如何获取股票的日内分时数据做盘中分析？（分钟级）

原创

用户7083614

发布于 2026-09-06 09:00:42

一句话回答： 用日内分时接口 af.klines.intraday 就能拿到当日逐分钟的走势（价格+成交量）。有了它可以计算 VWAP（成交量加权均价）、找出放量时段、复刻分时图，并对多只股票批量监控。

分时数据 vs 分钟 K 线

分钟 K 线（af.klines.get(period="1m")）：可跨多日取历史分钟数据；
日内分时（af.klines.intraday）：专门取当天的分钟级走势，最适合盘中实时分析。

两者字段类似，都用 trade_time 作为时间列。

获取单只标的的分时

from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")

df = af.klines.intraday("600519.SH", to_dataframe=True)
print(df[["symbol", "name", "trade_time", "open", "high", "low", "close", "volume"]].tail())

支持周期 1m（默认）、5m、15m、30m、60m：

df5 = af.klines.intraday("600519.SH", period="5m", to_dataframe=True)

计算 VWAP（分时均价线）

VWAP 是分时图上那条黄色均价线，也是很多机构的成交基准：VWAP = Σ(价格 × 成交量) / Σ成交量。用典型价（高低收均值）更贴近真实：

df = af.klines.intraday("600519.SH", to_dataframe=True)
df = df.sort_values("trade_time").reset_index(drop=True)

typical = (df["high"] + df["low"] + df["close"]) / 3
df["vwap"] = (typical * df["volume"]).cumsum() / df["volume"].cumsum()

print(df[["trade_time", "close", "vwap"]].tail(10).to_string(index=False))

用途： 现价在 VWAP 之上说明当日买方占优；日内做 T 时常以"低于 VWAP 买、高于 VWAP 卖"作参考。

找出放量时段

哪几分钟成交突然放大，往往对应关键买卖点：

avg_vol = df["volume"].mean()
spikes = df[df["volume"] > avg_vol * 3]     # 成交量超过均值 3 倍
print("放量时段：")
print(spikes[["trade_time", "close", "volume"]].to_string(index=False))

计算日内累计涨跌和振幅

open_price = df["open"].iloc[0]
last = df["close"].iloc[-1]
high = df["high"].max()
low = df["low"].min()

print(f"日内涨跌: {(last/open_price-1):.2%}")
print(f"日内振幅: {(high-low)/open_price:.2%}")

批量获取多只标的的分时

dfs = af.klines.intraday_batch(["600519.SH", "000001.SZ", "601318.SH"], to_dataframe=True)
for sym, d in dfs.items():
    print(f"{sym}: {len(d)} 条分钟线，最新价 {d['close'].iloc[-1]}")

组合：盘中放量拉升扫描器

结合全市场行情初筛 + 分时确认，找出"盘中正在放量拉升"的票：

# 1. 全 A 行情，先按涨幅和成交额粗筛
q = af.quotes.get(universes="CN_Stock", to_dataframe=True)
q["change_pct"] = (q["last_price"] - q["prev_close"]) / q["prev_close"]
cand = q[(q["change_pct"] > 0.03) & (q["amount"] > 3e8)]["symbol"].tolist()[:100]

# 2. 取分时，看最近 5 分钟量能是否明显放大
dfs = af.klines.intraday_batch(cand, to_dataframe=True)
hot = []
for sym, d in dfs.items():
    if len(d) < 30:
        continue
    recent = d["volume"].iloc[-5:].mean()
    base = d["volume"].iloc[:-5].mean()
    if base > 0 and recent > base * 2:
        hot.append({"symbol": sym, "vol_ratio": round(recent / base, 2)})

print(sorted(hot, key=lambda x: -x["vol_ratio"])[:20])

标的池与分时批量查询需要 Starter 及以上权限。

常见问题（FAQ）

Q：分时数据覆盖哪些时段？

A：当日交易时段的分钟级走势，从开盘到最新一分钟。

Q：intraday 和 get(period="1m") 有什么区别？

A：intraday 面向"当天分时"场景更方便；get(period="1m") 可跨日取历史分钟线。

Q：分钟级数据支持哪些市场？

A：分钟级（含日内分时）主要支持 A 股。

Q：能拿到逐笔成交（tick）吗？

A：当前提供分钟级粒度（1m 起），适合分时分析与分钟策略。

小结

日内分时是盘中分析的主力数据：算 VWAP 判断多空、找放量时段抓拐点、批量扫描异动。af.klines.intraday 和 intraday_batch 让单只和批量都很省事，配合全市场行情初筛就能做出实时的盘中扫描器。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

pandas

#量化交易

#股票数据