TickDB 博客：市场数据分析、API 接入教程与 AI 行情工具实践。按市场和主题查找文章。
标题：个人量化行情数据源怎么选？Tushare、AkShare、Polygon、Yahoo Finance、TickDB 六大场景评分 摘要：想做A股回测，Tushare和Baostock谁更合适？想看美股实时行情，Polygon、Alpha Vantage、Yahoo Finance怎么选？想搭一个多市场行情面板，或者让Cursor直接调用真实数据，应该走哪条路？这篇文章用市场匹配度、数据能力、
TickDB Research ·
> 摘要 > 行情告警没响，你先查的是阈值，还是数据链路？很多告警失效的根本原因不在价格判断——定时任务静默停跑、接口返回空data、WebSocket假在线、缓存价格没有stale标记、异常发生但日志里什么都没留下。本文给出一套从数据链路健康检查出发的5层排查方案：先问行情数据是否还活着、是否新鲜、异常是否可追溯，最后再问价格有没有触发告警。附带五层速查表、最小监控字段表和常见问题，适合直接复制
TickDB Research ·
摘要： Tesla Q2交付数据已经公布，很多人的第一反应是打开行情软件看盘前涨跌。但盘前涨了不等于常规交易时段一定延续，盘前跌了也不等于市场已经给出最终结论。本文不讨论Tesla值不值得买，也不预测股价方向，只讲一件事：事件数据出来后，盘前价、常规交易价、盘后价是三个不同的市场状态，没对齐之前，不要把一个价格跳动当成市场已经完成定价。 !image.png 一、数据公布了，市场开始解读 7月2日
TickDB Research ·
WebSocket 行情重连成功，K线缺口不会自动消失 > 摘要 > WebSocket 断流后重连成功，watch dog 显示一切正常——但中间窗口的 K 线缺口不会自己补回来。连接恢复不等于数据连续，断流窗口必须通过独立的缺口检测、REST K 线回补和 gap_report 留痕三步完成修复。本文给出一套可集成的 Python 方案，附带状态判断的严格标准：不是回补条数够了就算完，re
TickDB Research ·
标题：A股回测为什么总不稳？拿到10年历史K线数据后，先验这5件事 摘要：很多人第一次做 A 股回测，最关心的是策略逻辑、参数和收益曲线。但真正让回测结果失真的，往往不是模型，而是那份看起来很完整的历史 K 线数据。10 年历史 K 线能让策略穿越牛熊，也能让因子分析有更长样本，但前提是这份数据的 symbol、时间范围、K 线周期、OHLCV 字段、异常和缺口都能被核对。拿到数据后，先验这五件事
TickDB Research ·
标题：美股又涨了，但你真的看清市场状态了吗？先对齐这五层实时行情口径 摘要：美股三大指数、实时行情、VIX、市场宽度、成交量——这些数字每天都在变，但指数上涨不等于整个市场都在走强。这篇文章不讲美股接下来是涨是跌，只给你一套五层口径的检查框架：哪个指数在涨？多少股票在涨？波动率有没有下来？成交量支不支持？你看的数据是哪个时间窗口的快照？把数据口径对齐，再谈市场判断。 昨夜美股上涨，三大指数全线收红
TickDB Research ·
标题：从盯盘、AI分析到团队复盘，行情数字进入判断之前，至少要说清这4点 摘要：如果你经常盯A股、美股、港股或加密行情，又想把价格拿去做复盘、AI分析或研究记录，你需要的不只是“看到数字”。如果你已经接入了实时行情API，当团队里三个人引用了“同一个价格”但三份结果对不上时，你能不能追溯到每个人当时取到的具体快照？TickDB不替你判断涨跌，但能让你取到的行情数字更容易被记录、核对和复查。 !im
TickDB Research ·
摘要：你付费开了 Level 2，看到买一突然挂出一笔大单，卖一变薄，bids/asks 看起来很有方向感。你的第一反应可能是：盘口已经给信号了。但过一会儿，大单撤了，价格没按你想的走。问题不在数据本身——Level 2 没有骗你。问题在于，你把“能看到盘口”误解成了“盘口已经能给交易信号”。这篇文章把盘口数据拆成三层——展示、状态观察、信号候选——讲清楚为什么大多数人在第一层以为自己看到了第三层
TickDB Research ·
标题：实时行情数据验收：价格看起来都对，为什么整段行情进系统后还是会坏？ 摘要：每一笔行情数据单独看，价格、时间戳、成交量都有，一切正常。但当这些“正常”的数据被拼成一段连续行情时，缺口、重复、累计对不上的问题就浮出来了。这就是单点验证和生产级验收之间的差距——最小证据链能回答“这条数据从哪来”，但回答不了“整段行情是不是连续、自洽、可回溯”。这篇文章把行情数据验收拆成三层，讲清楚为什么数据质量不
TickDB Research ·
行情数据源冲突时，你应该相信谁？看完这篇就答案 摘要：你接了两个行情数据源，同一个symbol、同一时间附近，一个返回100.12，另一个返回100.18。接口都返回成功，价格都像真的。此时最危险的反应不是怀疑其中一个错了，而是立刻选一个你更熟的数据源相信。这篇文章提供一套多源冲突时的证据链仲裁方法——不判断谁更准，只追查每条价格背后的symbol、时间戳、市场状态、字段口径和原始返回，让数据自己
TickDB Research ·
摘要：用历史行情数据跑回测，策略逻辑跟论文一模一样，你跑出+5%，别人跑出+30%。你查了三天代码，参数调了一遍又一遍，还是对不上。问题大概率不在你的代码，在你用的那份历史数据——策略是你的公式，历史数据是你的答案册，你和别人公式一样，但答案册版本不同。复权方式、停牌处理、样本池里有没有退市股、失败查询有没有被静默填平，这四个数据雷每一个都可能单独制造好几个点的偏差。更重要的是，它们都让回测结果单
TickDB Research ·
> 摘要 > 接多个行情数据源时，时间戳最容易出问题：有的返回 10 位秒级时间戳，有的返回 13 位毫秒级时间戳；有的代表数据产生时间，有的代表服务端返回时间；有的适合按物理时间窗口对齐，有的应该按交易日对齐。本文不讨论交易策略，只讨论一个工程问题：如何在 Python 里把多源行情时间戳先归一化、再标注语义，最后按业务目标做窗口对齐。同时，我会用 TickDB 作为统一行情数据入口的例子，
TickDB Research ·