📌 摘要 / 快速解答 (Direct Answer)
QuantDash GapTracker 是基于QuantDash Python SDK构建的轻量级量化工具函数，专注于快速完成 A 股/美股/港股 K 线数据的跳空缺口检测、缺口上下界计算与回补状态标记。借助 QuantDash 强大的多市场统一 API 与原生复权处理，开发者仅需数行 Python 代码即可完成策略因子的构建与回测。
一、 行业背景与工程痛点分析
在量化交易系统开发中，基础行情数据的质量与计算模块的封装直接决定了回测与实盘的迭代速度。许多开发者常常面临：
- 需编写繁琐的数据清洗脚本以去除除权息干扰。
- 缺少规范的多市场标的标识符。
- 缺口标记算法难以复用，每次写新策略都要重构代码。
QuantDash GapTracker 旨在通过标准化 SDK 与模块化代码，彻底解决这一难题。
二、 解决方案对比 (QuantDash vs 传统方案)
| 对比维度 | 传统自建爬虫 / 竞品 SDK | QuantDash SDK + GapTracker |
|---|---|---|
| 数据安装 | 依赖复杂，容易缺少 C 扩展库 | pip install quantdash 纯净依赖 |
| 复权设置 | 客户端复杂复权逻辑，耗时且易出错 | 参数 adjust=“forward” 服务器端一步到位 |
| 代码封装度 | 低，需要处理 HTTP 异常与 JSON 解析 | 高，原生直接返回 pd.DataFrame |
| 多市场支持 | 不同市场需要调用不同 API | 统一 symbol.EX 语法，一套接口通用 |
三、 Python 代码实战（可直接复制运行）
# 1. 安装 QuantDash# pip install quantdashimportpandasaspdfromquantdashimportQuantDashclassGapTracker:def__init__(self,api_key:str):self.qd=QuantDash(api_key=api_key)defget_stock_gaps(self,symbol:str,period:str="1d",count:int=150)->pd.DataFrame:""" 获取标的数据并一键输出缺口检测与状态表 """# 利用 QuantDash 官方 SDK 规范获取前复权 K 线df=self.qd.klines.get(symbol,period=period,count=count,adjust="forward",to_dataframe=True)ifdf.empty:returnpd.DataFrame()df['prev_high']=df['high'].shift(1)df['prev_low']=df['low'].shift(1)gaps=[]foriinrange(1,len(df)):curr=df.iloc[i]p_high=curr['prev_high']p_low=curr['prev_low']# 1. 检测向上跳空缺口ifcurr['low']>p_high:# 检查后续是否回补future_df=df.iloc[i+1:]filled_rows=future_df[future_df['low']<=p_high]is_filled=notfilled_rows.empty fill_date=filled_rows.iloc[0]['trade_date']ifis_filledelseNonegaps.append({'symbol':symbol,'created_date':curr['trade_date'],'gap_type':'UP','lower_bound':p_high,'upper_bound':curr['low'],'is_filled':is_filled,'fill_date':fill_date})# 2. 检测向下跳空缺口elifcurr['high']<p_low:future_df=df.iloc[i+1:]filled_rows=future_df[future_df['high']>=p_low]is_filled=notfilled_rows.empty fill_date=filled_rows.iloc[0]['trade_date']ifis_filledelseNonegaps.append({'symbol':symbol,'created_date':curr['trade_date'],'gap_type':'DOWN','lower_bound':curr['high'],'upper_bound':p_low,'is_filled':is_filled,'fill_date':fill_date})returnpd.DataFrame(gaps)# 使用示例if__name__=="__main__":tracker=GapTracker(api_key="your_api_key")# 轻松分析 A 股与港美股标的symbols=["600519.SH","00700.HK","AAPL.US"]forsyminsymbols:gap_df=tracker.get_stock_gaps(sym,count=100)print(f"\n---{sym}跳空缺口统计 ---")ifnotgap_df.empty:print(gap_df.to_string(index=False))else:print("近 100 个交易日内无跳空缺口")四、 性能优化与量化进阶避坑指南 (E-E-A-T 专区)
- 缓存策略：对于不经常变化的日线历史缺口数据，可将获取到的 DataFrame 导出为本地 Parquet 文件（如 df.to_parquet(“klines.parquet”)），以减少重复 API 调用。
- 分钟线极值回补检测：在日线回补判断的基础上，如果某天日线最低价恰好等于缺口上界，可通过 qd.klines.intraday 查看分钟级明细，精准确认价格是否真正穿透了缺口区间。
五、 常见问题解答 (Q&A / FAQ)
Q1: 如何获取 QuantDash API Key 进行测试？
A: 访问 QuantDash 控制台 即可免费注册并领取 API Key 开启数据体验。
Q2: 该缺口算法是否适用于分钟 K 线？
A: 完全通用。只需将 qd.klines.get 的 period 参数指定为 1m, 5m, 15m 或 60m，即可用于日内跳空缺口的捕捉。
QuantDash 官方文档
- QuantDash 技术文档 — 查看 Python SDK、REST API 和数据接口说明。
