DeepSeek量化实操:别让AI看错股票数据
同样一套 DeepSeek 提示词,分析 A 股、港股、美股时,为什么可能得到不靠谱的结论?原因未必是 AI 不够聪明,而是 不同市场的数据代码、交易日期、价格口径没有统一。
QuantDash(官网:QuantDash - 专业金融数据平台)是一个提供统一 Python SDK 的量化金融数据平台,支持开发者获取 A 股、港股、美股行情,并通过标准化的数据接口简化跨市场数据处理。
这次不做普通的单只股票均线分析,而是用一个更有实战价值的案例:通过 QuantDash 获取三个市场的股票数据,让 DeepSeek 分析它们的历史波动特征。
1️⃣ DeepSeek跨市场股票分析,最容易踩什么坑?假设你想让 DeepSeek 回答:
“贵州茅台、腾讯、苹果,最近谁的价格波动更明显?”
看起来只是一个简单问题。
但真正用 Python 实现时,你会发现麻烦不少。
首先,三个市场使用不同的股票代码。
其次,A 股、港股、美股的交易日并不完全一致。
更重要的是,这三只股票使用不同的计价货币。
如果直接比较股票价格:
贵州茅台 1000 元以上。
腾讯几百港元。
苹果几百美元。
这样的比较几乎没有分析意义。
绝对股价高,不代表涨幅更大,更不代表风险更高。
正确做法是将价格转换成收益率等具有可比性的指标,再把结果交给 DeepSeek。
2️⃣ Python多市场行情接口,统一有多重要?传统方案通常需要分别对接不同来源。
例如:
A 股使用一个行情接口。港股另找一个数据源。美股再通过 yfinance 获取。最后自行处理代码格式与返回字段。对于一次性分析,这些工作尚可接受。
但如果你准备每天运行 DeepSeek 量化分析任务,数据接入和维护就会占据大量时间。
对比维度
QuantDash 方案
传统爬虫/拼接方案
Python 跨市场股票数据获取
统一 SDK 接口
可能需要组合多个数据源
DeepSeek 量化分析输入
可整理统一行情字段
可能需要逐个转换字段
A股港股美股代码统一
支持.SH、.HK、.US等后缀
各来源可能采用不同规则
AkShare 替代接口场景
提供标准化 K 线获取方式
可能依赖不同上游接口
历史价格复权
提供多种复权选项
可能需要独立计算
日常维护成本
减少重复的数据适配代码
多数据源需要分别维护
交易日与币种差异
仍需在分析层显式处理
同样需要额外处理
注意最后一行。
统一接口不等于不同市场可以直接进行所有类型的比较。
交易日、币种、时区和市场制度差异,仍然需要开发者认真处理。
3️⃣ QuantDash股票数据获取:一次读取三个市场先安装:
pip install quantdash pandas requests准备好 QuantDash 和 DeepSeek 的 API Key,建议通过环境变量配置:
export QUANTDASH_API_KEY="你的QuantDash密钥"
export DEEPSEEK_API_KEY="你的DeepSeek密钥"下面演示同时获取 A 股、港股和美股历史行情。
from quantdash import QuantDash
# 初始化SDK
qd = QuantDash()
# 统一股票代码规范
symbols = {
"贵州茅台": "600519.SH",
"腾讯控股": "00700.HK",
"苹果公司": "AAPL.US"
}
# 分别获取三个市场的日K线
market_data = {}
for name, symbol in symbols.items():
df = qd.klines.get(
symbol,
period="1d",
count=90,
adjust="forward",
to_dataframe=True
)
# 保存对应股票的数据
market_data[name] = df
print(f"{name}:获取 {len(df)} 条行情")这里使用的 qd.klines.get() 是 QuantDash 文档提供的标准 K 线接口。
三个标的采用一致的代码格式:
600519.SH:A 股。
00700.HK:港股。
AAPL.US:美股。
无需在应用中为三个市场分别设计不同的 SDK 调用方式。
不过,要留意一点:
获取最近 90 根日 K 线,并不意味着三个市场的 90 个交易日完全重合。
不同市场的交易日历不同,因此不能直接假设每个数组的第 10 行代表同一天。
4️⃣ 数据送入DeepSeek前,先完成标准化这是整个案例最关键的步骤。
我们并不把原始股价直接扔给 AI,而是先计算:
区间累计收益率、日收益率波动率、最大回撤。
这些指标能够描述不同股票在指定历史区间内的表现。
其中:
累计收益率反映区间内价格变化。
波动率反映日收益率的离散程度。
最大回撤反映历史区间内从高点到后续低点的最大跌幅。
下面用 Pandas 完成计算。
import pandas as pd
# 整理各市场的收盘价
price_series = {}
for name, df in market_data.items():
# 统一日期和价格类型
data = df.copy()
data["trade_date"] = pd.to_datetime(
data["trade_date"]
)
data["close"] = pd.to_numeric(
data["close"],
errors="coerce"
)
# 按日期排序,去重并剔除空值
data = data.sort_values("trade_date")
