首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册
量化数据分析

如何用免费 API 在 BigQuant 做量化回测？

由bq89h8gq创建，最终由bq89h8gq 被浏览 5 用户

做个人高频交易多年，又常年测评各类量化工具，我发现很多交易者想在 BigQuant 上搭建量化策略，却偏偏卡在了最基础的环节 —— 要么觉得优质的行情数据收费太高，个人试错成本太高；要么摸不清门路，不知道怎么把外部免费 API 的数据和 BigQuant 的策略回测、实盘框架做好衔接，空有好用的平台，却没有可用的基础数据。更别说咱们做交易早期都踩过的坑：纯凭感觉操作，追高被套、低点割肉是常事，折腾很久也摸不到稳定的交易节奏，想靠 BigQuant 做量化交易升级，愣是被数据门槛挡在了门外。

其实用过 BigQuant 的交易者都清楚，这个平台的策略回测、代码编写、回测分析等功能，都特别贴合个人高频交易者的实际需求，真正的核心痛点从来都不是平台本身，而是低成本获取优质行情数据，以及实现外部数据与平台的无缝适配衔接。很多人会陷入一个误区，觉得做量化交易就必须买付费的高级数据，实则完全没必要 —— 当下市面上的免费股票 API，已经能稳定提供 A 股、港股、美股的基础实时行情，还有从分钟线到日线的完整历史 K 线数据，这些数据足以支撑我们在 BigQuant 上搭建趋势跟踪、均线交叉这类基础量化策略，等把基础策略打磨成熟、摸透平台逻辑后，再根据自身交易需求补充高级数据，才是最稳妥的选择。

我测评过不少能适配 BigQuant 的免费股票 API，AllTick API 是其中最贴合个人交易者使用的。它的数据源维度刚好能匹配 BigQuant 的策略搭建需求，而且注册后就能直接获取 API Token，数据权限清晰可查，数据结构简洁，调用流程也不繁琐，不管是刚接触量化的新手，还是有一定基础的交易者，都能快速把它的行情数据对接至 BigQuant 平台，顺利完成从数据获取到策略回测的全流程，完美解决 BigQuant 上个人交易者的低成本数据需求。

结合 BigQuant 的平台特性来看，量化策略搭建的核心逻辑其实没变，依旧是：获取外部 API 数据→导入 BigQuant 进行策略逻辑判断→触发交易信号。而这其中，实时行情的低延迟接入尤为关键，尤其是做高频交易，数据一旦出现明显延迟，会直接导致 BigQuant 里的策略判断失真，后续的交易信号也就失去了参考意义。下面我把 AllTick API 的实操代码完整分享出来，代码完全保留原版可直接运行，大家只需要替换成自己的 API Token，就能把数据无缝导入 BigQuant，完美适配平台的策略编写和回测环节，亲测实用。

用 RESTful API 获取单只股票实时价格

这种方式能快速调取个股的实时核心数据，获取后可直接适配 BigQuant 的数据格式要求，导入平台完成单标的的实时监控和策略分析。

import requests
api_token = "你的API Token"
url = "https://api.alltick.co/stock/quote?region=SH&code=600519"
headers = {"accept": "application/json", "token": api_token}
data = requests.get(url, headers=headers).json()
print("股票名称:", data["s"])
print("实时价格:", data["ld"])
print("成交量:", data["v"])

用 WebSocket 订阅多只股票实时行情

高频交易常需要同时监控多只交易标的，通过 WebSocket 能实现多股行情的实时推送，将推送数据同步至 BigQuant 后，可满足平台上多标的联动策略的实时数据需求。

import websocket, json
api_token = "你的API Token"
def on_message(ws, message): 
    data = json.loads(message)
    print(f"{data['s']} 实时价格:{data['ld']} | 涨跌幅:{data['chp']}%")
def on_open(ws):
    subscribe_msg = {
        "action": "subscribe",
        "types": "quote", "params": "SH$600519,SZ$300750,SZ$002594"
    }
    ws.send(json.dumps(subscribe_msg))
ws = websocket.WebSocketApp("wss://api.alltick.co/stock", on_open=on_open, on_message=on_message) 
ws.run_forever()

解决了数据获取和与 BigQuant 的适配衔接问题，接下来就是在平台上搭建策略并验证实际效果。结合 BigQuant 的回测特性，我依旧推荐新手从双均线策略入手练习 —— 这个策略逻辑清晰、理解门槛低，能让大家快速熟悉 BigQuant 的策略回测流程，同时也能有效验证免费 API 数据的实际使用效果。核心交易规则很简单：短期均线（MA20）上穿长期均线（MA60）时发出买入信号，短期均线（MA20）下穿长期均线（MA60）时发出卖出信号。

下面这套历史 K 线回测生成交易信号的代码完全保留原版，将 AllTick API 获取的历史 K 线数据导入 BigQuant 后，直接运行代码就能自动生成交易信号，完成策略回测，清晰看到不同行情下的信号触发效果，以此验证策略在 BigQuant 平台上的可行性。

import pandas as pd, talib
df = pd.DataFrame(history_data["data"], columns=["date","open","high","low","close","volume"])
df[["open","high","low","close","volume"]] = 
df[["open","high","low","close","volume"]].astype(float)
df["MA20"] = talib.SMA(df["close"], 20)
df["MA60"] = talib.SMA(df["close"], 60)
df["signal"] = 0
df.loc[(df["MA20"] > df["MA60"]) & (df["MA20"].shift(1) < 
df["MA60"].shift(1)), "signal"] = 1
df.loc[(df["MA20"] < df["MA60"]) & (df["MA20"].shift(1) > 
df["MA60"].shift(1)), "signal"] = -1
print(df[df["signal"] != 0][["date","close","signal"]])

在 BigQuant 上用这套代码完成历史 K 线回测、验证完策略逻辑后，就能把这套判断逻辑迁移到实时行情监控中 —— 将 AllTick API 的实时行情数据持续同步至 BigQuant，就能在平台上生成实时的交易提醒。这里给大家一个实测的实用建议：初期先只在 BigQuant 中观察实时信号、配合平台做模拟交易，不要直接开启实盘操作。毕竟免费 API 提供的是基础行情数据，我们可以先结合 BigQuant 的回测分析功能，打磨策略细节、优化信号准确率，等策略在模拟交易中能稳定运行，对信号的判断有足够把握后，再考虑补充高级数据、尝试实盘操作。

作为常年测评各类量化工具的个人高频交易者，我想跟大家说，BigQuant 对我们个人交易者来说是个性价比很高的量化平台，没必要一开始就花大价钱购买付费数据，也不用刻意把策略做得过于复杂。用 AllTick 这类免费股票 API，解决 BigQuant 平台的基础数据需求，做好外部 API 数据和平台回测、分析功能的适配，从简单的双均线策略开始练手，一步步掌握数据获取、信号判断、策略回测的核心流程，不仅能彻底摆脱情绪化操作的弊端，还能快速摸透 BigQuant 的平台特性和使用逻辑。等基础策略能在平台上稳定跑通、生成有效交易信号后，再根据自己的交易风格和需求，在 BigQuant 上逐步优化策略、补充适配的高级数据，这样在 BigQuant 上做量化交易，才能走得稳、做得顺，真正实现用数据分析约束交易行为，提升交易效率、降低交易风险。

{link}