简介这是一套面向Python开发者与量化交易初学者的股票自动化交易系统源码聚焦于A股市场实时盯盘、策略执行与资金流向分析等核心场景。资源共77个文件含49个Python脚本覆盖数据采集、选股逻辑、北向/南向资金分析、通达信早盘数据处理、语音转文字通知等、3个Qt Designer UI界面文件、2个HTML前端页面、6个XML配置文件及SQL数据库脚本等包体大小为74.09MB结构完整、模块解耦清晰。已有822人学习下载适合希望快速构建本地化股票辅助交易工具的学习者与个人投资者。用户可直接复用龙头盯盘、操盘神器UI、北向资金分析工具等成熟功能模块调用已封装的TDX数据读取、自定义文件写入、微信通知、Excel导出等实用脚本并基于requirements.txt快速部署依赖环境。 最近把一套基于Python和HTML的TDXPystock股票交易自动化设计源码重新整理了一遍。它解决的核心问题就是用程序替人盯盘、算信号、下单把你在券商软件上重复耗时的操作自动化。说白了你不用再每天早上打开行情软件盯着均线纠结买不买也不用收盘后手动翻遍自选股找信号。这套系统会按照你设定的策略跑行情数据、计算买卖点、记录信号再通过一个本地HTML面板把所有结果一屏展示出来甚至预留了对接券商接口的模拟下单通道。如果你是一个对程序化交易感兴趣、想从手动炒股跨到半自动策略的Python开发者或者只是想找一套结构清晰的交易自动化源码来学习这篇文章应该能帮到你。下面我会把整套源码的架构、核心模块、部署方式和排坑经验完整拆开讲。1. 项目整体设计与技术选型思路1.1 为什么选 Python 做核心开发语言做交易自动化整个链路无非三件事数据获取、策略计算、执行下单。这三个环节Python都有很成熟的生态支撑。数据获取层面有足够的第三方库对接行情源策略计算层面pandas处理K线数据非常顺手几百兆的日线数据在内存里做向量化计算速度完全能接受至于执行下单虽然有延迟但对我们这种按分钟级甚至日线级别跑的普通个人策略来说根本感知不到性能瓶颈。相比C或者JavaPython最大的优势是开发效率。你上午冒出个策略点子下午就能写出来跑一轮回测这在需要快速验证想法的场景里太重要了。源码里耗时最重的历史K线拉取和指标计算都放在独立线程里跑前端展示用的是HTML通过HTTP接口读状态两者互不干扰。既保证了策略主循环不被界面卡顿拖累也把开发成本压到了最低。1.2 HTML 前端在自动化系统里到底解决什么问题你可能会问策略都是脚本在跑为什么非得多套一个HTML页面我一开始也觉得搞前端是画蛇添足但真正跑起来才发现没有可视化面板盯盘和调试都极端痛苦。你总不能每天对着黑乎乎的终端翻日志去判断今天哪只股票触发了信号吧HTML面板在源码里扮演的是“操作台”和“监控屏”的双重角色。它用浏览器打开所有数据都来自本地Python后端不依赖外网也不引入重框架。页面里能看到每只股票的最新价格、均线排列状态、最近一次买卖信号、策略是否在正常运行。更关键的是前端留了一个手动按钮可以在极端行情下随时暂停所有策略动作。这套交互虽然简单但对日常使用来说足够实用了。1.3 整体架构和数据流转方式整个项目可以拆成四层数据层通过TDXPystock这个库封装底层通达信协议定时拉取分钟线和日线数据同时把历史数据落盘到本地SQLite避免每次重启都重新拉全量。策略层从数据层拿K线计算技术指标按策略规则生成买入和卖出信号。执行层监听策略层输出的信号先过风控校验再决定是模拟记录还是走券商接口下单。展示层用Flask搭建轻量HTTP服务把运行状态、持仓列表、信号历史传给HTML页面渲染。数据流大概是这样一个环形定时任务先触发数据拉取策略层拿到最新K线后计算信号信号进入执行层做风控最后结果推给前端更新。这套逻辑本身不复杂但如果开始就把模块写成一个大文件后续换数据源、加新策略都会非常痛苦。源码一开始就按这个分层去写后面所有扩展都只需要改对应模块不需要动主流程。2. 核心模块详解与关键代码逻辑2.1 行情接入TDXPystock 封装了什么通达信软件本身没有官方公开的API所以社区里出现了各种基于通达信私有协议的Python库。TDXPystock的思路就是把这些底层的TCP通信协议封装成“傻瓜式”的函数调用让开发者不需要关心报文结构只要调用方法就能拿到标准化的K线数据帧。在实际使用中获取股票日K线只需要几行代码from tdxpystock import TdxClient client TdxClient(host119.147.212.81, port7709) df client.get_k_line(600519, category9, count800) # category: 9代表日K0代表5分钟K1代表1分钟K8代表15分钟K print(df.tail())运行之后返回的DataFrame包含以下核心字段字段含义类型dateK线时间datetimeopen开盘价floathigh最高价floatlow最低价floatclose收盘价floatvolume成交量intamount成交额float这里有几个坑值得注意。第一通达信的服务器地址列表需要定期维护这个IP一旦失效就必须换备用地址否则程序会一直卡在连接阶段。第二拉取数据时尽量手动指定count如果你一口气全量拉十年数据很容易被服务器主动断开。