量化交易有几道硬门槛：历史/实时数据源、程序化交易策略、交易接口。

本文介绍实际完成量化的第一步，用小龙虾skill——stock-qdata实现股票交易数据的下载和保存，希望对大家有帮助。

从“数据乞丐”到“本地土豪”，只差一个skill的距离。

数据是量化交易系统的食粮。获取交易数据是开发量化交易系统的第一步。

使用Openclaw搭建量化交易系统，若没有稳定、干净的交易数据，实现数据本地化，后续的策略回测和交易触发就无从谈起。

现在网上很多skill是利用公有平台的数据源，或云端数据源，延时大，数据缺失，传输不稳定，下载限流，使用体验非常不友好。

为此，我开发了基于QMT智能交易终端的：本地数据存储skill——stock-qdata

现已支持A股全市场日线、分钟线数据本地化，季度财务数据同步提供，全程不花一分钱，便捷高效。

免费分享给大家，欢迎大家下载使用。

一、本地数据：量化系统的命根子

1.必要性：

不少skill和app，使用云端数据，觉得“上云”就高级了。结果呢？每天爬起来第一件事就是检查API有没有断联；每个月看到账单，心率比止损线还高； 更别提数据源抽风，推送了一堆“股价-100块”的奇葩数值……

那一刻你才能深刻理解了什么叫数据污染，模型陪葬。 做真正的量化交易，数据必须实现本地化。

数据回测：用历史数据模拟未来。如果历史数据是别人给的、随时可能断供的，如果数据集有缺失的数据，你的整个策略就像建在流沙上的城堡——好看，不中用。

云端数据太拉跨：网络数据传输时间成本太高，即便是免费的，几百兆的数据，怎么可能想用就用，速度慢得让你怀疑人生。 本地化之后，数据存硬盘，想怎么回测就怎么回测，凌晨三点灵光乍现？爬起来跑个十年数据，10分钟就能搞定。

2.经济性：

某云数据服务商，使用数据需要会员，日频K线包月199元，分钟级数据包月699元，高频tick？对不起，请按次收费，一次0.1元。

我的策略每天要扫5000只股票的分钟线…… 一天500块，一个月15000。这哪是做量化？这是给数据商打工。

本地化之后呢？QMT免费下载数据，电费忽略不计，唯一的开销就是需要多买几罐红牛。

3.准确性：

云端数据出bug，你是最后一个知道的。有一次我发现某股票某天“开盘价-1元”，找客服，对方说“哦，那天的数据源有点问题，已经修复了”。修复了？我的回测结果已经被污染了，策略参数都调歪了，只能全部重新算一次。

本地数据，自己下载、自己校验、自己说了算。

二、QMT下载数据：专业接口，强大便捷

QMT（迅投智能策略交易终端）提供了很强大的API，能轻松实现数据本地化。

1.API函数实现数据下载

QMT自带一套数据接口，其中最常用的就是 xtdata.get_market_data_ex。这玩意儿长这样：

python
from xtquant import xtdata
# 下载平安银行2024年的日线数据
data = xtdata.get_market_data_ex(
    stock_list=['000001.SZ'],
    period='1d',
    start_time='20240101',
    end_time='20241231',
    field_list=['open', 'high', 'low', 'close', 'volume']
)

QMT的数据管理机制有个特点：你不主动存，它就只留在QMT本地数据库缓存里。你是无法直接使用的，所以必须配合本地存储方案。

2.本地存储：数据库 vs 文件，我选后者

小型数据库方案（MySQL、PostgreSQL、MongoDB）：专业，支持复杂查询，事务安全。 但——你回测的时候不需要复杂的查询，大多数时候只是按时间顺序读数据。杀鸡用牛刀，还得多维护一个数据库，麻烦。

数据库访问有开销，对非计算机专业人员很不友好，能熟练使用sql操作数据库的小伙伴很少，还是越简单越好。

文件方案（CSV、Parquet、HDF5）：轻量，读完就能用。我选了CSV格式，可直接使用excel查看，用pandas读取方便，跑起来飞快。

为了回测方便，回测框架通常一次加载一整个股票的历史数据到DataFrame，文件存啥样，读进来就啥样。 在实现交易条件触发时，把必要的历史数据读进内存里，实时更新，确保交易因子的计算不被外围设备读取而滞后。这时候数据库的必要性就不是那么大了。

普通投资者的算法和因子不会太复杂，回测的时间和条件也不会太复杂，使用文件来管理数据基本上能够满足使用要求。

如果要搞个很专业的量化交易系统，那就不是一个人能干得下来的事情了，需要一个设计团队，部分内容可以外包。到时候再切换到数据库+cache+全硬件的高端模式。

数据库就像娶了个管家婆，啥都给你整理得井井有条，但你每次拿个东西都得打报告；文件方案就像自己随手放的袜子，虽然乱，但你知道在哪个抽屉——而且没人管你。

三、OpenClaw数据本地化：stock-qdata

OpenClaw的核心是“Skill”——你可以把它理解为给AI助手定制的插件，这个专门负责下载QMT数据的Skill，就叫它 stock-qdata。

1.Stock-qdata的安装

clawhub install stock-qdata

2.安装依赖包

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r .requirements.txt

3.配置config.json

安装好qmt，如果没有QMT智能交易终端的朋友可以私信我，可以给大家提供全网最快最便利的渠道。

找到qmt终端执行文件所在的目录，让skill知道它在哪里，可以帮你自动启动智能交易终端。

将QMT的目录和你希望数据下载的目录填入config.json配置文件中的对应位置。

你安装stock-qdata的目录通常是：

C:Users你的用户名skillsstock-qdataconfig.json

4.在控制台运行：

# 注意替换成你的实际安装地址
cd C:UsersAdministratorskillsstock-qdata
# 下载近200天的日线数据 网页模式
python main.py --period=1d --days=200 --mode=web

首次使用，可以对小龙虾说“使用stock-qdata 使用stock-qdata 获取 近200交易日 日线数据 网页模式”

由于clawhub只能上传文本文件，所以网页的字体和符号文件都无法随skill一并上传，所以网页很多符号无法正确显示，需要补齐文件的小伙伴可以私信我，也可以看README.MD自行领取。

favicon.ico，fa-brands-400.woff2，fa-