金融数据基础设施的选型不是技术问题，是战略问题

金融数据的选型，是一个常常被当成采购问题来处理的战略问题。

过去十年，中国量化行业的数据成本结构经历了两轮重构。第一轮是Wind和同花顺的高价位逼出了一批SaaS替代方案。第二轮正在发生——驱动力不是技术突破，而是一个新需求方的出现：AI助手。当LLM开始通过Function Calling调用行情数据时，数据服务商面对的就不再只是工程师，还有机器。

这篇文章不推荐任何产品，只分析行业结构的变化逻辑。

中国量化数据成本的十年演变

2015年前后，国内量化团队的数据来源相对单一。Wind终端是标配，同花顺iFinD是备选，年费六位数起步。对于初创团队，数据成本是仅次于人力的第二大支出。

2016年到2020年，Tushare模式的崛起改变了格局。开源社区以极低成本提供了A股日频数据，迅速积累了大量个人开发者和学术用户。但免费模式的天然局限也随之暴露：分钟级数据权限收紧、美股覆盖不全、维护依赖社区贡献者的个人精力。当用户规模增长到需要稳定性保障时，免费方案的隐形成本开始超过付费方案。

2021年之后，SaaS API化成为新趋势。一批按需订阅、按调用量计费的数据服务商进入市场，定价介于终端和开源之间，目标用户是中小量化团队和金融科技创业公司。这个阶段的核心竞争维度是“覆盖广度”——谁覆盖的市场多、品种全，谁就拿到更多客户。

2025年开始，一个新的变量出现了。

三种商业模式的可持续性分析

金融数据供应商的商业模式，可以归纳为三种基本类型。它们的竞争壁垒和风险点截然不同。

终端数据商的困境：功能过剩。Wind终端里的大部分功能，一个量化团队真正用到的可能不到30%。AI时代的核心需求不是“更多功能”，而是“更高效的接入方式”——这一点上，终端模式天生适配性差。

SaaS API化的关键变量：字段标准化。当客户同时使用多个数据源时，不同供应商对同一个概念的命名差异（last_price还是lastPrice？volume还是vol？）就直接转化成了工程师的适配成本。长期来看，字段命名越统一、接口设计越一致的服务商，客户迁移成本越低，留存率越高。

开源社区的必经之路：商业化。Tushare从完全免费到积分制再到Pro版收费，走的就是这条路。这不是“违背初心”，是开源项目在用户规模突破临界点之后的必然选择——社区贡献者的精力有上限，而用户对稳定性的需求没有上限。

AI时代的新需求维度

LLM Function Calling的出现，正在改写数据服务商的竞争规则。

传统的API调用路径是：工程师阅读文档→编写请求代码→解析返回字段→接入策略系统。AI时代的调用路径是：AI助手理解自然语言指令→通过Function Calling匹配API→自动构造请求→将返回数据整合进分析结果。

这两条路径对数据服务商的要求完全不同。传统的API只需要“工程师能读懂”。AI时代的API需要“机器能读懂”——字段命名必须语义化、返回结构必须标准化、接口描述必须能让LLM准确理解每个字段的业务含义。

MCP协议的出现加速了这个转变。当一个AI助手通过MCP协议同时接入多个数据源时，它的选择逻辑不是“哪个数据源更全”，而是“哪个数据源的字段描述最清晰、最容易被准确调用”。这意味着，谁先建立AI原生的接入层，谁就卡住了下一个阶段的流量入口。

这不是未来趋势，是正在发生的现实。Cursor和Claude等AI编程工具已经开始通过MCP协议调用外部API。金融数据服务商在这个新生态里的位置，取决于它们能否让AI助手“理解”自己。

未来3年的竞争焦点

金融数据供应商的竞争维度正在发生位移。过去十年拼的是“数据覆盖广不广”——这个维度上，头部玩家已经趋同。未来三年拼的是三个新维度：

1. 字段是否足够语义化：不只是“工程师能看懂”，而是“AI工具能直接理解并准确调用”
2. 接口是否足够标准：一套调用逻辑能否覆盖多市场，直接决定客户的工程维护成本
3. 是否有AI原生的集成方案：Skill、MCP、Function Calling——这些不是营销噱头，是下一代数据分发的核心通道

这场转型对传统终端数据商是挑战——它们的架构太重，适配AI原生接入层的成本极高。对SaaS API化的新进入者是机会——轻架构、标准化接口、快速迭代，天然适合AI时代的调用方式。

金融数据的门槛从来不是“有没有数据”，而是“数据能不能被高效使用”。这个效率的定义，正在被AI重写。

你怎么看金融数据供应商在AI时代的竞争格局？是传统巨头转身快，还是新进入者弯道超车？评论区聊聊。

宏观观察者

通过 TickDB API 获取实时行情数据

一个 API 接入外汇、加密货币、美股、港股、A股、贵金属和全球指数的实时行情。支持 WebSocket 低延迟推送，免费开始使用。