告别传统 API 的高延迟与频发限流。基于 COS 对象切片分发、标准 Apache Parquet 格式， 结合 Python SDK 内置的 DuckDB 本地数据仓库引擎，实现“下载即数据库，本地零流量毫秒级回测”。
无需从零清洗原始量价，直接读 Parquet 喂给 LightGBM / XGBoost / PyTorch，节省 90% 数据准备时间。
按 (symbol, date) 索引对齐，包含日线基础因子宽表、8 大类日频因子与从 L2 逐笔/快照提取的高频盘口因子。三路数据零列名重叠，统一 V2 按日分区读取。
针对不同粒度的数据特点采用最佳切片架构，兼顾完整历史检索与高频精细化下载。
包含单只股票自上市以来的完整历史数据。单个 Parquet 文件独立装载全量序列，秒级解析读取。
1_kline_data/daily_forward/600519.SH.parquet
高频 Tick 逐笔/分笔数据体量巨大，QuantDB 将其按交易日切片独立存储，支持按需精准下载，省流量不浪费。
1_kline_data/tick_data/600519.SH_20260720.parquet
官方 Python SDK 0.2.10 支持同步/异步引擎、V1/V2 自动选择、CDN 直连下载与 ETag 条件缓存；日频使用 release cursor，财务与 ETF 等使用 Manifest 增量同步，并提供 DuckDB 本地零流量 SQL 仓库。
from quantdb_sdk import QuantDBClient # 1. 初始化客户端 (支持 API Key 鉴权) client = QuantDBClient(api_key="qdb_your_api_key_here") # 2. 日期范围查询优先 V2 日切片；V2 缺覆盖时整次回退 V1 df_kline = client.query_kline( symbol="600519.SH", adj_type="forward", # forward(前复权)/backward(后复权)/unadjusted(不复权) start_date="2026-01-01", end_date="2026-07-24", fields="open,high,low,close,volume,amount" ) # 3. 查询指定交易日的 Tick 盘口分笔数据 df_tick = client.query_tick( symbol="600519.SH", trade_date="20260720", start_ts="09:30:00", end_ts="11:30:00" ) print(df_kline.head())
from quantdb_sdk import QuantDBClient client = QuantDBClient(api_key="qdb_your_api_key_here") # 获取 DuckDB 本地仓库实例 wh = client.get_local_warehouse() # 自动下载或指定 Parquet，并将其注册为 DuckDB 本地视图 wh.mount_dataset(category_id="1", sub_category="daily_unadjusted", symbol="600519.SH", view_name="kline_maotai") wh.mount_dataset(category_id="3", sub_category="income", symbol="600519.SH", view_name="income_maotai") # 零流量执行本地复杂多表 JOIN SQL 关联分析 df_join = wh.query(""" SELECT k.trade_date, k.close, i.net_profit_excl_min_int_inc FROM kline_maotai k LEFT JOIN income_maotai i ON k.trade_date = i.m_anntime WHERE k.close > 1500 """) print(df_join.head())
from quantdb_sdk import QuantDBClient client = QuantDBClient(api_key="qdb_your_api_key_here") # 1. 快速加载 100 维 L1 日频因子数据集 df_l1 = client.load_as_df( category_id="6", sub_category="l1_factors", symbol="600519.SH" ) print(f"L1 因子矩阵形状: {df_l1.shape}") # 2. 或使用增量同步引擎一键获取 365 维 ML 训练宽表 sync_info = client.sync_dataset("features_daily") print(f"增量同步完成: 更新 {len(sync_info['downloaded'])} 个分区")
# 1. 设置环境变量并校验 API Key 有效性 $ export QUANTDB_API_KEY="qdb_your_api_key_here" $ quantdb check [OK] API Key 有效 用户: quant_user_01 ID: 10086 # 2. 查询当前账号流量配额与订阅使用情况 $ quantdb usage 账户用量: 已用: 1.25 GB 限额: 30.0 GB 剩余: 28.75 GB 订阅: active # 3. 一键增量同步全量数据集 $ quantdb sync daily_forward
元数据查询与数据预览完全免费，业务数据物理下载按实际流量扣减。