHFE.rb2701", "DCE.i2609"]
quotes = api.get_quote_list(symbols)

while True:
    api.wait_update()
    for sym, q in zip(symbols, quotes):
        print(f"{sym}: {q.last_price}")

💡 小贴士：能批量就批量。多个 get_quote() 最终也会合并成一次订阅请求，但用 get_quote_list() 写出来的代码结构更清晰，也方便后续统一处理。

4.3 拿 K 线：序列数据怎么读

行情之外，get_kline_serial() 用于获取连续的 K 线数据，它返回的是一个 K 线序列对象，支持 duration_seconds 指定周期（如 60 代表 1 分钟线），data_length 指定保留根数：

from tqsdk import TqApi, TqAuth

api = TqApi(auth=TqAuth("你的快期账户", "账户密码"))

klines = api.get_kline_serial("DCE.i2609", duration_seconds=60, data_length=200)

while True:
    api.wait_update()
    # 检查最后一根K线是否发生更新
    if api.is_changing(klines.iloc[-1]["datetime"]):
        last = klines.iloc[-1]
        print(f"最新一分钟K线 开:{last['open']} 高:{last['high']} 低:{last['low']} 收:{last['close']}")

这里用到了 api.is_changing()——它用来判断某个字段在本次 wait_update() 中是否真的变化了，是避免重复处理同一根 K 线的关键手法。

上图是天勤量化终端的策略编辑界面，左侧是策略文件列表，右侧是代码编辑区，配合 TqSdk 使用可以边写边看行情反馈。

五、从"看数据"升级到"自动交易"：一个价差策略实战

行情到手后，下一步就是让程序替你做决策和下单。TqSdk 的下单核心是 TargetPosTask（目标持仓任务）：你只管告诉它"我想要多少手"，它负责把实际的买卖动作拆解执行完毕，省去了手写委托管理的心智负担。

下面这个例子演示一个经典的"同品种跨月价差"策略：当近月比远月贵太多时，做空近月、做多远月；价差回落后再把仓位清掉。

from tqsdk import TqApi, TqAuth, TargetPosTask

api = TqApi(auth=TqAuth("你的快期账户", "账户密码"))

# 订阅两个合约的行情
q_near = api.get_quote("SHFE.rb2610")
q_far = api.get_quote("SHFE.rb2701")

# 为两个合约分别创建目标持仓任务
pos_near = TargetPosTask(api, "SHFE.rb2610")
pos_far = TargetPosTask(api, "SHFE.rb2701")

while True:
    api.wait_update()
    spread = q_near.last_price - q_far.last_price

    if spread > 250:
        # 价差过高：空近月、多远月
        pos_near.set_target_volume(-1)
        pos_far.set_target_volume(1)
        print("价差偏大，入场：空近月多远月")
    elif spread < 200:
        # 价差回到正常区间：清仓
        pos_near.set_target_volume(0)
        pos_far.set_target_volume(0)
        print("价差回归，清仓离场")

这段代码的运作逻辑：

TargetPosTask 会在后台持续跟踪你的实际持仓，把它调整到 set_target_volume() 指定的目标值。传正数代表做多，负数代表做空，0 代表平仓。
策略不手动下单、不手动撤单，持仓管理全部交给任务对象，天然适合做"目标持仓型"策略。

⚠️ 注意：上述示例中所有交易都发生在你的账户里。新手请务必先使用 模拟盘账户 跑策略，确认逻辑无误后再接触实盘。TqApi 未传 account 参数时默认使用内置模拟账户，这是最稳妥的练手方式。

上图是运行策略时交易图表的效果，可以看到 K 线图上标注了开仓信号与成交价（"买开 1 手@47920"），信号对应的开平仓一目了然。

六、让程序更抗造：错误处理与性能优化

行情程序通常要挂机运行数小时甚至数天，这一节的三点建议能让你的程序更稳定。

1. 用 try/except 包住核心循环

TqSdk 自身带有断线重连能力，但你的业务代码仍需做好异常兜底，避免单次错误导致整个程序退出：

import time
from tqsdk import TqApi, TqAuth

def connect_with_retry(user, pwd, max_try=3):
    """带重试的建连函数：网络波动时自动重试"""
    for attempt in range(1, max_try + 1):
        try:
            api = TqApi(auth=TqAuth(user, pwd))
            print("连接成功")
            return api
        except Exception as e:
            print(f"第 {attempt} 次连接失败: {e}")
            time.sleep(5)
    raise RuntimeError("多次连接失败，请检查网络与账户配置")