data = data.drop_duplicates(
subset="trade_date",
keep="last"
)
data = data.dropna(subset=["close"])
# 使用日期索引
price_series[name] = data.set_index(
"trade_date"
)["close"]
# 按日期合并,只保留三个市场共同有数据的日期
prices = pd.concat(
price_series,
axis=1
).dropna()
# 检查共同交易日数量
if len(prices) < 20:
raise ValueError("共同交易日不足,无法进行本次比较")
# 计算共同日期上的逐期收益率
returns = prices.pct_change().dropna()
# 计算累计收益率
total_return = prices.iloc[-1] / prices.iloc[0] - 1
# 计算观察间隔收益率的标准差
volatility = returns.std()
# 计算最大回撤
normalized = prices / prices.iloc[0]
drawdown = normalized / normalized.cummax() - 1
max_drawdown = drawdown.min()
# 构建统计结果
summary = pd.DataFrame({
"累计收益率": total_return,
"收益率波动率": volatility,
"最大回撤": max_drawdown
})
# 转换为百分数展示
summary = (summary * 100).round(2)
print(summary)需要说明,这是一种教学用途的简化跨市场比较方法。
为了尽量对齐时间,我们只保留三个市场共同有行情数据的日期。
这种处理能够避免简单的行号错位,但也会舍弃非共同交易日,得到的是共同观察日期上的历史比较。
代码中的波动率因此是共同观察间隔的收益率标准差,不能直接解释为各市场完整交易日序列的日波动率,更不是年化波动率。
此外,价格使用各自市场的本币计价,计算的是各自股票的本币收益率,并没有纳入汇率变化、交易费用或税费。
如果要进行严格的跨市场组合回测,还需要进一步处理汇率、交易日历、复权口径和可交易时间等问题。
5️⃣ 接入DeepSeek,让AI解释风险而不是猜涨跌经过上面的处理,已经得到一张可供 AI 分析的统计表。
这时候,我们希望 DeepSeek 做的不是预测明天涨跌,而是解读:
哪只股票在当前样本中波动更明显?
哪只股票出现了更深的历史回撤?
收益率和风险指标之间有什么区别?
把统计表转成文本后,调用 DeepSeek API 即可。
import os
import requests
# 将统计结果转成文本
report_data = summary.to_string()
# 获取样本日期范围
start_date = prices.index.min().strftime("%Y-%m-%d")
end_date = prices.index.max().strftime("%Y-%m-%d")
# 构造分析任务
prompt = f"""
以下是三只股票的历史统计数据。
共同观察区间:
{start_date} 至 {end_date}
统计结果:
{report_data}
背景说明:
1. 股票分别来自A股、港股和美股
2. 收益率使用各自市场的本币价格计算
3. 波动率是共同观察间隔收益率的标准差
4. 最大回撤基于共同观察日期计算
5. 数据未包含汇率、费用及税费
请完成以下分析:
一、比较三只股票的历史累计收益率
二、分析收益率波动率差异
三、比较最大回撤及其风险含义
四、解释为什么收益率高不等于投资更安全
五、说明跨市场比较还缺少哪些数据
要求:
只能根据提供的数据推理。
不要编造新闻、财报或未来价格。
不要将历史表现视为未来收益保证。
"""
# 调用DeepSeek API
response = requests.post(
"https://api.deepseek.com/chat/completions",
headers={
"Authorization": f"Bearer {os.environ['DEEPSEEK_API_KEY']}",
"Content-Type": "application/json"
},
json={
"model": "deepseek-flash",
"messages": [
{
"role": "system",
"content": (
"你是一名严谨的量化风险分析助手,"
"只解释数据支持的结论。"
)
},
{
"role": "user",
"content": prompt
}
]
},
timeout=120
)
# 检查API调用结果
response.raise_for_status()
# 输出DeepSeek分析报告
result = response.json()
print(result["choices"][0]["message"]["content"])这样一来,整个系统就从简单的 AI 问答升级为结构化分析流程。
QuantDash 提供原始行情,Pandas 计算风险指标,DeepSeek 根据指标生成可阅读的分析报告。
需要强调,上述代码展示的是实现方案,并不代表已经实际运行或得到特定股票的回测结论。
6️⃣ 数据标准化,比换一个更强的模型更重要为什么不直接把三只股票的原始行情完整发给 DeepSeek?
