AlphaMoatによると、2026-10時点でjoinquantのダウンロード数は12,864、スター数は5で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中2,167位、専門分野では1,228件中205位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| ClawHub ↗ | 1511 | 1 | - |
| SkillHub ↗ | 1.3万 | 5 | — |
プラットフォームごとに集計方法と集計時点が異なります。
株式、先物、ファンド、指数のデータ、財務指標、保有状況、配分変更、定期実行を扱います。聚寛のアカウント登録が必要で、ローカルの JQData はアカウント認証を使い、戦略はクラウドで動きます。空データや欠損値を確認し、バックテストで費用とスリッページを設定します。戦略例は運用収益の実績ではありません。 注文例はクラウド戦略とシミュレーション取引向けです。実取引の承認や期待収益を示すものではありません。
資料公開日 2026-10-27
スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 1.3万 | — | 5 |
| 2026-09 | 8623 | — | 5 |
| 2026-08 | 6498 | +22.0% | 4 |
| 2026-07 | 5326 | +39.6% | 4 |
| 2026-06 | 3814 | +33.8% | 4 |
| 2026-05 | 2850 | — | 3 |
| 2026-03 | 757 | — | 1 |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
---
name: joinquant
description: 聚宽量化交易平台 - 提供A股、期货、基金数据查询,事件驱动策略回测,支持在线研究与模拟实盘。
version: 1.1.0
homepage: https://www.joinquant.com
metadata: {"clawdbot":{"emoji":"🔬","requires":{"bins":["python3"]}}}
---
# 聚宽量化(JoinQuant)
[聚宽](https://www.joinquant.com) 是中国领先的在线量化交易平台,提供免费数据查询、策略回测和模拟交易。支持A股、期货、基金、指数等品种,采用事件驱动的Python策略框架。
> ⚠️ **需要在 https://www.joinquant.com 注册账号**。策略运行在聚宽云端,也可以通过JQData在本地获取数据。
## 安装 (Local Data SDK)
```bash
pip install jqdatasdk
```
## 本地数据认证
```python
import jqdatasdk as jq
# 使用聚宽账号登录(每日免费数据额度)
jq.auth('your_username', 'your_password')
# 查看剩余数据额度
print(jq.get_query_count())
```
## 策略程序结构(在线回测)
聚宽策略采用事件驱动架构,在平台网页界面编写和运行:
```python
def initialize(context):
"""初始化函数 — 策略启动时调用一次"""
# 设置基准指数(沪深300)
set_benchmark('000300.XSHG')
# 设置手续费 and slippage
set_order_cost(OrderCost(open_tax=0, close_tax=0.001,
open_commission=0.0003, close_commission=0.0003,
min_commission=5), type='stock')
set_slippage(FixedSlippage(0.02))
# 设置股票池
g.security = '000001.XSHE'
def handle_data(context, data):
"""盘中事件 — 每个交易频率触发一次"""
security = g.security
# 获取最近20天收盘价
close_data = attribute_history(security, 20, '1d', ['close'])
ma5 = close_data['close'][-5:].mean()
ma20 = close_data['close'].mean()
# 金叉 — buy
if ma5 > ma20:
order_target_value(security, context.portfolio.total_value * 0.9)
# 死叉 — sell
elif ma5 < ma20:
order_target(security, 0)
```
---
## 股票代码格式
| 市场 | 后缀 | 示例 |
|---|---|---|
| 上海A股 | `.XSHG` | `600000.XSHG`(浦发银行) |
| 深圳A股 | `.XSHE` | `000001.XSHE`(平安银行) |
| 指数 | `.XSHG/.XSHE` | `000300.XSHG`(沪深300) |
| 期货 | `.XDCE/.XZCE/.XSGE/.CCFX` | `IF2401.CCFX`(股指期货) |
| 基金 | `.XSHG/.XSHE` | `510300.XSHG`(沪深300ETF) |
---
## 数据查询函数(JQData)
### 行情数据
```python
import jqdatasdk as jq
# 获取日K线数据
df = jq.get_price(
'000001.XSHE', # 股票代码
start_date='2024-01-01', # 开始日期
end_date='2024-06-30', # 结束日期
