Python量化实操：3步把五档盘口变成可读表格

一、为什么拿到了盘口数据，却还是看不懂？

做量化交易时，很多人会使用 Python 获取股票行情，再进一步分析买卖盘的挂单情况。

但真正拿到五档盘口数据后，问题才刚刚开始。

买一到买五是一组数据，卖一到卖五是另一组数据。如果继续使用传统爬虫或者拼接多个行情接口，不仅需要处理不同的数据结构，还可能遇到接口不稳定、字段不一致、请求失败等问题。

QuantDash 是一个提供统一 Python SDK 的量化数据平台，开发者可以通过标准化接口获取股票行情、K 线和五档盘口等数据。

本文将使用 QuantDash 获取真实接口定义的五档盘口数据，再通过 Pandas 整理成一张清晰的表格，最后将整理结果交给 DeepSeek API，生成辅助分析意见。

整个流程分为三步：

获取盘口 → 整理表格 → AI 解读。

二、第一步：用 Python 获取五档盘口数据

先安装需要的 Python 库：

pip install quantdash pandas openai

其中：

• quantdash：获取标准化盘口数据。
• pandas：将买卖盘整理成表格。
• openai：通过兼容 OpenAI SDK 的方式调用 DeepSeek API。

接下来，初始化 QuantDash 并获取贵州茅台的五档盘口。

import os
from quantdash import QuantDash

# 初始化 QuantDash，API Key 从环境变量读取
qd = QuantDash(api_key=os.environ["QUANTDASH_API_KEY"])

# 获取贵州茅台五档盘口
depth = qd.depth.get("600519.SH")

# 查看原始盘口数据
print("股票代码：", depth["symbol"])
print("市场地区：", depth["region"])
print("买盘价格：", depth["bid_prices"])
print("卖盘价格：", depth["ask_prices"])

这里使用的是 QuantDash 文档中定义的真实接口：

qd.depth.get("600519.SH")

返回的盘口对象包含以下关键字段：

有了这些数据，就不需要自己从不同数据源拼接买卖盘字段了。

需要注意，具体数据是否实时可用、支持哪些市场和账户权限，应以 QuantDash 当前服务说明为准。

三、第二步：用 Pandas 把买卖五档整理成表格

原始盘口通常以多个数组的形式保存。

如果直接打印整个对象，数据虽然齐全，但不够直观。我们可以使用 Pandas，将每一档的买卖价格和挂单量对应起来。

import pandas as pd

# 获取五档盘口
depth = qd.depth.get("600519.SH")

# 将买卖盘整理为同一张表
df = pd.DataFrame({
"档位": ["一档", "二档", "三档", "四档", "五档"],
"买入价格": depth["bid_prices"],
"买入挂单量": depth["bid_volumes"],
"卖出价格": depth["ask_prices"],
"卖出挂单量": depth["ask_volumes"],
})

# 输出完整表格
print(df.to_string(index=False))

整理之后，表格结构如下：

注：表格中的价格和数量为字段示意，运行代码后将展示接口实际返回的数据。

这样一来，买卖盘的对应关系就非常清楚了。

例如：

• 买一价格与卖一价格之间的差值，可以帮助观察当前最优买卖报价的价差。
• 买盘和卖盘的挂单量，可以用于分析当前可见盘口的数量分布。
• 不同档位的价格变化，可以作为后续盘口特征计算的输入。

如果想进一步分析，还可以使用 Pandas 计算买卖价差和可见五档挂单量差异。

# 计算最优买卖报价价差
df["买卖价差"] = df["卖出价格"] – df["买入价格"]

# 计算五档可见挂单量的总和
total_bid_volume = df["买入挂单量"].sum()
total_ask_volume = df["卖出挂单量"].sum()

print("五档买盘挂单量合计：", total_bid_volume)
print("五档卖盘挂单量合计：", total_ask_volume)
print("各档买卖报价价差：")
print(df[["档位", "买卖价差"]].to_string(index=False))