TDXPystock返回的数据字段在不同版本里有稍微不同的命名风格稳妥的做法是打印一次列名写个映射函数做统一标准化这样后面所有策略模块都不会踩到字段名不一致的坑。2.2 技术指标计算与信号生成逻辑源码默认内置了三套策略最基础也最适合入门学习的是双均线策略。核心逻辑就是短周期均线上穿长周期均线时产生买入信号下穿时产生卖出信号。用pandas实现非常简洁df[ma_short] df[close].rolling(window5).mean() df[ma_long] df[close].rolling(window20).mean() df[signal] 0 df.loc[df[ma_short] df[ma_long], signal] 1 df[signal_change] df[signal].diff()signal_change从0变成1的位置就是金叉点从1变成0的位置就是死叉点。这里就是新手最常犯错的地方如果用实时K线反复刷新同一个金叉信号会连续触发很多次导致重复下单。源码里没有直接拿布尔值判断而是用diff()抓变化沿并且额外加了一个冷却机制在信号触发后一段时间内不允许再次交易。除了双均线源码里还有MACD和RSI两个策略模块。所有策略都继承同一个基类只需要实现generate_signals(df)方法即可主流程完全不用改。这种抽象方式让我后续加新策略时轻松很多不用在策略引擎里到处加判断分支。2.3 回测模块先验证再进实盘我强烈建议任何策略都不要直接接进实盘先拿历史数据回测一遍。源码里的回测引擎做得很轻量逻辑是遍历每一天的K线信号触发时以收盘价买入卖出信号触发时以收盘价卖出最后统计总收益率、最大回撤、交易次数和胜率。def backtest(df, initial_capital100000): capital initial_capital position 0 trade_count 0 for i in range(1, len(df)): if df[signal_change].iloc[i] 1 and position 0: position capital / df[close].iloc[i] capital 0 trade_count 1 elif df[signal_change].iloc[i] -1 and position 0: capital position * df[close].iloc[i] position 0 trade_count 1 final_value capital position * df[close].iloc[-1] return final_value, trade_count这里有个容易误判的地方回测收益很漂亮不代表未来能赚钱。回测更大的意义在于排除明显有问题的策略。如果某个策略在历史震荡行情里反复被“打脸”交易次数会异常多手续费和滑点成本会吃掉大量利润。源码回测模块默认把交易成本设置为万分之三并且支持自定义滑点参数。很多人回测时忽略成本结果实盘收益和回测差一大截就是栽在这里。2.4 自动化下单与风控模块执行层是整套系统里最需要谨慎对待的部分。源码默认开启“模拟盘”模式所有买卖信号都只是记录到日志和前端面板不会真实下单。如果要接实盘需要自己在broker.py里实现buy()和sell()两个方法对接券商提供的Python交易接口。下单模块被抽象成统一接口这样不同券商之间的差异就被隔离了。我自己在接实盘之前给执行层加了几条硬性风控单笔下单金额不能超过总资产的一定比例同一只股票发送买入后30秒内不允许重复发送每秒最多发送一次下单请求。这些限制会让策略在极端行情下显得“反应慢”但程序化交易项目里不出事比快更重要。3. 源码部署与实操运行全流程3.1 环境准备与依赖安装建议准备一台能长时间运行的电脑Windows或Linux都行我自己在Windows上跑得很稳定。Python版本选3.9以上都可以3.12也没问题。如果是完全没装过Python的新手去官网下载安装包时记得勾选“Add Python to PATH”不然后面命令行里敲python会提示找不到命令。装好Python后先创建虚拟环境python -m venv venv source venv/bin/activate # Linux/macOS venv\Scripts\activate # Windows然后安装依赖pip install -r requirements.txt源码里的requirements.txt大致包含以下内容pandas1.5.0 numpy1.23.0 flask2.2.0 requests2.28.0 apscheduler3.9.0 tdxpystock0.3.0有一点特别提醒不要一股脑把这些包升级到最新版。我遇到过numpy升级后pandas版本不兼容导致指标计算全部报错的情况。最稳妥的做法是锁定一个经过验证的版本组合跑通整个流程后再考虑升级。