300+ 维预计算因子宽表正式上线 · ML-Ready 开箱即训

专为 AI 量化研究打造的
A 股 Parquet 离线数据云

告别传统 API 的高延迟与频发限流。全量数据存于对象存储、经 CDN 高速分发，下载不限速、不限频。 K 线 / Tick / 财务 / 因子切片秒级落盘本地，结合 Python SDK 内置的 DuckDB 本地数据仓库引擎，实现“下载即数据库，本地零流量毫秒级回测”。

快速体验 Python SDK 下载桌面客户端

AI Agent 接入复制指令发给 AI Agent，即可自动下载并导入 QuantDB 量化数据技能

300+ 维

预计算训练因子宽表

100%

公告日防前视 (PiT)

零流量

DuckDB 本地极速 SQL

秒级

盘后智能增量同步

QuantDB 桌面客户端 · 数据集增量同步与全量管理

v1.8.3 Client

CORE ADVANTAGES

重新定义量化投研的数据吞吐效率

为 AI / 机器学习量化团队量身定制，解决数据获取慢、手工算因子累、API 限流频发等核心痛点。

300+ 维因子宽表 · 开箱即训

按 (symbol, date) 严格对齐，融合量价动量、波动率及严格公告日财务三表 (PiT)，开箱直喂 LightGBM / XGBoost / PyTorch。

严格防前视 (PiT) 全量前复权动量 / 波动率 / 资金流

查阅 300+ 维因子字典

对象存储直连 · 增量同步

全量数据经 CDN 边缘多线程并发加速，下载不限速、不限频。全 A 股十年日线约 3 分钟拉齐，盘后仅需增量补丁秒级同步。

边缘并发直连盘后秒级增量断点自动续传

了解数据分发架构

DuckDB 本地仓库 · 极速 SQL

无需繁琐的服务端配置，直接对本地 Parquet 进行极速向量化查询与毫秒级跨表 JOIN，回测运算零网络流量延迟。

零网络流量延迟单机多核向量化毫秒级跨表 JOIN

查看 DuckDB 查询示例

Python SDK 与桌面客户端双端协同

兼顾 Python 脚本/Jupyter 代码自动化调用，与桌面 GUI 的可视化数据预览、离线下载管理与批量导出。

Python SDK 0.4.4 桌面 GUI 客户端断点续传与自愈

前往桌面端下载中心

DEVELOPER QUICKSTART

极简优雅的开发者体验

仅需几行代码，即可将全市场标准化数据与因子矩阵直接注入回测与研究流程。

查看完整文档 ↗

from quantdb import Client

# 初始化客户端 (支持环境变量 QUANTDB_TOKEN 自动认证)
client = Client(token="YOUR_API_TOKEN")

# 一键获取 300+ 维预计算因子宽表 (自动按 (symbol, trade_date) 对齐)
df = client.get_factor_matrix(
    symbols=["600519.SH", "300750.SZ", "688981.SH"],
    start_date="2023-01-03",
    end_date="2025-12-31"
)

# 直接喂给 LightGBM / XGBoost / PyTorch 进行模型训练
print(f"数据维度: {df.shape} | 因子列数: {len(df.columns)}")
print(df[["close", "mom_ret_20d", "vol_atr_14", "style_ep"]].head())

import duckdb

# 本地零网络流量，直接对 Parquet 目录进行高性能向量化 SQL 分析
con = duckdb.connect()

query = """
SELECT 
    symbol, 
    trade_date, 
    close, 
    mom_ret_20d, 
    style_ep
FROM 'data/factors/*.parquet'
WHERE trade_date >= '2026-01-01' 
  AND mom_ret_20d > 0.15
ORDER BY mom_ret_20d DESC
LIMIT 10;
"""

result_df = con.sql(query).df()
print(result_df)

PERFORMANCE COMPARISON

QuantDB 离线数据云 vs 传统量化 API

告别传统 API 的漫长等待、频繁限流与手工清洗。为现代 AI 量化投研重新定义数据吞吐底座。

传统数据开发模式

传统量化 HTTP API

单次请求行数受限，频繁触发风控限流，研究员需耗费大量时间处理数据清洗与基础设施运维。

逐股串行轮询

单次仅返回数百行，拉取全市场耗时长，极易遭遇频率限流与 IP 封禁。

因子需手工清洗

仅提供原始量价，需自行对齐时间戳、填充缺失值并编写数百维特征公式。

极易发生未来函数

财务数据未严格防前视，需手动处理披露时间与报告期映射，回测失真。

回测受制于网络延迟

每次策略迭代受限网络 I/O，或需自行搭建高开销的本地数据库服务。

增量维护成本高

需自行编写调度脚本记录断点游标，处理网络波动丢包与复杂补丁。

下一代量化数据基建

QuantDB 离线数据云

对象存储高速分发，300+ 维预计算因子宽表直接提供，集成 DuckDB 本地零流量秒级回测。

CDN 边缘多线程直连

全市场按日/全量切片高速直取，全量下载不限速、不限频，秒级落盘。

300+ 维预计算因子宽表

全市场多层因子矩阵已对齐标准化，直接喂给机器学习模型开箱即训。

严格 Point-in-Time 防前视

财务三表一律按实际公告日 (m_anntime) 严格对齐，从源头杜绝未来函数。

DuckDB 本地极速 SQL 仓库

单机多核并行向量化查询，零网络流量延迟，百倍加速量化回测周转率。

自动 Release 游标比对

盘后一键增量同步新增分区与补丁包，秒级完成，极省流量与时间。

ECOSYSTEM INTEGRATION

数据到位，直接训练：QuantMind 平台

QuantDB 原生驱动的下一代全流程 AI 量化投研终端。无需手工清洗原始数据，直接基于 300+ 维预计算因子进行 13 种主流机器学习模型训练、自动化因子挖掘与实盘交易。

13 种机器学习模型 Optuna 自动超参寻优 LLM 因子自动挖掘交易信号推送执行端

前往 GitHub 了解 QuantMind ↗ 查看 QuantDB 全套文档

从数据到实盘全闭环

QuantDB 按日切片秒级同步 300+ 维因子宽表

Qlib / GPU 13 种模型并行训练与 Optuna 自动调优

RD-Agent 自动阅读文献、演进生成 Alpha 因子

信号推送 截面打分推送到主流量化交易终端执行

专为 AI 量化研究打造的 A 股 Parquet 离线数据云