数据字典

QuantDB 涵盖 A 股量化研究所需的全部数据字段。以下按分类说明每个字段的含义、类型、单位和典型用法。

股票代码格式

QuantDB 统一使用 {6位数字}.{市场后缀} 格式：

复权类型说明

单位说明（后端已做全量归一化）

1. 行情 K 线数据

日线数据包含三种复权类型（前复权、后复权、不复权），以及 1 分钟/5 分钟分时数据。

1.1 日线字段（daily_unadjusted / daily_forward / daily_backward）

用法示例

# 查询前复权日线
df = client.query_kline("600519.SH", adj_type="forward",
    start_date="2026-01-01", end_date="2026-07-22")

# 计算 20 日均线
df["ma20"] = df["close"].rolling(20).mean()

# 计算日收益率
df["return"] = df["close"].pct_change()

# 筛选涨停股（涨幅 >= 9.9%）
limit_up = df[df["close"] / df["close"].shift(1) - 1 >= 0.099]

1.2 分钟线字段（min1_kline / min5_kline）

分钟线字段与日线相同，但 trade_date 列包含具体时间（HH:MM:SS）。仅提供不复权数据，复权需自行用除权因子合成。后端已做单位归一化：volume 为股，amount 为万元。

1.3 指数日线字段（index_daily）

指数行情数据，字段与个股日线类似。

2. Tick 分笔数据

逐笔成交明细，含五档买卖盘。文件名格式：{SYMBOL}_{YYYYMMDD}.parquet

用法示例

# 查询某日 Tick 数据
df = client.query_tick("000001.SZ", trade_date="2026-07-20")

# 计算买卖价差
df["spread"] = df["ask_price"].apply(lambda x: x[0]) - df["bid_price"].apply(lambda x: x[0])

# 计算大单（单笔成交 > 100 万元）
df["big_order"] = df["amount"].diff() > 1000000

3. 基础与板块数据

3.1 合约基础资料（instrument_detail）

3.2 板块成分（sector_concept）

3.3 指数成分权重（index_weights）

3.4 交易日历（trading_calendar）

3.5 融资融券（margin_trading）

4. 财务数据

财务数据来自 QMT，字段全部使用业务名（如 revenue, net_profit），无需对照表。

4.1 资产负债表（balance）

4.2 利润表（income）

4.3 现金流量表（cashflow）

4.4 股本表（capital）

4.5 每股指标（pershare_index）

4.6 除权复权因子（dividend_factors）

用法示例

# 读取财务数据
df = client.load_as_df("3", "balance", symbol="600519.SH")

# 计算资产负债率
df["debt_ratio"] = df["tot_liab"] / df["tot_assets"]

# 筛选高 ROE 股票
roe_df = client.load_as_df("3", "pershare_index", symbol="600519.SH")
high_roe = roe_df[roe_df["du_return_on_equity"] > 0.15]  # ROE > 15%

5. ETF / 可转债

5.1 ETF 申赎清单（etf_pcf）

5.2 ETF 成分股（etf_components）

5.3 可转债（convertible_bond）

6. 技术衍生指标

6.1 技术指标（technical_indicators）

基于前复权日线计算的技术指标，每只股票一个文件。指标口径对齐通达信： RSI/KDJ/MACD 平滑用 ewm(adjust=False)（种子=首值），MACD 柱 = 2×(DIF-DEA)； 前 ~2-3×period 根为 warmup 期（指标为 NaN 或不稳定），下游使用建议丢弃。

用法示例

# 读取技术指标
df = client.load_as_df("5", "technical_indicators", symbol="600519.SH")

# 金叉策略：MA5 上穿 MA20
df["golden_cross"] = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))

# RSI 超卖策略
oversold = df[df["rsi_14"] < 30]

# MACD 金叉
df["macd_golden"] = (df["macd_dif"] > df["macd_dea"]) & (df["macd_dif"].shift(1) <= df["macd_dea"].shift(1))

6.2 盘口情绪（market_sentiment）

7. 估值指标

基于财务数据和行情数据预计算的估值指标，日线粒度。

用法示例

# 读取估值数据
df = client.load_as_df("5", "valuation", symbol="600519.SH")

# 筛选低估值股票
low_pe = df[df["pe_ttm"] < 20]

# 计算估值分位数
df["pe_percentile"] = df["pe_ttm"].rolling(252).apply(lambda x: x.rank(pct=True).iloc[-1])

# 高股息策略
high_dividend = df[df["dividend_rate"] > 0.03]  # 股息率 > 3%

8. 365 维模型训练数据集

专为 AI / ML 量化研究打造的模型训练宽表，按 (symbol, date) 索引对齐，包含 Features Daily 日线因子宽表 50 维、L1 日频 100 维因子与 L2 高频 215 维因子，合计 365 维特征。数据以 V2 按日分区存储，支持 layout="v2" 高效范围查询。

8.1 Features Daily 日线因子宽表（features_daily）

基于日线 OHLCV + 资本结构 + TTM 财务衍生的日线基础因子宽表，覆盖全 A 股（约 5200 只），逐股存储，共 50 维。该宽表是 L1 因子工程的底层输入，亦可直接用于轻量模型训练与快速特征工程。所有收益列均为过去收益（已从未来收益改为过去 N 日累计收益，杜绝前视）；与 L1 宽表重叠的 3 列（vol_std_5/20、vol_atr_14）已删除让位 L1。

8.2 L1 日频因子（l1_factors）

基于后复权 OHLCV + 财务 + 行业/概念计算的日频因子，覆盖 2016-01-04 至今全 A 股（约 5200 只），共 2565 个交易日分区，100 维。

8.3 L2 高频因子（l2_factors）

从 7z 逐笔/快照按日日频化聚合的高频因子，覆盖 2026-01-05 ~ 2026-02-27 共 34 个交易日，约 5169 只股票，215 维。

8.4 合并训练宽表（l1_l2_factors）

Features Daily + L1 + L2 按 (symbol, date) inner join 合并，产出 175,217 行 × 365 因子的训练宽表 train_factors_2026q1.parquet，可直接供 LightGBM / XGBoost 使用。三路数据均从 V2 按日分区读取，统一 symbol 标准格式对齐。

用法示例

# 快速拉取 365 维训练宽表 Parquet 切片
df_factors = client.load_as_df(category_id="6", sub_category="l1_l2_factors", symbol="train_factors_2026q1")

# 提取特征矩阵与目标标签（直接供 LightGBM 使用）
feature_cols = [c for c in df_factors.columns if c not in ["wind_code", "date", "target_5d"]]
X = df_factors[feature_cols]
y = df_factors["target_5d"]

import lightgbm as lgb
train_data = lgb.Dataset(X, label=y)
model = lgb.train({}, train_data, num_boost_round=100)

# V2 按日范围查询 L1 因子（高效，只下载所需日期分区）
df_l1 = client.query_kline("600519.SH",
    category_id="6", sub_category="l1_factors",
    start_date="2026-01-01", end_date="2026-03-31",
    layout="v2")