ptrade 盘前获取大量股票历史 K 线报 RecursionError 怎么办？

在8点10分获取1000个代码的历史K线正常，9点10分获取1000个代码的历史k线大约有30%的概率出现报错：RecursionError: maximum recursion depth exceeded while calling a Python object？

/

问题现象与原因分析

在 ptrade 量化平台中，遇到在 8:10 获取 1000 个代码的历史 K 线正常，而在 9:10 获取时出现 RecursionError: maximum recursion depth exceeded while calling a Python object 的报错，通常是由以下几个原因综合导致的：

1. 执行时间点的特殊性：根据 ptrade API 文档，before_trading_start 函数在交易环境中默认从隔日开始每天 9:10分 执行。此时正是大量策略集中进行盘前初始化的时间，服务器接口请求并发量极高，容易出现网络拥堵。
2. 底层重试机制触发递归超限：当网络拥堵或触发流控时，底层获取数据的接口可能会进行自动重试。如果一次性请求 1000 个代码的数据，失败概率增加，底层不断递归重试，最终导致 Python 的最大递归深度超限（RecursionError）。
3. API 流量限制：ptrade 官方文档明确指出，数据获取接口（如 get_fundamentals、get_history 等）存在流量限制。单次请求的数据量过大（如一次性传入 1000 个代码）极易触发限流。
4. 多线程冲突：如果在 run_daily 或 run_interval 等定时任务中与框架事件函数（如 before_trading_start）同一时刻调用了 get_history 或 get_price，也会导致数据获取异常。

解决方案与优化建议

为了彻底解决这个问题，建议对数据获取逻辑进行优化，核心思想是分批获取、增加延时、异常重试。

1. 分批获取数据（List 切片）

不要一次性将 1000 个股票代码传入 get_history 或 get_price。建议将股票列表切分为多个小批次（例如每次 100-200 个代码），分批次请求数据，然后在本地进行合并。

2. 增加时间间隔（Sleep）

在每个批次的请求之间，加入 time.sleep()（例如 0.5 秒或 1 秒），避免触发平台的频率流控限制。

3. 增加非递归的重试机制

使用 try...except 捕获异常，并使用 for 循环进行有限次数的重试，避免依赖底层的递归重试。

优化后的代码示例

以下是一个在 before_trading_start 中安全获取大量股票历史 K 线的代码示例：

import time
import pandas as pd

def initialize(context):
    # 假设这里有1000个股票代码
    g.security_list = get_Ashares()[:1000] 
    set_universe(g.security_list)

def safe_get_history(security_list, count, frequency, field, batch_size=100, max_retries=3):
    """
    安全分批获取历史K线数据
    """
    all_data = []
    
    # 将长列表分批
    for i in range(0, len(security_list), batch_size):
        batch_securities = security_list[i:i + batch_size]
        retries = 0
        success = False
        
        while retries < max_retries and not success:
            try:
                # 获取当前批次的数据
                # 注意：多代码获取时，返回的是 DataFrame，包含 code 列
                batch_data = get_history(count, frequency, field, security_list=batch_securities)
                
                if batch_data is not None and not batch_data.empty:
                    all_data.append(batch_data)
                    success = True
                else:
                    log.warning(f"批次 {i} 获取数据为空，准备重试...")
                    retries += 1
                    time.sleep(1) # 失败后稍作等待
                    
            except Exception as e:
                log.error(f"批次 {i} 获取数据异常: {e}")
                retries += 1
                time.sleep(2) # 异常后等待更长时间
                
        # 批次之间增加正常延时，防止触发流控
        time.sleep(0.5)
        
    # 合并所有批次的数据
    if all_data:
        final_df = pd.concat(all_data)
        return final_df
    else:
        return None

def before_trading_start(context, data):
    log.info("开始盘前获取历史数据...")
    # 每次获取 100 个代码，分批获取
    history_data = safe_get_history(g.security_list, count=5, frequency='1d', field=['close'], batch_size=100)
    
    if history_data is not None:
        log.info(f"成功获取数据，总行数: {len(history_data)}")
        # 后续处理逻辑...
    else:
        log.error("盘前获取历史数据彻底失败！")

def handle_data(context, data):
    pass

总结

在 9:10 这个高并发时间点，化整为零是保证策略稳定运行的关键。通过上述分批和延时策略，可以有效规避 RecursionError 和数据获取为空的问题，提升 ptrade 策略在实盘和模拟盘中的健壮性。