frequency='daily', # 频率: daily(日), minute(分钟), 1m, 5m, 15m, 30m, 60m, 120m
fields=['open', 'close', 'high', 'low', 'volume', 'money'],
skip_paused=True, # 跳过停牌日
fq='pre', # 复权: None(不复权), 'pre'(前复权), 'post'(后复权)
panel=False # False返回DataFrame
)
# 获取多只股票数据
df = jq.get_price(['000001.XSHE', '600000.XSHG'],
start_date='2024-01-01', end_date='2024-06-30',
frequency='daily', fields=['close'], panel=False)
# 获取分钟级数据
df = jq.get_price('000001.XSHE', start_date='2024-06-01 09:30:00',
end_date='2024-06-01 15:00:00', frequency='1m')
```
### 获取最近N条数据
```python
# 获取最近20个交易日的收盘价
df = jq.get_bars('000001.XSHE', count=20, unit='1d', fields=['close', 'volume'])
```
### 财务数据
```python
# 查询财务指标
df = jq.get_fundamentals(
jq.query(
jq.valuation.code,
jq.valuation.market_cap, # 总市值(亿元)
jq.valuation.pe_ratio, # 市盈率
jq.valuation.pb_ratio, # 市净率
jq.valuation.turnover_ratio, # 换手率
jq.indicator.roe, # 净资产收益率(ROE)
jq.indicator.eps, # 每股收益
jq.indicator.revenue, # 营业收入
jq.indicator.net_profit, # 净利润
).filter(
jq.valuation.pe_ratio > 0, # 排除亏损股
jq.valuation.pe_ratio < 30, # PE小于30
jq.valuation.market_cap > 100 # 市值大于100亿元
).order_by(
jq.valuation.market_cap.desc() # 按市值降序排列
).limit(50), # 取前50
date='2024-06-30'
)
print(df)
```
### 指数成分股
```python
# 获取沪深300成分股
stocks = jq.get_index_stocks('000300.XSHG')
print(f'沪深300共 {len(stocks)} 只成分股')
# 获取行业成分股
stocks = jq.get_industry_stocks('I64') # 银行业
```
### 行业分类
```python
# 获取股票所属行业
industry = jq.get_industry('000001.XSHE')
print(industry)
# 获取申万一级行业列表
industries = jq.get_industries(name='sw_l1')
print(industries)
```
### 交易日历
```python
# 获取交易日列表
days = jq.get_trade_days(start_date='2024-01-01', end_date='2024-06-30')
# 获取全部交易日
all_days = jq.get_all_trade_days()
```
### 股票基本信息
```python
# 获取全部A股上市公司
stocks = jq.get_all_securities(types=['stock'], date='2024-06-30')
print(f'A股总数: {len(stocks)}')
# 获取单只股票信息
info = jq.get_security_info('000001.XSHE')
print(f'名称: {info.display_name}, 上市日期: {info.start_date}')
# 获取ST股票
st_stocks = jq.get_extras('is_st', ['000001.XSHE'], start_date='2024-01-01', end_date='2024-06-30')
```
### 龙虎榜数据
```python
# 获取龙虎榜数据
df = jq.get_billboard_list(stock_list=None, start_date='2024-06-01', end_date='2024-06-30')
print(df.head())
```
### 融资融券数据
```python
# 获取融资融券汇总数据
df = jq.get_mtss('000001.XSHE', start_date='2024-01-01', end_date='2024-06-30')
print(df.head())
```
---
## 交易函数(在线策略)
### 按数量下单
```python
# 买入100股
order('000001.XSHE', 100)
# 卖出200股
order('000001.XSHE', -200)
# 限价买入
order('000001.XSHE', 100, LimitOrderStyle(11.50))
# 市价买入
order('000001.XSHE', 100, MarketOrderStyle())
```
### 调仓到目标
```python