2. 别在循环里做重活

wait_update() 返回的频率很高，循环体内应只做轻量计算和打印。需要把数据落盘时，攒够一批再写入文件，减少磁盘 I/O 次数。下面是一个"攒 100 条写一次"的落盘模式：

import json
from datetime import datetime

class TickLogger:
    """行情记录器：批量写盘，避免高频IO"""
    def __init__(self, path="ticks.jsonl"):
        self.path = path
        self.buffer = []

    def push(self, quote):
        item = {
            "time": datetime.now().isoformat(),
            "price": quote.last_price,
            "volume": quote.volume,
        }
        self.buffer.append(item)
        if len(self.buffer) >= 100:
            self.flush()

    def flush(self):
        with open(self.path, "a", encoding="utf-8") as f:
            for it in self.buffer:
                f.write(json.dumps(it, ensure_ascii=False) + "\n")
        self.buffer.clear()

3. 善用 is_changing() 过滤无效更新

订阅多个合约后，wait_update() 每次返回都可能只有其中一两个合约有变化。用 api.is_changing(quote) 判断后再处理，既能避免重复计算，也能让日志更干净。

七、新手最常问的 5 个问题

Q1：合约代码到底怎么写？

统一格式为 交易所.品种合约。上期所螺纹钢是 SHFE.rb2610，大商所铁矿石是 DCE.i2609，郑商所甲醇是 CZCE.MA609，中金所沪深300股指是 CFFEX.IF2406。注意品种代码要区分大小写，郑商所的品种字母一般是大写。

Q2：行情延迟大概多少？

TqSdk 走的是交易所实时行情通道，延迟在毫秒级别。对绝大多数日线、分钟级策略来说完全够用；对超高频策略，还需要结合自己的网络环境实测评估。

Q3：历史数据怎么拿？

支持两种方式：一是用 get_kline_serial() 拉取任意周期的历史 K 线；二是用数据下载工具批量导出一段时间内的历史 Tick 与 K 线，用于本地研究。项目的 tqsdk/demo/ 目录下有现成示例脚本可以参考。

Q4：模拟盘和实盘怎么切换？

关键在于 TqApi 的 account 参数。不传 account 时默认是内置模拟账户 TqSim，此时下单不会产生真实成交；传入 TqKq 类实例则使用快期模拟交易服务器；接入期货公司真实账户时使用 TqAccount 并填好期货公司、账号与密码。务必按"内置模拟 → 快期模拟 → 实盘"的顺序递进测试。

Q5：回测怎么跑？

给 TqApi 传入 TqBacktest(start_dt, end_dt) 对象即可进入回测模式，策略代码几乎不用改，就能在指定时间段内用历史行情重放策略表现。回测结束后可直接查看账户收益、回撤等统计结果。

上图是一次双均线策略回测的输出：左侧是成交记录日志，右侧是账户资金与回撤统计，这是验证策略是否值得实盘的第一道关卡。

八、下一步该做什么

到这里，你已经跑通了 TqSdk 的完整主线。建议按下面的顺序继续深入：

照着写一遍最小行情示例，确认账户、安装、字段读取都没问题。
把批量监控和 K 线示例跑起来，把数据存成文件，做一次简单的价格趋势分析。
在模拟盘上运行价差策略，观察 TargetPosTask 的持仓调整过程，理解目标持仓模型的运作方式。
学习回测，把策略放回历史行情里检验，回测通过后再考虑模拟盘实盘化。

更多资料可以直接从项目里挖：入门文档见 doc/quickstart.rst，API 详解见 tqsdk/api.py（get_quote、get_quote_list、get_kline_serial、wait_update 都在里面），大量可直接运行的示例策略在 tqsdk/demo/tutorial/ 和 tqsdk/demo/example/ 目录下。社区方面，天勤量化官方文档站、用户交流群和知乎专栏都有活跃讨论，遇到具体报错时，把报错信息复制到文档站里搜索，绝大多数问题都有现成解答。

量化交易没有捷径，但有正确工具的人起步更快。先让第一段行情数据在你的屏幕上滚起来，再一步步走到实盘——祝你在量化这条路上跑得稳、走得更远。

【免费下载链接】tqsdk-python 天勤量化开发包, 期货量化, 实时行情/历史数据/实盘交易项目地址: https://gitcode.com/gh_mirrors/tq/tqsdk-python

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考