> Source: https://ashareapi.com/docs/ai-quant/ · Markdown version for LLMs / AI agents 专题 # AI 量化怎么做：数据与验证 把 AI 用进 A 股量化，卡点几乎从来不是模型，而是两件事：数据能不能稳定、随时被 AI 拿到；结论能不能被验证（而不是被回测骗）。这篇讲清两条路与四个坑，附可运行代码。 一句话结论 **AI 不解决选股，解决的是「数据与验证的一致性」** —— 模型可以帮你写代码、算指标、批量筛查、总结公告；但**数据从哪来、口径对不对、结论有没有过拟合**，这三件事决定成败。把数据接成 AI 能直接调的工具（MCP），把结论按统计门槛验证，是 ROI 最高的两步。 ## 先破两个常见误区 常见误区 - 「模型越强，选股越准」—— 模型看不到没有的数据；数据质量决定上限 - 「回测收益高就是策略好」—— 过拟合、幸存者偏差、忽略成本，三个都能把假策略做得很好看 - 「AI 会自己上网找数据」—— 抓网页的数据不稳定、不可复现，回测结果无法复算 更接近现实的做法 - **先把数据变成工具**：让 AI Agent 能直接调用结构化行情/财务/资金流，而不是让它读网页 - **先定口径再跑数**：数据字段、复权方式、交易日对齐、成本假设，先写清楚 - **按门槛裁决**：样本量够、置信区间下界 > 0、样本外方向一致 —— 三条都过才算数 ## 数据从哪来：四条路径怎么选 四条常见路径，成本与稳定性差别很大（下表按"能不能支撑长期跑"排序，不按名气）： | | | 路径 | 成本 | 稳定性 | 适合 | 主要的坑 | | 开源库直连（如 AkShare） | 免费 | 中 | 研究、原型、学术用途（官方注明"仅用于学术研究"） | 官方说明：接口"经常由于目标网站变换网页格式需要维护"，需持续升级版本；官方风险提示：商业使用请注意风险。另有官方 HTTP API 版本 AKTools | | 积分制数据服务（如 Tushare） | 积分门槛（分级，**不消耗**积分） | 高 | 结构化历史数据、规范表结构 | 常规数据需 **5000 分以上**才有较高频次；**分钟数据需单独开权限**；仍需自行封装给 AI Agent 用 | | 自建多源 API（本服务） | 免费档可用 · 付费 ¥9.9 起 | 高（多源自动切换，某个源出问题就换） | 长期运行、接 AI Agent / 复盘系统 | 不提供分钟级行情与新闻公告全文（需另配） | | 自己爬网页 | 时间成本最高 | 低 | 一次性、无替代来源的需求 | 页面改版即失效；反爬与法律风险；结果不可复现 开源库直连（如 AkShare） 免费 · 中 研究、原型、学术用途（官方注明"仅用于学术研究"） 官方说明：接口"经常由于目标网站变换网页格式需要维护"，需持续升级版本；官方风险提示：商业使用请注意风险。另有官方 HTTP API 版本 AKTools 积分制数据服务（如 Tushare） 积分门槛（分级，**不消耗**积分） · 高 结构化历史数据、规范表结构 常规数据需 **5000 分以上**才有较高频次；**分钟数据需单独开权限**；仍需自行封装给 AI Agent 用 自建多源 API（本服务） 免费档可用 · 付费 ¥9.9 起 · 高（多源自动切换，某个源出问题就换） 长期运行、接 AI Agent / 复盘系统 不提供分钟级行情与新闻公告全文（需另配） 自己爬网页 时间成本最高 · 低 一次性、无替代来源的需求 页面改版即失效；反爬与法律风险；结果不可复现 选型建议：**研究阶段**用免费开源库没问题；**一旦要长期跑或交给 AI Agent 自动调**，就该换成有 SLA 思路的接口（多源切换、限流明确、字段稳定），否则你的时间会持续消耗在修数据上。 ## 怎么把数据接给 AI Agent：两条路 同一份数据，两种接入方式，分工不同： 路径一：REST（你写代码取数） 你自己控制调用时机与参数，把结果喂给模型。适合做回测、批量计算、定时任务。免费端点**无需 Key**，一个 GET 就能拿数据；返回统一信封 `{ ok, endpoint, tier, elapsed_ms, source, data }`。 ``` import requests r = requests.get( "https://api.ashareapi.com/v1/kline", params={"code": "sh600667", "period": "day", "count": 60}, timeout=10, ) rows = r.json()["data"] # 按日期倒序，rows[0] 是最新一根 # 交给模型做分析时，只传需要的字段，别整包塞进去 ``` 路径二：MCP（配一次，AI Agent 自己取） MCP（Model Context Protocol）是 AI Agent 调用外部工具的标准协议。