行情数据质量，你真的想清楚了吗？量化小白如何选数据源，如何验证？
TickDB Research ·
很多刚接触量化的朋友，面对的第一道坎不是策略怎么写，而是：数据从哪儿来？哪家数据源靠谱？
于是去搜了一圈，发现免费的有 Yahoo Finance、Alpha Vantage，付费的有各种商业服务，眼花缭乱。随便选一个开始跑回测，夏普比率漂亮得惊人，结果实盘一上线，策略直接拉胯。为什么？因为数据本身就有问题，你没发现而已。
那到底怎么选数据源？选完了怎么验证数据质量？今天咱们就聊这个。不讲虚的，就讲三个最核心的维度：准确性、实时性、完整性。然后告诉你量化小白该怎么选、怎么验。最后对比几家数据源，看看谁更靠谱。
一、三个核心维度，说白了就是这三件事
1.1 准确性：你拿到的价格，真的是那个价吗？
定义很简单：数据跟交易所原始记录是不是一致的。
但实际中，偏差到处都是：
- 价格偏差：有的源会把盘后交易的价格，硬塞到正常交易时段里。你明明要的是收盘价，结果拿到的是盘后搓出来的价格。
- 成交量偏差：大宗交易的统计口径不一样，A 源算进去了，B 源没算，导致同一个股票同一天的成交量能差出一大截。
- 拆股没复权：历史价格没做调整，回测直接废掉。
怎么验证
找两个独立的数据源，拉同一只股票同一时刻的价格，算差值。超过 1%，就得怀疑其中一个是准的。
def price_accuracy_check(price_a, price_b, symbol, timestamp):
diff = abs(price_a - price_b) / price_a
if diff > 0.01:
print(f"警告：{symbol} 在 {timestamp} 的价格差异 {diff:.2%}")
为啥重要
均值回归策略依赖精确价格来判断是否回归，差 0.5% 就可能开错仓。小白最容易踩的坑就是回测数据没复权，跑出来的收益率全是假的。
1.2 实时性：数据到你手里，花了多久？
定义：从交易所产生数据，到你的系统收到数据的时间差。
有些免费数据源宣传“实时”，实际上是 15 分钟延迟。你知道 15 分钟在交易里意味着什么吗？足够市场完成一轮完整的波动，而你还在看旧数据。
怎么验证
如果数据里有交易所时间戳（精确到毫秒），用你本地收到的时间减去它，就是端到端延迟。
def measure_latency(exchange_ts, local_ts):
latency = local_ts - exchange_ts
print(f"延迟：{latency:.2f} ms")
为啥重要
如果你是做日内策略，延迟就是钱。100ms 的延迟，你的订单可能在最优价格被抢走后才到。小白刚开始可能不在意，但等你真的想实盘了，这个坑迟早要填。
1.3 完整性：数据有没有断档、缺字段？
定义：数据在时间和字段上有没有缺失。
常见坑：
- 时间缺失：某个交易日没数据，或者某几分钟是空的。
- 字段缺失：给了价格，没给成交量；或者缺了开盘价、最高价这种关键字段。
- 数据间断：WebSocket 断了，重连后之前的数据没补回来。
怎么验证
生成预期的时间序列（比如交易日 9:30-16:00 每分钟一条），对比实际数据，算缺失率。
def completeness_check(actual_index, expected_index):
missing = expected_index.difference(actual_index)
print(f"缺失率：{len(missing) / len(expected_index):.2%}")
为啥重要
一个 5 分钟 K 线策略，如果缺了一根 K 线，后面的均线计算全漂了。更可怕的是，缺失往往悄无声息，等你的策略在实盘里表现异常才发现，损失已经造成了。
二、量化小白怎么选？分三步走
第一步：先搞清楚你要做什么
| 你的阶段 | 数据需求 | 建议 |
|---|---|---|
| 学习策略、跑回测 | 历史数据完整就行，实时性不关键 | 免费源够用，但要接受质量波动 |
