qmt编程之获取商品市场指数数据
qmt更加详细的教程方法，会持续慢慢梳理。
也可找寻博主的历史文章，搜索关键词查看解决方案 ！
感谢关注，咨询免费开通量化回测与获取实盘权限，欢迎和博主联系！
获取迅投商品市场指数行情数据
提示
1.获取迅投商品市场指数行情数据，如要获取历史数据需要进行下载download_history_data,再根据函数get_market_data_ex获取
2. VIP权限数据
调用方法
python
# coding=utf-8
from xtquant import xtdata
# 下载合约
xtdata.download_history_data(stock_code,period = "1d")
# 获取迅投商品市场指数行情数据
xtdata.get_market_data_ex([],[stock_code],period='1d')
参数
| 字段 | 类型 | 说明 |
|---|---|---|
stock_code | str | 合约列表 |
返回值
- period为
1m5m1dK线周期时- 返回dict { field1 : value1, field2 : value2, ... }
- value1, value2, ... ：pd.DataFrame 数据集，index为stock_list，columns为time_list
- 各字段对应的DataFrame维度相同、索引相同
- period为
tick分笔周期时- 返回dict { stock1 : value1, stock2 : value2, ... }
- stock1, stock2, ... ：合约代码
- value1, value2, ... ：np.ndarray 数据集，按数据时间戳
time增序排列
示例
# coding=utf-8
from xtquant import xtdata
xtdata.download_history_data('290000.BKZS',period = "1d")
# 获取迅投商品市场指数行情数据
xtdata.get_market_data_ex([],['290000.BKZS'],period='1d')返回值
{'290000.BKZS': time open high low close volume \
19960102 820512000000 138.55 138.55 138.55 138.55 0
19960103 820598400000 137.86 137.86 137.86 137.86 0
19960104 820684800000 137.86 137.86 137.86 137.86 0
19960105 820771200000 137.90 137.90 137.90 137.90 0
19960108 821030400000 137.82 137.82 137.82 137.82 0
... ... ... ... ... ... ...
20231017 1697472000000 240.20 240.23 238.14 238.40 23597871
20231018 1697558400000 238.39 239.81 237.67 237.89 24646472
20231019 1697644800000 238.02 239.21 237.31 238.64 24785048
20231020 1697731200000 238.60 239.34 236.77 237.10 25381186
20231023 1697990400000 237.18 237.45 234.96 235.61 27538299
amount settelementPrice openInterest preClose suspendFlag
19960102 0.000000e+00 0.0 0 138.69 0
19960103 0.000000e+00 0.0 0 138.55 0
19960104 0.000000e+00 0.0 0 137.86 0
19960105 0.000000e+00 0.0 0 137.86 0
19960108 0.000000e+00 0.0 0 137.90 0
... ... ... ... ... ...
20231017 1.400718e+12 0.0 13 239.99 0
20231018 1.499089e+12 0.0 13 238.40 0
20231019 1.449394e+12 0.0 13 237.89 0
20231020 1.513323e+12 0.0 13 238.64 0
20231023 1.549690e+12 0.0 13 237.10 0
[6742 rows x 11 columns]}