配一次之后，你在对话里问行情，Agent 会**自己去调工具拿数**，不需要你写取数代码 —— 这是"让 AI 做研究"最省事的形态。 ``` # 以 Claude Code 为例（一次接入，之后每个会话都能用） claude mcp add --transport http ashareapi https://api.ashareapi.com/mcp # 验证：问「太极实业(600667)现在多少钱？」 # 判断标准：看它是否真的调用了工具（如 ashare_quote），而不是答案看着像 ``` 免费工具（行情 / K 线 / 热搜 / 市场总览 / 涨跌分布）无需 Key；付费工具在配置里加一行 `Authorization` 头即可。19 家客户端的完整配置见 [MCP 页](/mcp)，国内平台接入见 [国内平台教程](/docs/mcp-china)。 ## 取到数据之后：验证最容易骗自己的四个坑 回测能给你任何你想要的结论。下面四个是最常见的"假阳性制造机"： 过拟合：参数调到刚好 样本内漂亮的参数，样本外常常失效。**必须留样本外（OOS）**：前 70% 定规则、后 30% 独立裁决，方向不一致就作废。 幸存者偏差：只剩下活的 用"今天的股票列表"回测历史，等于默认当年就知道谁不会退市。要用**当时的全市场样本**（含退市/停牌）。 忽略成本：净收益才是真的 双边佣金+印花税+滑点会吃掉大部分短周期收益。A 股短线的成本量级：10cm 约 -0.50%、20cm 约 -1.10%（双边）。**先算净的**。 样本太少：3 次全对就下结论 小样本的"全对"没有统计意义。我们的门槛：**样本 ≥ 30 且置信区间下界 > 0** 才算通过；区间含 0 就继续积累。 补充一条：**数据口径一旦定下就不要改**。换字段、换复权方式、换成本假设，等于换了一个实验 —— 之前的结论不再适用，验证要重新开始。 ## 常见问题 AI 能预测涨跌吗？ 不能可靠预测。模型擅长的是：批量处理、写代码、算指标、读公告、把散乱数据整理成结构化结论。把这些环节自动化，能省下大量时间与情绪化操作 —— 但"预测涨跌"本身不是它的能力边界内的事。 做 AI 量化要会编程吗？ 接 MCP 之后不需要写取数代码（配置一行，对话即可用）；但**做回测与验证**建议至少能读 Python —— 因为判断"结论是否成立"必须自己看懂统计口径，这一步不该外包给模型。 免费额度够用吗？ 研究和轻量使用够：5 个数据端点免费无需 Key，匿名 5 次/分，解一次 PoW 挑战可到 60 次/分；单次最多 250 根 K 线、每天最多 10 万条。**批量回测或补历史请用 Key**（一次拿满 1212 根、无日上限；标准档 120 次/分）。 能直接用来做回测吗？ 可以取数做回测（K 线/财务/资金流/龙虎榜等），但我们**不提供分钟级行情与新闻公告全文** —— 这两项请继续用 Tushare 或专业数据商，两边可以同时用。 用 AI 自动交易呢？ 本文只讲数据与研究工具，**不涉及也不建议无人值守的自动交易**。任何涉及真实资金的动作，风险控制与人工确认不能被省掉。 最后更新: 2026-09-21 端点、字段与限制取自本服务**线上真实返回**与 MCP `tools/list`（2026-09-21 实测：信封字段 ok/endpoint/tier/elapsed_ms/source/data，免费端点 5 个，匿名 5 次/分、PoW 后 60 次/分、标准档 120 次/分均核对服务端代码）；AkShare 特性引自其官方文档（akshare.akfamily.xyz/introduction 的风险提示与"接口需持续维护"说明）；Tushare 积分规则引自官方文档（tushare.pro/document/1?doc_id=108 权限说明、doc_id=234 分钟数据需单独开权限）；MCP 定义引自 modelcontextprotocol.io（"open-source standard"）；成本量级取自我们自己的回测口径设置。 下一步 把数据接进你的 AI Agent（一行命令），或者先看端点清单确认覆盖范围。 [MCP 量化教程（逐步）](/docs/guides/ai-quant-mcp)[端点清单](/endpoints)[看 MCP 接入（19 家客户端）](/mcp)