第4章盘口数据获取实战

第4章：盘口数据获取实战

做量化交易，数据就是你的眼睛。没有数据，再好的策略也是瞎猜。

这一章，我们来点实在的。我会带你用 akshare 这个库，把ETF的实时盘口数据抓下来。然后解析买卖十档、算价差、算深度。嗯，都是做市商每天要看的东西。

4.1 为什么选 akshare？

说实话，国内能免费拿到实时行情的库不多。akshare 算是一个良心之作。它封装了新浪、腾讯等数据源，接口统一，用起来顺手。

我个人习惯是：开发阶段用 akshare 做数据验证，实盘阶段再切到券商API。为什么？因为免费接口有频率限制，你想想看，高频交易肯定不行。但做策略研究、回测、甚至低频做市，完全够用。

小提示： akshare 的实时行情数据，延迟大概在 1-3 秒。对于做市策略的盘口分析来说，这个延迟可以接受。

4.2 安装与导入

先装库，这个不用我多说了吧：

pip install akshare --upgrade

然后导入：

import akshare as ak
import pandas as pd
import time

嗯，这里要注意。akshare 更新比较频繁，建议每次运行前都升级一下。我曾经遇到过因为版本太旧，接口返回格式变了，导致解析报错。折腾了半天才发现是版本问题。

4.3 获取ETF实时行情

akshare 获取ETF实时行情，用的是 fund_etf_spot_em 这个接口。它会返回全市场ETF的实时数据。

# 获取所有ETF实时行情
df = ak.fund_etf_spot_em()
print(df.head())

返回的字段很多，我们重点关注这几个：

字段名	含义	说明
代码	ETF代码	如 510050
名称	ETF名称	如上证50ETF
最新价	当前成交价	单位：元
涨跌幅	当日涨跌百分比	正数为涨
成交量	当日累计成交量	单位：手
成交额	当日累计成交金额	单位：万元

如果你想只看某一只ETF，比如 510050：

# 筛选指定ETF
etf_code = '510050'
row = df[df['代码'] == etf_code]
print(row[['代码', '名称', '最新价', '涨跌幅']])

4.4 解析买卖十档数据

实时行情只能看到最新价，但做市商真正关心的是盘口深度。也就是买卖十档的挂单情况。

akshare 提供了 fund_etf_quote_em 接口，可以获取ETF的盘口数据：

# 获取指定ETF的盘口数据
quote_df = ak.fund_etf_quote_em(symbol="510050")
print(quote_df)

返回的数据结构是这样的：

字段	含义
买一价 ~ 买十价	买方各档位的挂单价格
买一量 ~ 买十量	买方各档位的挂单数量（单位：手）
卖一价 ~ 卖十价	卖方各档位的挂单价格
卖一量 ~ 卖十量	卖方各档位的挂单数量（单位：手）

我一般会这样解析：

# 提取买卖十档数据
buy_prices = [quote_df[f'买{i}价'].values[0] for i in range(1, 11)]
buy_volumes = [quote_df[f'买{i}量'].values[0] for i in range(1, 11)]
sell_prices = [quote_df[f'卖{i}价'].values[0] for i in range(1, 11)]
sell_volumes = [quote_df[f'卖{i}量'].values[0] for i in range(1, 11)]

print("买方挂单：")
for i in range(10):
    print(f"  买{i+1}: 价格 {buy_prices[i]:.3f}, 数量 {buy_volumes[i]}手")
print("卖方挂单：")
for i in range(10):
    print(f"  卖{i+1}: 价格 {sell_prices[i]:.3f}, 数量 {sell_volumes[i]}手")

注意： 有些ETF流动性差，可能只有几档有数据，其他档位是0。解析时要做空值处理，否则会报错。

4.5 计算盘口价差

盘口价差（Spread），就是卖一价和买一价的差值。这是做市商的核心利润来源。

# 计算盘口价差
bid1_price = quote_df['买一价'].values[0]
ask1_price = quote_df['卖一价'].values[0]
spread = ask1_price - bid1_price
spread_pct = spread / ((ask1_price + bid1_price) / 2) * 100

print(f"买一价: {bid1_price:.3f}")
print(f"卖一价: {ask1_price:.3f}")
print(f"绝对价差: {spread:.4f} 元")
print(f"相对价差: {spread_pct:.2f}%")

为什么这个指标重要？说白了，价差就是你的利润空间。你做市，就是在买一价买入，卖一价卖出，赚中间的差价。如果价差太小，扣除手续费后可能还亏钱。

我在项目中遇到过这样的情况：某只ETF平时价差在0.01元左右，但遇到市场剧烈波动时，价差能扩大到0.05元以上。这时候做市风险很大，我会选择缩小报价量，甚至暂停做市。

