问题描述
解决方案
在 QMT（Quantitative Master Trading）量化交易平台中，get_history_data 和 get_market_data_ex 都是用于获取历史行情数据的接口，但它们的设计初衷、数据结构和使用场景有显著区别。
以下是两者的详细对比及推荐建议：
1. 核心区别对比
| 特性 | get_history_data |
get_market_data_ex |
|---|---|---|
| 依赖关系 | 强依赖 ContextInfo.set_universe()。必须先设置股票池，该函数只获取股票池内的数据。 |
独立。可以直接传入股票代码列表 (stock_code)，不需要依赖 set_universe。 |
| 返回数据结构 | Dict { code : List }。 返回一个字典，Value 是 Python 原生 List。 |
Dict { code : DataFrame }。 返回一个字典，Value 是 Pandas DataFrame。 |
| 时间控制 | 仅支持 len 参数（获取最近 N 根 K 线）。无法指定具体的开始和结束时间。 |
支持 start_time、end_time 和 count。可以精确指定时间段，也可以指定数量。 |
| 数据字段 | 字段较固定（open, high, low, close 等）。 | 字段更丰富，支持 Level2 数据（如 l2quoteaux 等，需权限）。 |
| 复权处理 | 支持（参数 dividend_type）。 |
支持（参数 dividend_type），且默认为 follow（跟随主图）。 |
| 主要用途 | 用于编写简单的、基于循环的逻辑，或者不需要 Pandas 复杂计算的场景。 | 用于现代量化分析，结合 Pandas 进行向量化计算、数据清洗和复杂策略开发。 |
2. 详细解析
A. get_history_data
这是 QMT 较早期的接口，设计逻辑更偏向于传统的逐 K 线运行模式。
- 优点：
- 结构简单，对于不懂 Pandas 的初学者，处理 List 比较直观。
- 在
handlebar机制下，配合set_universe使用，代码量较少。
- 缺点：
- 数据处理麻烦：返回的是 List，如果要做均线、MACD 等计算，通常需要自己写循环或者先转换成 Numpy/Pandas 格式，效率较低且代码冗余。
- 灵活性差：无法获取指定历史时间段的数据（只能取最近 N 个）。
代码示例：
# 必须先设置股票池
ContextInfo.set_universe(['600000.SH'])
# 获取最近 5 天的收盘价
# 返回结构: {'600000.SH': [10.1, 10.2, 10.3, 10.4, 10.5]}
history_data = ContextInfo.get_history_data(5, '1d', 'close')
B. get_market_data_ex
这是 QMT 推荐使用的增强版接口（ex 代表 extension/enhanced），专门为 Python 量化生态（主要是 Pandas）优化。
- 优点：
- 原生 Pandas 支持：直接返回 DataFrame，可以直接调用
df.mean(),df.rolling(),df.apply()等强大的数据分析方法。 - 灵活性极高：可以随意指定任意股票列表、任意时间段。
- 信息全面：索引包含时间戳，列包含数据字段，数据对齐更方便。
- 原生 Pandas 支持：直接返回 DataFrame，可以直接调用
- 缺点：
- 需要用户具备一定的 Pandas 库基础知识。
代码示例：
# 直接获取，无需 set_universe
# 返回结构: {'600000.SH': DataFrame(index=time, columns=['open', 'close'...])}
data_map = ContextInfo.get_market_data_ex(
['open', 'close'],
['600000.SH'],
period='1d',
count=5
)
df = data_map['600000.SH']
# 直接计算均线
ma5 = df['close'].mean()
3. 哪个更好用？
结论：强烈推荐使用 get_market_data_ex。
理由如下：
- 数据分析能力：量化策略通常涉及大量的统计计算（如均线、标准差、协方差），Pandas DataFrame 是 Python 数据分析的标准载体。
get_market_data_ex直接对接 Pandas，避免了繁琐的数据类型转换。 - 灵活性：在回测或实盘中，你经常需要获取"上个月"或"特定日期区间"的数据，
get_history_data无法满足此需求，而get_market_data_ex可以。 - 未来兼容性：
get_market_data（无 ex 版本）已被官方标记为不建议使用，get_market_data_ex是官方主推的接口，维护和支持会更好。
4. 总结建议
- 如果你是 Python 初学者，且策略逻辑非常简单（例如：今天收盘价大于昨天收盘价就买入），不涉及复杂指标计算，可以使用
get_history_data。 - 如果你是 专业量化开发者，或者需要计算技术指标（MA, KDJ, 布林带等）、进行因子分析、处理多只股票的数据对齐，请务必使用
get_market_data_ex。
Q&A: QMT 数据接口常见问题
Q: get_market_data (不带 ex) 和 get_market_data_ex 有什么区别？
A: get_market_data 是旧版接口，返回的数据结构非常复杂（根据参数不同，可能返回值、Series、DataFrame 或 Panel），极易导致代码出错。官方文档明确建议不再使用该接口，改用 get_market_data_ex，后者返回结构统一且清晰。
Q: get_market_data_ex 获取的数据包含停牌填充吗？
A: 可以通过参数 fill_data 控制。默认为 True（暂不可用，具体视版本而定），通常建议在获取 DataFrame 后使用 Pandas 的 fillna 方法（如 ffill 前向填充）来处理停牌数据，这样更可控。
Q: 为什么 get_market_data_ex 返回的是字典而不是直接返回 DataFrame？
A: 因为该接口支持同时查询多只股票。字典的 Key 是股票代码，Value 是该股票对应的 DataFrame。即使只查询一只股票，返回的也是包含一个键值对的字典。
Q: 如何将 get_market_data_ex 返回的字典转换为一个大的 DataFrame？
A: 可以使用 pandas.concat。例如：df_all = pd.concat(data_map.values(), keys=data_map.keys())，这样可以创建一个多级索引的 DataFrame，方便进行截面分析。