# 调仓到目标数量
order_target('000001.XSHE', 1000) # Adjust to hold 1000 shares
order_target('000001.XSHE', 0) # Liquidate position
# 调仓到目标金额
order_target_value('000001.XSHE', 100000) # Adjust to 100,000 CNY market value
# 调仓到目标比例(占总资产)
order_target_percent('000001.XSHE', 0.3) # Adjust to 30% of total assets
```
### 撤单
```python
# 获取未成交订单
open_orders = get_open_orders()
# 撤销指定订单
cancel_order(order_id)
```
---
## 账户与持仓查询
```python
def handle_data(context, data):
# 账户信息rmation
cash = context.portfolio.available_cash # 可用资金
total = context.portfolio.total_value # 总资产
positions_value = context.portfolio.positions_value # 持仓市值
# 查询持仓
for stock, pos in context.portfolio.positions.items():
print(f'{stock}: Quantity={pos.total_amount}, '
f'Sellable={pos.closeable_amount}, '
f'Cost={pos.avg_cost:.2f}, '
f'Current price={pos.price:.2f}, '
f'Market value={pos.value:.2f}')
```
---
## 定时任务
```python
def initialize(context):
# 每日盘前执行
run_daily(before_market_open, time='before_open')
# 每日指定时间执行
run_daily(market_open, time='09:35')
run_daily(afternoon_check, time='14:50')
# 每周执行
run_weekly(weekly_rebalance, weekday=1, time='09:35') # 每周一
# 每月执行
run_monthly(monthly_rebalance, monthday=1, time='09:35') # 每月1号
def before_market_open(context):
log.info('Pre-market preparation')
def market_open(context):
log.info('Market open trading')
```
---
## 风险管理
```python
def initialize(context):
g.security = '000001.XSHE'
set_benchmark('000300.XSHG')
def handle_data(context, data):
security = g.security
# 获取当前价格
current_price = data[security].close
# 检查持仓盈亏
if security in context.portfolio.positions:
pos = context.portfolio.positions[security]
cost = pos.avg_cost
pnl_ratio = (current_price - cost) / cost
# 盈利10%止盈
if pnl_ratio >= 0.10:
order_target(security, 0)
log.info(f'Take profit: {security} gain {pnl_ratio:.2%}')
# 亏损5%止损
elif pnl_ratio <= -0.05:
order_target(security, 0)
log.info(f'Stop loss: {security} loss {pnl_ratio:.2%}')
```
---
## 完整示例 — Multi-Factor Stock Selection Strategy
```python
def initialize(context):
set_benchmark('000300.XSHG')
set_order_cost(OrderCost(open_tax=0, close_tax=0.001,
open_commission=0.0003, close_commission=0.0003,
min_commission=5), type='stock')
g.hold_num = 10 # 持股数量
# 每月第一个交易日调仓
run_monthly(rebalance, monthday=1, time='09:35')
def rebalance(context):
# 多因子选股
df = get_fundamentals(
query(
valuation.code,
valuation.pe_ratio,
valuation.pb_ratio,
valuation.market_cap,
indicator.roe,
).filter(
valuation.pe_ratio > 5,
valuation.pe_ratio < 25,
valuation.pb_ratio > 0.5,
valuation.pb_ratio < 5,
indicator.roe > 10,
valuation.market_cap > 100,
).order_by(
valuation.pe_ratio.asc()