3.2 项目目录结构与配置文件解读打开源码后建议先花几分钟把目录结构过一遍理解每个文件的职责tdx_auto/ ├── config.py # 全局配置服务器地址、标的列表、策略参数 ├── main.py # 入口文件负责启动调度器和Web服务 ├── data_fetcher.py # 行情数据获取与缓存 ├── strategies/ │ ├── base.py # 策略基类 │ ├── dual_ma.py # 双均线策略 │ ├── macd_strategy.py # MACD策略 │ └── rsi_strategy.py # RSI策略 ├── broker.py # 券商下单接口抽象层 ├── risk_control.py # 风控模块 ├── web/ │ ├── app.py # Flask应用 │ ├── templates/ │ │ └── index.html # 前端面板 │ └── static/ │ └── app.js # 前端交互逻辑 ├── data/ │ └── history.db # SQLite历史数据库 └── logs/ └── trading.log # 交易日志config.py是整套系统的配置中心几乎所有需要调整的参数都集中在这里。我自己改配置最多的是这几项# config.py 示例 CONFIG { tdx_servers: [ {host: 119.147.212.81, port: 7709}, {host: 114.80.63.12, port: 7709}, ], stock_pool: [600519, 000001, 300750], kline_category: 9, # 9日K05分钟 strategy: dual_ma, ma_short: 5, ma_long: 20, broker_mode: paper, # paper模拟盘live实盘 risk_control: { max_single_order_ratio: 0.2, min_interval_seconds: 30, max_orders_per_second: 1, price_deviation_limit: 0.01, }, web_host: 127.0.0.1, web_port: 5000, }把这个配置文件弄明白整个系统就掌握一半了。换股票池、换均线参数、开关风控基本都在这里完成。我习惯把实盘配置和模拟盘配置分开存两份切换时直接复制改名避免手误改坏。3.3 启动后端和 Web 面板入口文件是main.py它会同时创建三样东西定时任务调度器、Flask应用、策略引擎。启动命令很简单python main.py如果一切正常控制台会输出类似“Web面板已启动: http://127.0.0.1:5000”的日志。浏览器打开这个地址后能看到HTML面板里面包括标的状态表显示每只股票的当前价格、均线排列、最新信号信号历史区记录每次触发的买入卖出时间点系统状态区显示最近一次数据更新时间、回测收益率和风控拦截次数。Flask的后端代码非常轻量核心路由就这么几个from flask import Flask, jsonify, render_template app Flask(__name__) app.route(/) def index(): return render_template(index.html) app.route(/api/status) def status(): return jsonify(engine.get_status()) app.route(/api/signals) def signals(): return jsonify(engine.get_signals()) app.route(/api/pause, methods[POST]) def pause(): engine.pause() return jsonify({result: paused})默认只允许本机访问如果想在局域网里用手机看面板把config.py里的web_host改成0.0.0.0就行。但我想提醒一句这套系统没有做登录鉴权千万不要把它直接暴露到公网否则任何人都能访问你的交易面板甚至触发“暂停策略”或“下单”接口风险非常大。3.4 跑通第一个完整信号为了验证整套系统是否正常我建议第一天不要接正式交易先开模拟盘跑一个交易日。具体步骤是在config.py里配置好要监控的股票列表比如“600519, 000001, 300750”。把broker_mode设为paper确保不会真实下单。启动main.py观察前端面板是否在预定时间拉取数据。如果当天K线出现了金叉信号确认前端面板能显示且logs/trading.log里记录了完整信号详情。手动点击面板上的“暂停策略”按钮验证风控和手动熔断能正常工作。跑通这个流程后你才算真正理解了源码的执行链路。很多新手跳过模拟盘直接去接实盘结果连数据刷新都还没搞定就急着真金白银上场很容易出大问题。我的原则是模拟盘连续正常跑满一周日志里没有任何异常再考虑接真实账户的小额资金。4. 源码中的关键实现细节与避坑指南4.1 历史数据落盘与增量更新如果你每次启动程序都从服务器拉全量历史K线不仅慢还容易被行情服务器限流。源码里用了SQLite做本地缓存第一次启动把历史数据落盘之后每次启动先从本地读缺失的部分才去服务器拉增量。增量更新的逻辑很简单数据库里记录每只股票最后一次K线的时间运行时从那个时间点往后请求新增K线。但这里有个隐藏问题某些行情服务器对单次请求的K线数量有限制如果本地数据落后太久一次请求拿不到全部新增数据需要分批请求。我遇到过日K只返回了最新几条、导致复权数据对不齐的情况。解决方案是定期做一次全量重建源码里默认每周日晚上全量刷新一次历史库这个频率对个人用户来说足够了。