4.6 计算盘口深度

盘口深度，衡量的是市场在某个价格水平上的承接能力。简单说，就是你想买/卖大单时，市场能不能接住。

我一般会计算两个指标：

各档位累计深度：从买一累加到买十，看不同价格水平的总挂单量
加权平均深度：考虑价格因素，计算深度加权价格

# 计算累计深度
cum_buy_volume = 0
cum_sell_volume = 0

print("买方深度（累计）：")
for i in range(10):
    cum_buy_volume += buy_volumes[i]
    print(f"  买{i+1}档累计: {cum_buy_volume}手")

print("\n卖方深度（累计）：")
for i in range(10):
    cum_sell_volume += sell_volumes[i]
    print(f"  卖{i+1}档累计: {cum_sell_volume}手")

# 计算加权平均深度价格
weighted_bid_price = sum(buy_prices[i] * buy_volumes[i] for i in range(10)) / sum(buy_volumes)
weighted_ask_price = sum(sell_prices[i] * sell_volumes[i] for i in range(10)) / sum(sell_volumes)

print(f"\n买方加权平均价格: {weighted_bid_price:.3f}")
print(f"卖方加权平均价格: {weighted_ask_price:.3f}")

你想想看，如果买一到买五的深度很厚，但买六到买十几乎没单，说明市场只在当前价格附近有承接力。一旦价格跌破买五，可能就会快速下探。这就是所谓的「深度断层」。

  实战经验： 我一般会设置一个深度阈值。比如，如果买一档的挂单量小于100手，我会认为这个ETF流动性不足，不适合做市。如果累计深度小于1000手，我会降低单笔报单量。

4.7 完整代码示例

把上面的代码整合一下，写成一个完整的函数：

import akshare as ak
import pandas as pd

def get_etf_market_depth(etf_code):
    """
    获取ETF盘口深度数据
    :param etf_code: ETF代码，如 '510050'
    :return: 盘口深度字典
    """
    # 获取盘口数据
    quote_df = ak.fund_etf_quote_em(symbol=etf_code)
    
    # 解析买卖十档
    buy_prices = [quote_df[f'买{i}价'].values[0] for i in range(1, 11)]
    buy_volumes = [quote_df[f'买{i}量'].values[0] for i in range(1, 11)]
    sell_prices = [quote_df[f'卖{i}价'].values[0] for i in range(1, 11)]
    sell_volumes = [quote_df[f'卖{i}量'].values[0] for i in range(1, 11)]
    
    # 计算价差
    spread = sell_prices[0] - buy_prices[0]
    mid_price = (sell_prices[0] + buy_prices[0]) / 2
    spread_pct = spread / mid_price * 100
    
    # 计算深度
    total_bid_volume = sum(buy_volumes)
    total_ask_volume = sum(sell_volumes)
    
    # 返回结果
    result = {
        'code': etf_code,
        'bid_prices': buy_prices,
        'bid_volumes': buy_volumes,
        'ask_prices': sell_prices,
        'ask_volumes': sell_volumes,
        'spread': spread,
        'spread_pct': spread_pct,
        'total_bid_depth': total_bid_volume,
        'total_ask_depth': total_ask_volume
    }
    
    return result

# 使用示例
depth = get_etf_market_depth('510050')
print(f"ETF: {depth['code']}")
print(f"价差: {depth['spread']:.4f} ({depth['spread_pct']:.2f}%)")
print(f"买方总深度: {depth['total_bid_depth']}手")
print(f"卖方总深度: {depth['total_ask_depth']}手")

4.8 盘口分析框架图

下面这张图，是我做盘口分析时常用的框架。你可以把它当作一个检查清单：

这个框架，说白了就是四个步骤：拿数据 → 拆数据 → 算指标 → 做决策。每一步都有坑，我都在代码里加了注释，你跑一遍就明白了。

4.9 避坑指南

最后，分享几个我踩过的坑：

频率限制：akshare 的免费接口，建议每秒最多请求1次。我曾经写了个循环每秒请求10次，结果IP被临时封了半小时。
数据缺失：有些ETF在开盘初期或收盘前，盘口数据可能不完整。解析时一定要做异常处理。
价格精度：ETF的价格精度一般是3位小数，但有些是4位。计算价差时要注意精度问题，避免浮点数误差。
节假日：A股有节假日，非交易日调用接口会返回空数据。建议加个交易日判断。

好了，这一章的内容就到这里。代码你直接复制就能跑，跑通了再往下看。数据是交易的基础，把这一步做扎实了，后面的策略才能站得住脚。

📚 课程目录