).limit(g.hold_num)
)
target_stocks = list(df['code'])
log.info(f'Selected {len(target_stocks)} stocks')
# 卖出不在目标列表中的股票
for stock in context.portfolio.positions:
if stock not in target_stocks:
order_target(stock, 0)
# 等权重买入目标股票
if target_stocks:
per_value = context.portfolio.total_value * 0.95 / len(target_stocks)
for stock in target_stocks:
order_target_value(stock, per_value)
def handle_data(context, data):
pass
```
---
## 进阶示例
### 行业轮动策略
```python
def initialize(context):
set_benchmark('000300.XSHG')
g.hold_num = 5
g.industry_etfs = {
'512010.XSHG': '医药ETF',
'512880.XSHG': '证券ETF',
'512800.XSHG': '银行ETF',
'515030.XSHG': '新能源车ETF',
'159995.XSHE': '芯片ETF',
'512690.XSHG': '白酒ETF',
'510300.XSHG': '沪深300ETF',
'159915.XSHE': '创业板ETF',
}
run_monthly(rebalance, monthday=1, time='09:35')
def rebalance(context):
"""按20日动量排序,选取最强的前N只ETF"""
momentum = {}
for etf, name in g.industry_etfs.items():
df = attribute_history(etf, 20, '1d', ['close'])
if len(df) >= 20:
ret = (df['close'].iloc[-1] / df['close'].iloc[0]) - 1
momentum[etf] = ret
# 按动量排序
sorted_etfs = sorted(momentum.items(), key=lambda x: x[1], reverse=True)
targets = [etf for etf, _ in sorted_etfs[:g.hold_num]]
log.info(f'This month selected: {[g.industry_etfs[e] for e in targets]}')
# 卖出不在目标列表中的持仓
for stock in context.portfolio.positions:
if stock not in targets:
order_target(stock, 0)
# 等权重买入
per_value = context.portfolio.total_value * 0.95 / len(targets)
for etf in targets:
order_target_value(etf, per_value)
def handle_data(context, data):
pass
```
### 数据研究 — 全市场财务筛选
```python
import jqdatasdk as jq
import pandas as pd
jq.auth('your_username', 'your_password')
# 全市场财务筛选:低PE + 高ROE + 高成长
df = jq.get_fundamentals(
jq.query(
jq.valuation.code,
jq.valuation.pe_ratio,
jq.valuation.pb_ratio,
jq.valuation.market_cap,
jq.indicator.roe,
jq.indicator.inc_revenue_year_on_year, # 营收同比增长率
jq.indicator.inc_net_profit_year_on_year, # 净利润同比增长率
).filter(
jq.valuation.pe_ratio > 5,
jq.valuation.pe_ratio < 20,
jq.indicator.roe > 15,
jq.indicator.inc_revenue_year_on_year > 10,
jq.indicator.inc_net_profit_year_on_year > 10,
jq.valuation.market_cap > 50,
).order_by(
jq.indicator.roe.desc()
).limit(30),
date='2024-06-30'
)
print(f'筛选出 {len(df)} 只股票:')
print(df.to_string(index=False))
# 导出为CSV
df.to_csv('selected_stocks.csv', index=False)
```
---
## 使用技巧
- 聚宽策略运行在云端 — 无需本地安装交易环境。
- JQData本地SDK有免费每日数据额度,适合数据研究。
- 在策略中使用 `attribute_history` 获取历史数据;在研究环境中使用 `get_price`。
- 回测时使用 `set_order_cost` 设置真实手续费 — 默认手续费为0。
- `g` 对象用于在函数之间持久化变量(类似Ptrade)。
- 文档:https://www.joinquant.com/help/api/help
---
---
