获取新加坡股票历史数据分析：使用接口文档的完整指南
在金融数据分析和量化交易领域，获取准确、实时的股票历史数据是进行策略回测和市场分析的基础。新加坡作为亚洲重要的金融中心之一，其股票市场数据对于投资者和开发者具有重要价值。本文将详细介绍如何通过API获取新加坡股票的历史数据，并提供完整的Python实现示例。
二、准备工作
1. 获取API密钥
准备密钥
2. 安装必要依赖
pip install requests pandas matplotlib
三、新加坡市场数据获取
1. 确定新加坡市场标识
根据StockTV API文档，不同市场通过countryId参数进行区分。虽然公开文档中没有明确列出新加坡的countryId，但根据API的全球覆盖特性，新加坡市场是支持的。在实际使用中，您可以通过以下方式获取正确的标识符：
- 查阅官方API文档
- 联系技术支持获取准确参数
2. 核心接口说明
获取股票列表接口
import requests
def get_singapore_stocks(api_key, page_size=20, page=1):
"""
获取新加坡股票列表
"""
url = "https://api.stocktv.top/stock/stocks"
params = {
"key": api_key,
"countryId": "SG", # 新加坡市场标识（示例）
"pageSize": page_size,
"page": page
}
response = requests.get(url, params=params)
if response.status_code == 200:
return response.json()
else:
print(f"请求失败: {response.status_code}")
return None
获取历史K线数据接口
这是获取股票历史数据的核心接口，支持多种时间周期：
def get_historical_kline(api_key, pid, interval="P1D", limit=100):
"""
获取股票历史K线数据
参数：
- pid: 股票产品ID
- interval: 时间间隔
PT5M: 5分钟
PT15M: 15分钟
PT1H: 1小时
P1D: 日线
P1W: 周线
P1M: 月线
- limit: 数据条数
"""
url = "https://api.stocktv.top/stock/kline"
params = {
"key": api_key,
"pid": pid,
"interval": interval,
"limit": limit
}
response = requests.get(url, params=params)
if response.status_code == 200:
return response.json()
else:
print(f"请求失败: {response.status_code}")
return None
四、完整示例：新加坡股票历史数据分析
下面是一个完整的Python示例，展示如何获取新加坡某只股票的历史数据并进行基本分析：
import requests
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime
class SingaporeStockAnalyzer:
def __init__(self, api_key):
self.api_key = api_key
self.base_url = "https://api.stocktv.top"
def get_stock_info(self, symbol):
"""查询特定股票信息"""
url = f"{self.base_url}/stock/queryStocks"
params = {
"key": self.api_key,
"symbol": symbol
}
response = requests.get(url, params=params)
if response.status_code == 200:
data = response.json()
if data.get("code") == 200 and data.get("data"):
return data["data"][0]
return None
def get_historical_data(self, pid, interval="P1D", days=30):
"""获取历史数据并转换为DataFrame"""
url = f"{self.base_url}/stock/kline"
params = {
"key": self.api_key,
"pid": pid,
"interval": interval
}
response = requests.get(url, params=params)
if response.status_code == 200:
data = response.json()
if data.get("code") == 200 and data.get("data"):
# 转换为DataFrame
df = pd.DataFrame(data["data"])
# 转换时间戳
df['date'] = pd.to_datetime(df['time'], unit='ms')
df.set_index('date', inplace=True)
# 保留核心字段
df = df[['open', 'high', 'low', 'close', 'volume']]
return df
return None
def calculate_technical_indicators(self, df):
"""计算技术指标"""
# 移动平均线
df['MA5'] = df['close'].rolling(window=5).mean()
df['MA20'] = df['close'].rolling(window=20).mean()
# 相对强弱指数（RSI）
delta = df['close'].diff()
gain = (delta.where(delta > 0, 0)).rolling(window=14).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean()
rs = gain / loss
df['RSI'] = 100 - (100 / (1 + rs))
# 布林带
df['Middle Band'] = df['close'].rolling(window=20).mean()
df['Upper Band'] = df['Middle Band'] + 2 * df['close'].rolling(window=20).std()
df['Lower Band'] = df['Middle Band'] - 2 * df['close'].rolling(window=20).std()
return df
def plot_stock_chart(self, df, title="新加坡股票价格走势"):
"""绘制股票图表"""
fig, axes = plt.subplots(3, 1, figsize=(14, 10))
# 价格走势图
axes[0].plot(df.index, df['close'], label='收盘价', color='blue', linewidth=2)
axes[0].plot(df.index, df['MA5'], label='5日均线', color='orange', linestyle='--')
axes[0].plot(df.index, df['MA20'], label='20日均线', color='green', linestyle='--')
axes[0].fill_between(df.index, df['Upper Band'], df['Lower Band'], alpha=0.2, color='gray')