| 做监控面板、小工具 | 需要实时推送，但可以容忍少量延迟 | 可以考虑有免费额度的商业源 |
| 实盘交易 | 准确性、实时性、完整性都不能妥协 | 别省这个钱，直接上商业数据源 |
第二步：选数据源时看这三点
- 准确性：有没有数据清洗能力？价格会不会乱填？
- 实时性：延迟多少？有没有 15 分钟延迟这种坑？
- 完整性：有没有消息序号？断线了能不能自动补齐？
第三步：拿到数据后先验证
别上来就写策略，先用第一节里的代码验一遍：
- 准确性：交叉对比两个源，看差异有多大
- 实时性：测端到端延迟
- 完整性：算缺失率
三、几款数据源对比，谁更靠谱？
下面从准确性、实时性、完整性三个维度，看三家代表性数据源的表现。
| 数据源 | 准确性 | 实时性 | 完整性 | 典型特点 | 适合小白吗 |
|---|---|---|---|---|---|
| Finnhub | 美股还行，加密货币有点飘 | WebSocket 实时（免费版有限流） | 历史数据只给 1 年，没有消息序号 | 覆盖多资产，免费额度还算友好 | 学习阶段可以，实盘不够用 |
| TickDB | 高（全球多市场统一清洗、对齐） | 实时推送 | 支持消息序号、断点续传，能自动补齐 | 6 大市场 27,700+ 品种：美股 12,708 只、港股 12,408 只、A股 2,881 只、加密货币 875 种、指数 1,207 个、外汇 62 种；统一 REST+WebSocket 接口，内置数据清洗，对 AI 应用特别友好（有 skill 能力） | 从学习到实盘都可以，一套接口打通 |
| Polygon.io | 高（美股公认准） | 付费版实时，免费版延迟 15 分钟 | 支持逐笔成交，历史数据全 | 专注美股，API 设计现代，文档写得不错 | 做美股策略的进阶玩家 |
TickDB 的几个亮点（从控制台看出来的）：
- 市场覆盖真全：A股、美股、港股、加密货币、指数、外汇，一共 27,700 多个品种。尤其美股 1.2 万只、港股 1.2 万只，基本覆盖了主流。
- 接口统一：REST 和 WebSocket 一套接口，不用为不同市场写多套代码。这对小白特别友好，不用学好几套 API。
下面是一个真实的使用示例：在 Kiro 中通过 TickDB 的 API 并发拉取 A股（000001.SZ）、港股（700.HK）、美股（AAPL.US）的历史 K 线数据，只需三行 curl 命令即可完成。
返回的数据结构完全一致，无论是 A股、港股还是美股，都遵循同样的 JSON 格式，包含时间戳、开高低收、成交量等字段，方便后续统一处理。
- 自带质量保障：数据清洗、时间戳对齐都内置了，还有消息序号和断点续传，不用自己撸一遍重连补齐的逻辑。
- 对 AI 友好：内置 skill 能力，跟大语言模型集成很方便。以后想用自然语言查行情、做智能分析，这就有基础了。
- 看得见的用量：控制台有仪表盘和套餐管理，用了多少数据、还剩多少配额，一目了然。
四、总结：小白选数据源的简单公式
- 学习阶段：免费源（Finnhub、Yahoo Finance）够用，但要知道它可能在哪儿坑你（准确性、完整性）。
- 想做点小工具：可以考虑有免费额度的商业源，或者多源备份。
- 准备实盘：别省这个钱，准确性、实时性、完整性，一个都不能少。
选数据源的时候，拿这三个维度去卡：准确吗？实时吗？完整吗？ 对照你的阶段，优先级就清楚了。
像 TickDB 这种把数据质量内建进去的（多市场覆盖、统一接口、消息序号、AI 友好），能让你少踩很多坑，少写很多代码。从学习到实盘，一套接口打通，不用折腾好几套方案。
当然，如果你喜欢折腾，也可以去 ClawHub 上搜搜 “market data quality” 或者 “real-time market data”，有不少开源工具可以玩。搜索即可找到，方便快速集成到你的 AI 应用中。
本文纯技术分享，提到的数据源都是公开服务，不构成任何投资建议。市场有风险，投资需谨慎。