⑴ 股票分時數據 用什麼資料庫
可以使用銳思資料庫。
銳思高頻資料庫囊括上海、深圳等各大證券期貨交易所等權威機構數據，交易文件包括分筆和5分鍾、10分鍾、15分鍾、20分鍾、30分鍾、40分鍾、60分鍾頻率的分時數據。
它是為滿足量化投資時代背景下市場各類參與者對於高頻數據等方面的迫切需求而推出的，基於高頻數據訪問與應用的一款產品。
⑵ 股票軟體怎麼開發
股票軟體開發的方法如下：
一、股票軟體開發定製分析
然後把它用軟體工程開發語言（形式功能規約，軟體需求分析就是回答做什麼的問題。一個對用戶的需求進行去粗取精、去偽存真、正確理解。即需求規格說明書）表達進去的過程。本階段的基本任務是和用戶一起確定要解決的問題，建立軟體的邏輯模型，編寫需求規格說明書文檔並最終得到用戶的認可。需求分析的主要方法有結構化分析方法、數據流程圖和數據字典等方法。本階段的工作是根據需求說明書的要求，設計建立相應的軟體系統的體系結構，並將整個系統分解成若干個子系統或模塊，定義子系統或模塊間的介面關系，對各子系統進行具體設計定義，編寫軟體概要設計和詳細設計說明書，資料庫或數據結構設計說明書，組裝測試計劃。
二、股票軟體開發設計
也可以是可組合、可分解和可更換的功能單元。模塊，股票軟體設計可以分為概要設計和詳細設計兩個階段。實際上軟體設計的主要任務就是將軟體分解成模塊是指能實現某個功能的數據和程序說明、可執行程序的順序單元。可以是一個函數、過程、子程序、一段帶有順序說明的獨立的順序和數據。然後進行模塊設計。概要設計就是結構設計，其主要目標就是給出軟體的模塊結構，用軟體結構圖表示。詳細設計的首要任務就是設計模塊的順序流程、演算法和數據結構，主要任務就是設計資料庫，常用方法還是結構化順序設計方法。
三、股票軟體開發定製編碼
即寫成以某一順序設計語言表示的「源程序清單」充沛了解軟體開發語言、工具的特性和編程風格，軟體編碼是指把軟體設計轉換成計算機可以接受的順序。有助於開發工具的選擇以及保證軟體產品的開發質量。
四、股票軟體開發測試
關鍵在於理解測試方法。不同的測試方法有不同的測試用例設計方法。兩種常用的測試方法是白盒法測試對象是源程序，股票軟體測試的目的以較小的代價發現盡可能多的錯誤。要實現這個目標的關鍵在於設計一套出色的測試用例（測試數據和預期的輸出結果組成了測試用例）如何才幹設計出一套出色的測試用例。依據的順序內部的邏輯結構來發現軟體的編程錯誤、結構錯誤和數據錯誤。結構錯誤包括邏輯、數據流、初始化等錯誤。用例設計的關鍵是以較少的用例覆蓋盡可能多的內部順序邏輯結果。白盒法和黑盒法依據的軟體的功能或軟體行為描述，發現軟體的介面、功能和結構錯誤。其中介面錯誤包括內部、外部介面、資源管理、集成化以及系統錯誤。
五、股票軟體開發與維護
對軟體產品所進行的一些軟體工程的活動。即根據軟體運行的情況，維護是指在已完成對軟體的研製（分析、設計、編碼和測試）工作並交付使用以後。對軟體進行適當修改，以適應新的要求，以及糾正運行中發現的錯誤。編寫軟體問題演講、軟體修改演講。
⑶ 怎麼做實時的股票資料庫
如果主站提供有相關的介面的話,可以調主站的介面.如果主站不提供相關介面.那就不不斷抓取.獲取最新的信息了.
