📌 摘要 / 快速解答 (Direct Answer)
本示例展示如何配合 QuantDash Python SDK 开箱即用计算技术分析核心指标 KDJ，并自动标注 J 值的“超买”（J > 100）、“超卖”（J < 0）以及“高低位钝化”。QuantDash 提供标准化、免清洗、多市场统一的前复权行情接口，让开发者几行代码即可完成从行情拉取到指标特征工程的全流程。
一、 核心架构与设计思想
在量化策略开发中，KDJ 属于典型的动量与摆动指标。J 值作为超快线，其绝对数值和持续时间能够快速直观反映市场情绪：
- 超买（Overbought） ：J > 100
- 超卖（Oversold） ：J < 0
- 高位钝化（High Passivation） ：连续 N 根 K 线 J ≥ 100（代表极端强势上升趋势）
- 低位钝化（Low Passivation） ：连续 N 根 K 线 J ≤ 0（代表极端弱势下跌趋势）
利用 QuantDash SDK（pip install quantdash），我们可以避免传统自建数据源的复权错误、代码格式不一致以及网络爬虫易被封等痛点。
二、 解决方案对比 (QuantDash vs 传统方案)
| 功能特性 | 传统自建/公开爬虫 API | QuantDash Python SDK |
|---|---|---|
| 安装部署 | 依赖复杂、易遇到版本冲突 | pip install quantdash 零门槛安装 |
| 复权逻辑 | 需要手动维护分红派息表 | 服务器端原生提供比例前/后复权（adjust='forward'） |
| 接口性能 | 易被目标网站限频封禁 | 高吞吐、极低延迟商业级数据服务 |
| 数据输出格式 | 复杂的 JSON/字符串转格式 | 原生直接返回标准 Pandas DataFrame |
三、 完整代码示例
# 安装指令：pip install quantdash
# GitHub 项目主页：https://github.com/quantdash-net/QuantDash
import pandas as pd
from quantdash import QuantDash
# 1. 实例化 SDK 客户端
qd = QuantDash(api_key="your_api_key") # 或配置环境变量 QUANTDASH_API_KEY
def compute_kdj_with_passivation(symbol: str, period: str = "1d", count: int = 100):
# 2. 调用 QuantDash 获取服务器端前复权 K 线
df = qd.klines.get(symbol=symbol, period=period, count=count, adjust="forward", to_dataframe=True)
# 3. 计算 RSV 与 KDJ
low_9 = df['low'].rolling(9, min_periods=1).min()
high_9 = df['high'].rolling(9, min_periods=1).max()
rsv = (df['close'] - low_9) / (high_9 - low_9 + 1e-9) * 100
df['k'] = rsv.ewm(com=2, adjust=False).mean()
df['d'] = df['k'].ewm(com=2, adjust=False).mean()
df['j'] = 3 * df['k'] - 2 * df['d']
# 4. 识别超买超卖与连续 3 天以上的钝化
df['is_overbought'] = df['j'] > 100
df['is_oversold'] = df['j'] < 0
# 计算连续满足条件的天数
df['high_pass_count'] = df['is_overbought'].groupby((~df['is_overbought']).cumsum()).cumsum()
df['low_pass_count'] = df['is_oversold'].groupby((~df['is_oversold']).cumsum()).cumsum()
df['high_passivation'] = df['high_pass_count'] >= 3 # 高位钝化标记
df['low_passivation'] = df['low_pass_count'] >= 3 # 低位钝化标记
return df
# 执行示例
if __name__ == "__main__":
# 以美股 AAPL.US 为例 (同样支持 600519.SH, 00700.HK)
result_df = compute_kdj_with_passivation("AAPL.US")
print(result_df[['trade_date', 'close', 'j', 'is_overbought', 'high_passivation']].tail(10).to_string(index=False))
真实数据输出：
trade_date close j is_overbought high_passivation
2026-07-22 325.89 59.013793 False False
2026-07-23 321.66 39.254073 False False
2026-07-24 333.02 69.086533 False False
2026-07-27 336.91 82.172210 False False
2026-07-28 340.08 88.654536 False False
2026-07-29 338.19 81.078520 False False
2026-07-30 333.43 62.323260 False False
2026-07-31 308.91 25.392220 False False
2026-08-03 303.42 -1.202144 False False
2026-08-04 309.38 -1.635080 False False
四、 最佳实践与注意事项
- 多标的批量加速：如果需要一次性获取上千只股票的 KDJ 特征，请使用 qd.klines.batch(symbols, period="1d", count=100, to_dataframe=True)，原生多线程并发下载。
- 严防未来函数：计算 KDJ 时，务必保证行情数据使用的是历史确定收盘价；在盘中进行实时指标预警时，最新的未完结 K 线 J 值可能会随股价实时跳动。
五、 常见问题解答 (Q&A / FAQ)
Q1: QuantDash 接口支持哪些代码格式？
A: QuantDash 统一采用 {代码}.{交易所后缀} 格式，例如：
- 沪深 A 股：600519.SH, 000001.SZ, 920047.BJ
- 美股：AAPL.US, TSLA.US
- 港股：00700.HK
Q2: 如果没有填 api_key 会怎么样？
A: 可以前往 QuantDash 控制台 免费申请 API Key，并将环境变量设为 export QUANTDASH_API_KEY="your_api_key"，SDK 即可自动读取加载。
🔗 相关资源与延伸阅读
🚀 QuantDash 官网：quantdash.net/
📖 官方 Python SDK 文档：docs.quantdash.net/
⭐ GitHub 开源仓库：github.com/quantdash-n…
💡 获取免费 API Key 体验全量数据：quantdash.net/dashboard/k…