这里需要区分两个概念：

最优买卖价差通常指卖一价格减去买一价格，而上面代码中的 买卖价差 是每个对应档位的卖价减买价。

五档挂单量也只代表当前接口返回的可见挂单，不等于全部市场流动性，更不能直接作为未来涨跌的结论。

四、第三步：接入 DeepSeek，让 AI 辅助解读盘口

表格整理好之后，还可以把它交给 DeepSeek API，让大模型根据数据总结盘口特征。

先配置 DeepSeek API Key：

export DEEPSEEK_API_KEY="你的DeepSeek_API_Key"

然后运行下面的代码。

import os
from openai import OpenAI

# 初始化 DeepSeek API 客户端
client = OpenAI(
api_key=os.environ["DEEPSEEK_API_KEY"],
base_url="https://api.deepseek.com"
)

# 将盘口表格转换为文本
table_text = df.to_string(index=False)

# 组织分析提示词
prompt = f"""
你是一名量化研究助手，请根据以下五档盘口数据进行分析。

请重点说明：
1. 买卖盘的挂单量分布。
2. 买一与卖一之间的价差。
3. 当前盘口能够支持哪些观察。
4. 哪些结论无法仅凭五档盘口得出。

不要编造数据，不要将挂单量直接等同于真实买卖意图，
也不要将盘口观察直接表述为确定的涨跌预测。

五档盘口数据：
{table_text}
"""

# 调用 DeepSeek API
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{
"role": "user",
"content": prompt
}
],
stream=False
)

# 输出 AI 分析结果
print(response.choices[0].message.content)

这段代码使用 DeepSeek 的 OpenAI 兼容接口，将 Pandas 表格转换为文本后发送给模型。

最终，你可以让 AI 帮忙总结：

• 买卖盘的挂单量分布是否存在明显差异。
• 当前最优买卖报价的价差是多少。
• 哪些盘口特征值得进一步研究。
• 还需要哪些数据才能验证交易假设。

需要注意：AI 输出的是基于输入数据的辅助解读，不是经过验证的交易信号。 实际交易策略仍需要结合历史数据回测、交易成本、滑点和风险控制。

五、为什么推荐 QuantDash，而不是自己拼接传统行情接口？

对于 Python 量化开发者而言，获取数据只是第一步，真正耗时的往往是接口维护、字段统一和数据整理。

QuantDash 的价值不只是少写几行代码，而是尽可能减少行情获取与数据整理之间的重复工作。

对于需要不断迭代策略的开发者，这意味着可以把更多时间投入到特征工程、策略验证和风险管理中。

六、常见问题 FAQ

Q1：Python 获取股票五档盘口，必须使用爬虫吗？

不一定。

如果使用 QuantDash，可以按照官方文档通过 qd.depth.get("600519.SH") 获取五档盘口，不需要自己编写网页爬虫。

初始化方法、其他可用接口及使用说明，可以查看 QuantDash 技术文档。

Q2：获取盘口之后，如何进一步开发量化分析程序？

可以先将盘口数据整理为 Pandas DataFrame，再计算价差、挂单量差异等特征，最后结合历史行情进行回测。

如果想了解 SDK 的更多用法，也可以访问 QuantDash GitHub 项目，查看项目代码和相关说明。

七、结尾：把时间花在策略上，而不是重复整理数据

如果你正在开发 Python 量化策略，或者希望使用 DeepSeek 辅助分析股票盘口，可以尝试把数据获取、表格整理和 AI 分析串成一条工作流。

QuantDash 技术文档 — 查看 Python SDK、REST API 和数据接口说明。

前往官网免费注册并获取 API Key，即可根据平台当前提供的服务和使用规则开始体验。

如果你想进一步实现盘口可视化、批量分析或自动生成研究报告，欢迎在文章下方留言讨论，交流获取完整源码的实现思路。

本文仅用于 Python 数据处理与量化研究技术交流，不构成投资建议。