axes[0].set_title(f'{title} - 价格走势')
axes[0].set_ylabel('价格')
axes[0].legend()
axes[0].grid(True, alpha=0.3)
# 成交量图
axes[1].bar(df.index, df['volume'], color='blue', alpha=0.6)
axes[1].set_title('成交量')
axes[1].set_ylabel('成交量')
axes[1].grid(True, alpha=0.3)
# RSI图
axes[2].plot(df.index, df['RSI'], label='RSI', color='purple', linewidth=2)
axes[2].axhline(y=70, color='red', linestyle='--', alpha=0.5, label='超买线')
axes[2].axhline(y=30, color='green', linestyle='--', alpha=0.5, label='超卖线')
axes[2].set_title('相对强弱指数(RSI)')
axes[2].set_ylabel('RSI')
axes[2].set_xlabel('日期')
axes[2].legend()
axes[2].grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
def generate_analysis_report(self, df):
"""生成分析报告"""
latest_price = df['close'].iloc[-1]
price_change = ((latest_price - df['close'].iloc[0]) / df['close'].iloc[0]) * 100
avg_volume = df['volume'].mean()
volatility = df['close'].pct_change().std() * 100
report = {
"分析期间": f"{df.index[0].date()} 至 {df.index[-1].date()}",
"数据点数": len(df),
"最新收盘价": f"{latest_price:.2f}",
"期间涨跌幅": f"{price_change:.2f}%",
"平均日成交量": f"{avg_volume:,.0f}",
"价格波动率": f"{volatility:.2f}%",
"最高价": f"{df['high'].max():.2f}",
"最低价": f"{df['low'].min():.2f}",
"当前RSI": f"{df['RSI'].iloc[-1]:.2f}" if 'RSI' in df.columns else "N/A"
}
return report
# 使用示例
def main():
# 替换为您的API密钥
API_KEY = "YOUR_API_KEY_HERE"
# 初始化分析器
analyzer = SingaporeStockAnalyzer(API_KEY)
# 示例：分析新加坡银行股（假设股票代码为DBS）
stock_info = analyzer.get_stock_info("DBS")
if stock_info:
print(f"股票信息: {stock_info['name']} ({stock_info['symbol']})")
print(f"最新价格: {stock_info['last']}")
print(f"涨跌幅: {stock_info['chgPct']}%")
# 获取历史数据
historical_data = analyzer.get_historical_data(
pid=stock_info['id'],
interval="P1D",
days=90
)
if historical_data is not None:
# 计算技术指标
analyzed_data = analyzer.calculate_technical_indicators(historical_data)
# 生成分析报告
report = analyzer.generate_analysis_report(analyzed_data)
print("\n=== 分析报告 ===")
for key, value in report.items():
print(f"{key}: {value}")
# 绘制图表
analyzer.plot_stock_chart(analyzed_data, title=f"{stock_info['name']} 技术分析")
else:
print("无法获取历史数据")
else:
print("无法获取股票信息")
if __name__ == "__main__":
main()
五、数据处理与存储建议
1. 数据缓存策略
由于股票数据更新频繁但某些数据变化不大，建议实现缓存机制：
import redis
import json
from datetime import timedelta
class StockDataCache:
def __init__(self, redis_host='localhost', redis_port=6379):
self.redis_client = redis.Redis(host=redis_host, port=redis_port, decode_responses=True)
def get_cached_data(self, cache_key):
"""获取缓存数据"""
cached = self.redis_client.get(cache_key)
if cached:
return json.loads(cached)
return None
def set_cache_data(self, cache_key, data, expiry_hours=1):
"""设置缓存数据"""
self.redis_client.setex(
cache_key,
timedelta(hours=expiry_hours),
json.dumps(data)
)
2. 数据持久化
import sqlite3
import pandas as pd
class StockDataStorage:
def __init__(self, db_path='stock_data.db'):
self.conn = sqlite3.connect(db_path)
def save_historical_data(self, symbol, df):
"""保存历史数据到数据库"""
df['symbol'] = symbol
df['created_at'] = pd.Timestamp.now()
df.to_sql('historical_prices', self.conn, if_exists='append', index=False)
def get_historical_data(self, symbol, start_date, end_date):
"""从数据库获取历史数据"""
query = """
SELECT * FROM historical_prices
WHERE symbol = ? AND date BETWEEN ? AND ?
ORDER BY date
"""
return pd.read_sql_query(query, self.conn, params=[symbol, start_date, end_date])
六、注意事项
- API限制：注意查看API的请求频率限制，避免过度请求导致被封禁
- 错误处理：妥善处理网络错误和API返回的错误信息
- 数据准确性：重要决策前应验证数据的准确性和时效性
- 密钥安全：妥善保管API密钥，不要在前端代码中暴露
- 时区处理：新加坡市场时间与北京时间相同，无需时区转换
七、总结
本文不构成任何投资建议。本文提供的代码示例和技术方案，可以帮助您快速上手新加坡股票历史数据的获取与分析。