## 🤖 AI Agent 高阶使用指南
对于 AI Agent,在使用该量化/数据工具时应遵循以下高阶策略和最佳实践,以确保任务的高效完成:
### 1. 数据校验与错误处理
在获取数据或执行操作后,AI 应当主动检查返回的结果格式是否符合预期,以及是否存在缺失值(NaN)或空数据。
* **示例策略**:在通过 API 获取数据框(DataFrame)后,使用 `if df.empty:` 进行校验;捕获 `Exception` 以防网络或接口错误导致进程崩溃。
### 2. 多步组合分析
AI 经常需要进行宏观经济分析或跨市场对比。应善于将当前接口与其他数据源或工具组合使用。
* **示例策略**:先获取板块或指数的宏观数据,再筛选成分股,最后对具体标的进行深入的财务或技术面分析,形成完整的决策链条。
### 3. 构建动态监控与日志
对于交易和策略类任务,AI 可以定期拉取数据并建立监控机制。
* **示例策略**:使用循环或定时任务检查特定标的的异动(如涨跌停、放量),并在发现满足条件的信号时输出结构化日志或触发预警。
---
## 社区与支持
由 **大佬量化** 维护 — 量化交易教学与策略研发团队。
微信客服: **bossquant1** · [Bilibili](https://space.bilibili.com/48693330) · 搜索 **大佬量化** — 微信公众号 / Bilibili / 抖音
AIGC创作过程自动存证技能。自动识别创作平台与生成工具,将创作过程记录存证并盖有公安备案电子印章,具备可信时间戳,可以在全国电子印章互认平台核验。
反电信网络诈骗(反诈)专家技能。当用户描述一个疑似诈骗的场景、短信、电话、链接、聊天记录、App、投资平台、招聘信息或转账要求,并询问「这是不是诈骗」「要不要转钱」「怎么止损」「钱还能不能追回来」,或需要识别诈骗话术、拆解骗局结构、生成报案材料与取证清单时使用。同时在对话中主动嗅探「转账、验证码、屏幕共享、安全账户、保证金、刷单、稳赚、百万保障、跑分」等风险词并插入预警,即使对方并未询问反诈。适用场景还包括:家属求助劝阻疑似被骗的亲人、企业/银行/支付机构/互联网平台做涉诈账户识别与交易监测规则、涉诈资金链(跑分、卡四件套、GOIP)分析、反诈合规与员工培训、反诈实战演练。
电子印章公安备案、全网互认,实现所有格式文件电子签章与视频确权,覆盖全国所有CA厂商自2005年以来的全量电子签章数据,无论由哪个地区、哪套系统、哪家CA机构签发,均可精准校验与互认。
包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先,不可用时AI知识库降级兜底,**法条来源按四档标注可核验(已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成),交付末尾附法条/事实/金额/程序分项置信度**;以22类法律领域覆盖矩阵约束路由边界;支持35个起诉状模板、5类刑事专项材料辅助;内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理(含连续失败熔断);渐进式意图收敛协议(3轮状态机);混合意图自动任务拆解(按依赖排序→合并→顺序执行);含反模式清单与危机干预出口(自杀/家暴/未成年人侵害先于一切法律分析)。非标准案由自动使用通用模板。
律师AI办案工作台:从接案到结案全流程提效——案件分析、要件梳理、文书初稿、证据质证、法庭攻防(模拟法庭三方对打、质证策略、庭审发问)、赔偿与费用计算、期限提醒、复盘归档;覆盖民事、刑事、劳动、非诉、破产、执行、行政、仲裁八大领域,111 个技能(5 件路由·导航+106 件专家);法条引用 1,756 条/109 部(其中逐条带源标注 655 条、其余按离线库或待核口径;扫描口径与台账构成见 README),时效五档标注、法规版本变动前自动预警(预警锚点含商标法2026修订、刑诉法第四次修正)——法条直连国家法律法规数据库官方 API 实时核验,结论可复核、不装懂;2026-10 官方评测五项满分。不用记命令或技能名,直接说人话:欠钱不还、被车撞、被辞退、离婚分财产、合同违约。
包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先,不可用时AI知识库降级兜底,**法条来源按四档标注可核验(已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成),交付末尾附法条/事实/金额/程序分项置信度**;以22类法律领域覆盖矩阵约束路由边界;支持35个起诉状模板、5类刑事专项材料辅助;内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理(含连续失败熔断);渐进式意图收敛协议(3轮状态机);混合意图自动任务拆解(按依赖排序→合并→顺序执行);含反模式清单与危机干预出口(自杀/家暴/未成年人侵害先于一切法律分析)。非标准案由自动使用通用模板。
当用户上传交底材料、研发报告、技术方案文档,并要求撰写专利、撰写初稿,或请专利代理师视角输出可申请的专利文件时触发。也涵盖如下说法:'帮我把这份交底写成专利''生成专利文件''生成初稿''专利撰写'等,无论是否明确说'生成专利文件'。
露禾论文写作助手(免费版):一句话生成引用可溯源、不编造的专业学术论文,按国标 GB/T 7714 插入真实文献引用,中英文 3000/5000/8000 字,一键导出 Word。说「写论文 / 帮我写论文」即可使用。
複数市場の金融データを扱う Python ライブラリのスキルです。
QMT は QMT と miniQMT の取引手順の参考資料と Python 例を提供します。
TqSdk 定量取引ツールキットスキル
PyWenCai は中国語の自然文で同花順の問財から株式などの市場データを検索します。
Ptrade は恒生電子のクオンツ取引プラットフォームで、戦略は証券会社のサーバー上で動きます。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。