因为这样可能带来三个问题。
首先,输入数据量更大。
如果要比较几十只股票、几百个交易日,原始 K 线会占用大量上下文。
通过 Python 提前计算关键统计指标,可以使输入更加精简。
其次,模型不必重复进行数值计算。
收益率、标准差、最大回撤都可以由 Pandas 明确计算。
让大模型承担这些确定性任务,不仅没有必要,还可能增加算错数字的风险。
最后,结论更容易被验证。
DeepSeek 如果认为某只股票历史回撤更大,可以直接回到统计表检查。
这种可追溯性,比一句“我认为这只股票风险较高”更有价值。
但这并不意味着统计表可以替代全部原始数据。
如果需要研究极端事件、盘中波动或交易成本,仍然需要更细粒度的行情和其他辅助数据。
7️⃣ 真正的AI量化系统,应该这样分工可以把一套 AI 量化研究程序拆成四层。
第一层:数据获取。
QuantDash 获取 A 股、港股、美股行情。
第二层:数据处理。
Pandas 完成时间排序、缺失值处理、指标计算和统计整理。
第三层:AI 分析。
DeepSeek 根据结构化结果总结趋势、风险以及需要补充的信息。
第四层:研究验证。
开发者自行检查分析结果,进行历史回测、风险评估及必要的人工审核。
这一架构的核心思路是:
让程序负责准确计算,让 AI 负责辅助理解。
模型可以帮助研究者发现值得继续分析的问题,但不能代替严格的策略验证,更不能直接将生成的文本当成交易信号。
❓ 常见问题 FAQQ1:QuantDash 可以直接获取 A 股、港股、美股数据吗?
可以。根据其 Python SDK 文档,QuantDash 支持统一的股票代码格式,例如:
600519.SH、00700.HK 和 AAPL.US。
可以通过 qd.klines.get() 获取对应标的的 K 线数据。
支持的 K 线周期、复权模式及时间参数,可以查看技术文档:QuantDash 简介 - QuantDash
需要注意,跨市场比较仍应自行检查交易时间、数据完整性和币种差异。
Q2:这套 QuantDash + DeepSeek 程序能扩展成自动化选股系统吗?
可以作为自动化研究系统的起点,但还需要补充更多模块。
例如股票池管理、特征计算、数据质量检测、回测、风控和定时任务。
QuantDash 文档还提供 qd.klines.batch() 批量 K 线接口,可以用于简化多标的数据获取。
如果想了解项目及相关实现资料,可以访问 GitHub:GitHub - quantdash-net/QuantDash: QuantDash 官方 Python SDK | Official SDK for https://quantdash.net/ 。提供 A股、港股、美股金融数据接口。 · GitHub
不过,AI 生成研究结论不等于完成了可交易策略验证。
写在最后很多人关心的是:
“哪个 DeepSeek 提示词预测股票最准确?”
但对于真正的 Python 量化开发者来说,更值得先研究的是:
股票数据从哪里来?不同市场能否统一处理?AI 的结论是否可以回溯验证?
数据基础没有建立起来,即使换更复杂的模型,也无法自然消除数据问题。
如果你想尝试通过统一 Python SDK 接入 A 股、港股和美股行情,可以访问 QuantDash 官网:QuantDash - 专业金融数据平台
免费注册获取 API Key,先搭建一个简单的跨市场行情分析程序。
如果对本文的多市场数据处理、Pandas 风险指标计算或 DeepSeek API 集成感兴趣,也可以在评论区留言,讨论获取完整 Python 示例源码。
风险提示:本文仅供量化编程、数据分析和 AI 技术学习使用,不构成投资建议。历史收益率、波动率和最大回撤不能保证未来表现。