FQuant Document

Appearance

FAQ ​

基础问题 ​

Q: DataStruct 模块提供什么功能？ ​

DataStruct 模块提供统一的数据结构，用于处理各种金融数据：

功能说明
行情数据股票、指数、期货、债券
实时数据股票/期货实时行情
成交明细逐笔成交数据
复权处理前复权、后复权
重采样分钟/日线转换
指标计算技术指标混入

Q: 如何创建数据结构？ ​

python
import pandas as pd
from FQData.DataStruct import StockDayData

# 从 DataFrame 创建
df = pd.DataFrame({
    'code': ['600000'],
    'date': ['2024-01-01'],
    'open': [10.0],
    'high': [10.5],
    'low': [9.5],
    'close': [10.2],
    'volume': [1000]
})

stock = StockDayData(df)

数据类型问题 ​

Q: 支持哪些数据类型？ ​

类型类说明
股票日线StockDayDataA股日线
股票分钟StockMinData1/5/15/30/60分钟
指数日线IndexDayData上证/深证指数
指数分钟IndexMinData指数分钟线
期货日线FutureDayData商品/金融期货
期货分钟FutureMinData期货分钟线
债券日线Bond2StockDayData国债/企业债

Q: 数据结构继承关系？ ​

QuotationDataStructBase (基类)
├── QuotationIndicatorsMixin (指标混入)
├── QuotationOperationsMixin (操作混入)
├── QuotationIOSMixin (IO混入)
│
├── StockDayData
├── StockMinData
├── IndexDayData
├── IndexMinData
├── FutureDayData
└── FutureMinData

复权处理问题 ​

Q: 如何进行前复权？ ​

python
from FQData.DataStruct import fetch_stock_adj, data_stock_to_fq

# 获取复权因子
adj_data = fetch_stock_adj(code='600000', start='2024-01-01')

# 前复权转换
fq_data = data_stock_to_fq(original_data, adj_data)

Q: 前复权和后复权区别？ ​

类型说明公式
前复权以最新价格为基准复权后价格 = 原价格 × 复权因子
后复权以历史价格为基准复权后价格 = 原价格 ÷ 复权因子
python
# 前复权
fq_data = data_stock_to_fq(original_data, adj_data)

# 后复权
fq_adj_data = data_stock_fq_adj(original_data, adj_data)

重采样问题 ​

Q: 如何将分钟数据转为日线？ ​

python
from FQData.DataStruct import min_to_day

# 分钟数据
min_data = query_stock_min('600000', freq='1min', start='2024-01-01')

# 转日线
daily_data = min_to_day(min_data)

Q: 支持哪些重采样频率？ ​

频率说明示例
1min1分钟Tick → 1分钟
5min5分钟1分钟 → 5分钟
15min15分钟1分钟 → 15分钟
30min30分钟1分钟 → 30分钟
60min60分钟1分钟 → 60分钟
day/D日线分钟 → 日线
week/W周线日线 → 周线
month/M月线日线 → 月线

Q: Tick 数据如何重采样？ ​

python
from FQData.DataStruct import tick_resample_1min

# Tick 数据
tick_data = query_stock_transaction('600000')

# 转 1 分钟
min_data = tick_resample_1min(tick_data)

指标计算问题 ​

Q: 如何计算技术指标？ ​

python
# DataStruct 通过 Mixin 提供指标计算
# 具体指标取决于 QuotationIndicatorsMixin 的实现

stock = StockDayData(df)

# 假设有以下指标方法
ma5 = stock.ma(5)    # 5日均线
ma10 = stock.ma(10)  # 10日均线

Q: 如何添加自定义指标？ ​

python
from FQData.DataStruct import QuotationIndicatorsMixin

class CustomIndicators(QuotationIndicatorsMixin):
    """自定义指标混入"""

    def custom_ma(self, n):
        """自定义均线"""
        return self['close'].rolling(n).mean()

数据操作问题 ​

Q: 如何合并多个数据源？ ​

python
from FQData.DataStruct import StockDayData

# 多个数据
data1 = query_stock_day('600000', start='2024-01-01', end='2024-06-30')
data2 = query_stock_day('600000', start='2024-07-01', end='2024-12-31')

# 合并
combined = pd.concat([data1, data2])
stock = StockDayData(combined)

Q: 如何过滤数据？ ​

python
stock = StockDayData(df)

# 按日期过滤
stock_2024 = stock[stock['date'] >= '2024-01-01']

# 按价格过滤
stock_above_10 = stock[stock['close'] > 10]

# 按成交量过滤
stock_active = stock[stock['volume'] > 1000]

性能问题 ​

Q: 大数据量处理慢？ ​

python
# 使用 chunk 处理大数据
def process_large_data(code, start, end, chunk_size=10000):
    for chunk in pd.read_csv(file, chunksize=chunk_size):
        stock = StockDayData(chunk)
        # 处理每个 chunk
        process(stock)

# 使用向量化操作
stock['returns'] = stock['close'].pct_change()  # 向量化

常见错误 ​

Q: 错误：列名不匹配 ​

原因：列名与数据结构期望的不一致

python
# 错误：列名不一致
df = pd.DataFrame({
    'stock_code': ['600000'],  # 应该是 'code'
    'price': [10.0]           # 应该是 'close'
})

# 解决：标准化列名
df = df.rename(columns={
    'stock_code': 'code',
    'price': 'close'
})

stock = StockDayData(df)

Q: 错误：数据类型不对 ​

原因：数据类型不符合要求

python
# 错误：日期是字符串
df['date'] = '2024-01-01'  # 字符串

# 解决：转换为 datetime
df['date'] = pd.to_datetime(df['date'])

stock = StockDayData(df)

相关文档 ​