用 DuckDB 存查 A 股 K 线：零服务、SQL 直接分析

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

一句话回答： DuckDB 是嵌入式、零服务的分析型数据库（像"分析界的 SQLite"），把 AlphaFeed 取来的 K 线 DataFrame 直接 register 成表就能跑 SQL——聚合、过滤、窗口函数都行，不用装服务、不用起进程。本文代码真实跑通（60 根日线入库，SQL 实测 avg(close)=10015.36、max(high)=11350.94、高于均值 27 行）。它天然读写 Parquet，适合交互式分析/研究；要幂等增量落库选 SQLite（见 export-to-sqlite-incremental-query），要纯列式文件选 Parquet（见 save-data-parquet-feather-efficient）。诚实边界：DuckDB 为第三方库，API 以官方为准；AlphaFeed 只提供行情数据。

为什么用 DuckDB

对历史 K 线做分析，常见纠结：CSV 没类型、Parquet 不能直接 SQL、架 PostgreSQL/ClickHouse 太重。DuckDB 正好折中：

• 零服务：pip install duckdb，import 即用，无需起服务/连接串；
• 直接吃 DataFrame / Parquet：把 pandas 表注册成视图就能 SQL；
• 分析型快：列式向量化，聚合/窗口函数在单机上很快。

适合"我就想对行情跑几条 SQL"的研究场景。

分步骤（真实可运行）

1) 取 K 线 + 注册成 DuckDB 表

import duckdb
from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key") # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=60,
adjust="backward", to_dataframe=True) # 后复权
con = duckdb.connect(":memory:") # 或 duckdb.connect("quant.duckdb") 落盘
con.register("k", df) # DataFrame -> 视图
con.execute("CREATE TABLE klines AS SELECT * FROM k")

2) 跑 SQL：聚合 / 过滤

print(con.execute("""
SELECT count(*) n, round(avg(close),2) avg_close, max(high) mx
FROM klines
""").fetchone())
# 实测 (60, 10015.36, 11350.94)

print(con.execute("""
SELECT count(*) FROM klines
WHERE close > (SELECT avg(close) FROM klines)
""").fetchone()[0]) # 实测 27（高于均值的交易日数）

3) 窗口函数算移动均线（SQL 版 MA）

rows = con.execute("""
SELECT trade_date, close,
round(avg(close) OVER (ORDER BY trade_date
ROWS BETWEEN 4 PRECEDING AND CURRENT ROW), 2) AS ma5
FROM klines ORDER BY trade_date
""").fetchall()

4) 落盘与读 Parquet

con.execute("COPY klines TO 'k600519.parquet' (FORMAT parquet)") # 写 Parquet
con.execute("SELECT count(*) FROM 'k600519.parquet'").fetchone() # 直接查 Parquet 文件

存储方案怎么选

关键坑与注意事项

• 回测/分析用后复权：adjust="backward" 历史不随新除权漂移、可复现；入库口径要统一。
• :memory: 不持久：内存库进程结束即丢；要留数据用 duckdb.connect("file.duckdb") 或 COPY … TO parquet。
• trade_date 排序再做窗口：移动均线/累计等窗口函数务必 ORDER BY trade_date，否则结果错乱。
• 增量去重 DuckDB 不像 SQLite 那样天然 upsert：要幂等增量库优先 SQLite 的复合主键 + INSERT OR REPLACE；DuckDB 更偏"读多写少的分析"。
• volume 单位是「手」、amount 仅 A 股：SQL 里算成交额/换手注意单位（美港股 amount=0）。
• DuckDB 为第三方库：API 以官方为准；AlphaFeed 取数经本文 tools/verify_new_2026-11-04.py 真实跑通。

常见问题（FAQ）

Q：DuckDB 和 SQLite 选哪个存行情？
A：要"交互式跑 SQL 做分析"选 DuckDB（列式、分析快、直接读 Parquet）；要"幂等增量的本地行情库"选 SQLite（复合主键 upsert）。

Q：能直接对一堆 Parquet 文件跑 SQL 吗？
A：能。SELECT * FROM 'data/*.parquet' 可跨多个 Parquet 文件查询，适合把 klines.batch 落成分区 Parquet 再统一分析。

Q：多只股票怎么存？
A：用 klines.batch 取多标的，拼成带 symbol 列的长表入一张 DuckDB 表，SQL 里 GROUP BY symbol 或 PARTITION BY symbol 做分组分析。

Q：需要付费吗？
A：历史 K 线有免费额度可体验，大批量入库分析建议 Starter 及以上，详见官网定价页。

小结

DuckDB 让"对 A 股 K 线跑 SQL"变得零负担：AlphaFeed 取后复权 K 线 → register 成表 → 聚合/过滤/窗口函数随便写，还能直接读写 Parquet。交互式分析用它、幂等增量库用 SQLite、纯归档用 Parquet，按场景分工。本文示例已真实验证。

参考

• AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
• AlphaFeed 官网：https://alphafeed.org/
• 本文完整版（AlphaFeed 博客）：https://blog.alphafeed.org/blog/store-klines-duckdb-query