建表和写入的核心逻辑大概长这样import sqlite3 conn sqlite3.connect(data/history.db) conn.execute( CREATE TABLE IF NOT EXISTS kline ( code TEXT, date TEXT, open REAL, high REAL, low REAL, close REAL, volume INTEGER, PRIMARY KEY (code, date) ) ) # 使用 INSERT OR REPLACE 实现增量更新 conn.execute( INSERT OR REPLACE INTO kline (code, date, open, high, low, close, volume) VALUES (?,?,?,?,?,?,?), (code, date, open, high, low, close, volume) )用INSERT OR REPLACE而不是普通INSERT好处是重复拉取同一数据时不会产生主键冲突直接覆盖旧数据保持数据库干净。4.2 复权问题与数据对齐复权是所有拿历史数据做策略的人都绕不过去的坎。股票分红送股之后历史价格会出现明显的跳空不复权的话均线、MACD这些指标都会算错信号也容易被假跳空带偏。通达信兼容的行情源默认返回的是不复权数据但关于复权处理源码里有一条专门路径通过TDXPystock的接口获取复权因子把历史价格乘上因子得到前复权价格。这里需要特别注意实时价格不要做复权因为盘中成交的是真实价格只有做回测和长期指标计算时才需要复权。源码里区分了“实时数据”和“历史数据”两条处理路径正是为了这个目的。如果你用前复权数据做回测还要记住一点历史上每次除权除息事件都会导致整个前复权序列变化所以复权因子需要在每次分红之后再更新不然你回测的曲线和实际历史价格会存在偏差。4.3 风控模块为什么是源码里的关键部分源码里最值得细看的其实是风控模块。它不是一个简单的“总开关”而是照顾到了大量边缘情况。比如当程序监测到连续三次信号触发都被风控拦截时会自动暂停整个策略并且给前端面板推送一条警告信息。这么设计是为了防止开发者不在电脑前的时候策略因为某些Bug进入“无脑触发信号、无脑下单”的死循环。风控模块里还有一个容易被忽略的点价格有效性校验。如果你在K线快收盘时下单策略里的信号价可能和当前最新价差距很大。源码在下单前会比较信号价和当前实时价偏差超过1%就直接拒绝这单。这个逻辑虽然很简单但确实拦住了很多由数据异常导致的“鬼单”。def check_price_valid(signal_price, real_time_price, limit0.01): if real_time_price 0: return False deviation abs(signal_price - real_time_price) / real_time_price return deviation limit提示实盘接入前一定要把几个风控参数理解清楚。别为了追求下单速度把风控关了。交易自动化这个领域“不出事”永远比“跑得快”重要。5. 常见问题与排查记录5.1 常见报错速查表我在部署和调试这套源码过程中以及网友反馈里遇到最多的几个问题如下错误现象可能原因解决办法启动后一直提示“连接行情服务器失败”通达信服务器地址失效或网络不通更新config.py里的服务器地址列表或切换备用IPpandas读取K线时出现KeyError: close返回字段名因库版本不同而变化打印一次返回的列名统一做字段映射HTML页面打开后表格空白后端接口没返回数据或前端JS报错按F12打开浏览器控制台看请求失败原因策略反复触发买入信号没有对信号做变化沿去重使用diff()或加入冷却时间回测收益很好但实盘差距大没考虑手续费、滑点、涨跌停限制在回测参数中加上交易成本和涨跌停过滤实盘下单时提示价格无效风控的价格偏差检查拦截先确认实时价是否正常或调整阈值这张表里的问题我基本都实战踩过。其中“反复触发信号”和“字段名称不一致”是新手上路最容易卡住的点建议先把这两个问题解决再继续其他调试。5.2 实测心得与调整建议最后聊几条我个人总结下来的经验。首先是日志非常重要源码里几乎所有关键节点都写了日志。我建议大家不要为了让控制台干净就去删日志遇到问题老老实实翻logs/trading.log大部分疑难杂症都能在这里找到线索。其次是永远给自动化账户留一个手动熔断开关这个原则我每次都会强调。你永远不知道策略会在什么行情下失效所以手动干预能力必须是最后一道防线。关于数据源通达信服务器虽然免费但稳定性不如商业数据源。如果你要跑实盘每天开盘前检查一次数据连接是否正常是个好习惯。我还在源码里加了一个“心跳监控”每5分钟往日志写一条心跳记录如果某段时间心跳断了说明程序可能已经卡死需要人工介入。最后说一点实际体会。程序化交易的习惯要慢慢培养。先跑模拟盘再拿极小金额试水最后才逐步加大资金。我看过太多人把回测曲线当成提款机结果实盘一周就心态崩了。自动化工具能帮你省去机械重复的盯盘操作但风险控制、仓位管理和策略验证这些还得靠人自己把控。这套源码最核心的价值就是把数据、策略、执行、展示这些环节打通让你有一个可以持续观察和迭代的载体。真要说后续扩展我已经在考虑把短线情绪因子加进去再把信号推送做成微信通知毕竟没人愿意时刻盯着本地页面看。本文还有配套的精品资源点击获取