⑷ 如何搭建自己的股票高頻資料庫（Python）
二話不說，先上結果。本文闡述了以下幾個方面：
下圖是編寫好的數據介面提取數據的示例。該數據介面支持多標的、多品種（股票、指數一起提取）、多欄位、多時間提取。並且支持不復權、後復權、等比前復權提取（前復權不太實用就沒有做）。而且速度巨快，沒有數據量的限制。如果你也覺得很香，請接著往下看，本文將手把手教你搭建這樣的資料庫。
資料庫搭建需要用到一些第三方庫，在各位動手之前請安裝：
本文的方法不涉及到常用的資料庫（不涉及MySQL、MongoDB），思路非常簡單，請各位放心食用。主要是使用pyarrow來加強代碼性能。雖然不涉及到常用資料庫，但這是我目前能想到的最有效的方法。
正所謂「巧婦難為無米之炊」，想搭建高頻資料庫，就需要一個數據源獲取高頻數據。在此，我推薦聚寬作為我們的數據源。 聚寬賬號的申請請點這里。新人用戶有每日100萬條數據，DataFrame的一行算一條，請各位務必珍惜自己的數據量。（不過我是正式用戶了，每天兩個億，就不太在意這一點哈哈。）
非會員的100萬條數據量能幹啥？我們來簡單計算以下：每個交易日有240條數據（4個小時，240條分鍾k線），假設一年有250個交易日，每隻股票每年需要佔用60000條數據。也即一日的數據量能夠提取一隻股票16年（100/6=16.66667）左右的股票分鍾數據。相當於資料庫的搭建過程還是相當艱難的，每天耗盡數據量只能下載好一隻股票的數據。（白嫖是這樣的啦，如果有條件可以聯系聚寬客服，購買正式賬號）
我們這里假設我們的資料庫記錄2015年至今的股票分鍾數據。（當然我自己的資料庫記錄的是2005年1月1日的全A股分鍾數據）這里，我們以貴州茅台（股票代碼 600519.XSHG）為例，演示數據的提取與保存。先看看數據如何從介面提取出來（這里需要用到各位申請的聚寬賬號）：
來看看代碼運行的結果。
數據提取後，自然需要把數據保存起來。pandas.DataFrame有很多方便的方法可以將數據保存下來。為做對比，這里將數據保存為csv格式和ftr格式。
相對應的，我們可以用這樣的代碼將保存好的數據讀取進來。雖然pandas有read_feather函數，可以直接將ftr文件讀取進來，但這個速度比直接調用pyarrow的更慢一些。考慮到代碼性能，這里直接從pyarrow調用read_feather函數。
雖然兩種格式都能將數據完整地保存下來，但讀取速度上，ftr文件占據著絕對的優勢。因此，我們考慮到資料庫的性能以及資料庫所佔空間，我們選擇使用ftr格式儲存數據。feather正如他的名稱，像羽毛一樣輕，它所佔的空間會比csv更小。這是一種不佔空間，讀取速度又快的文件格式，太香了！
在前文中我提到了行情數據的提取、保存方法，並強調了一定要提取不復權的數據。這是為了與復權因子結合，還原各種形式的復權數據。至於復權的詳細定義，請參看 網路。
隨便打開一個股票看盤軟體，大致會有3種復權方式，即前復權、不復權、後復權。按照我自己的想法，可以這么理解：
在這樣的情況下，如果記錄價格數據，記錄前復權的數據是最沒有意義的，因為隔一段時間，歷史的價格就全變了。如果只做收益率相關研究的話，記錄後復權數據是可以的。然而，我們這里要搭建資料庫，所以採取「記錄不復權數據」加上「復權因子」還原的方法。
我們著手提取復權因子。在提取之前，不妨再理順一下思路：
思路理順了，我們來看看後復權因子的提取方法：
有了復權因子，如何計算復權價格？請接著看第3節——數據介面編寫。
提取了行情數據和復權因子數據，應當找個地方把它們存放起來。我分了兩個文件夾來保存我的數據。
在你搜集了足夠多隻股票的分鍾數據後，就能夠來到這一步，編寫一個數據介面方便調用數據。
數據介面的編寫重難點在於股票價格復權的計算。這里同樣以貴州茅台（股票代碼 600519.XSHG）為例來演示如何進行復權的計算。復權的核心在於下面這個公式：
[公式]
先來看看我們如何提取貴州茅台在一段時間（這里為2015-01-01至2021-09-08）內的後復權分鍾數據。（這里千萬不能將交易量和交易額一起拿去復權了。只有價格數據需要復權。（我不太確定交易量要不要，要的話我就改一改嘿嘿））
看看代碼運行的效果。
那麼，等比前復權該如何實現呢？其實很簡單，只需要在框定了復權因子的時間後，讓復權因子全序列除以最後一個復權因子，即得到前復權因子。將這個前復權因子乘上不復權的價格，即可得到等比前復權的價格數據。
以下是數據介面的全部代碼，裡面有挺多細節（但挺簡單的），我就不再贅述了。
要更新資料庫的數據，則是將資料庫中的所有數據文件逐個讀取進來，取最後一天作為start_date，然後取今天作為end_date。將新數據合並到原有的DataFrame中並保存就完成了數據的更新。數據更新比較耗時，也需要一定的數據量。不過，不論如何，我們來看看數據更新的代碼。
在編寫完這些代碼後，我把這些代碼整合成了一個python文件【high_freq_db.py】放在了site-package中，方便以後數據的調用和更新。
親愛的讀者，感謝你讀到這里。本文講述了我搭建我的股票高頻資料庫的方法。畢竟我的專業是金融而非計算機，難免會有不足的地方，懇請大家在評論區指出。（華工封校了，我也快瘋了，所以一天寫了兩篇東西。。。。）
另外，這個資料庫完全搭建起來之後會非常大（行情數據佔80GB左右，包含指數和個股ftr文件），維護起來也比較費時費力，就不對外公布了（我也不知道怎麼公布【手動捂臉】）。如確有需要，可以和我私信。
再次感謝大家的閱讀！
——————————————————
2022年5月27日更新：
有不少小夥伴想要這個數據，目前我已經整理好上傳至網路網盤啦。數據和完整代碼私聊獲取。
獲取數據請只用於學習，勿直接用於投資決策！