TradingView股票筛选器终极指南用Python实现专业级量化分析【免费下载链接】TradingView-ScreenerA package that lets you create TradingView screeners in Python项目地址: https://gitcode.com/gh_mirrors/tr/TradingView-ScreenerTradingView-Screener是一个功能强大的Python包专门用于创建TradingView股票筛选器让开发者能够通过编程方式快速获取和分析全球金融市场数据。这个工具为量化交易员、数据分析师和金融开发者提供了直接访问TradingView官方API的能力无需网页爬取或HTML解析。无论你是构建自动化交易系统、进行市场研究还是开发金融分析工具TradingView-Screener都能显著提升你的工作效率。项目概述与核心价值TradingView-Screener的核心优势在于其简洁的API设计和强大的数据获取能力。作为TradingView官方API的Python封装它提供了超过3000个数据字段的访问权限涵盖股票、期权、加密货币、外汇、期货、债券等多种金融工具。这个工具特别适合需要批量处理市场数据、构建自定义筛选策略或进行实时市场监控的开发者和分析师。核心功能亮点多市场支持覆盖全球70多个国家的股票市场以及加密货币、外汇、期货、债券等金融工具丰富数据字段提供3000数据字段包括OHLC价格数据、技术指标、基本面指标和TradingView专有字段灵活时间框架支持1分钟到1个月的时间框架可以自由混合不同时间框架的字段SQL式筛选语法支持完整的AND/OR逻辑运算让筛选条件编写更加直观实时数据访问通过会话认证支持实时数据流访问快速开始指南环境安装与配置开始使用TradingView-Screener非常简单只需几个步骤即可完成环境搭建# 安装包 pip install tradingview-screener # 可选安装rookiepy用于自动加载浏览器cookies pip install rookiepy基础使用示例以下是一个简单的入门示例展示如何获取美国市场的前50支股票数据from tradingview_screener import Query # 创建查询实例并获取数据 result_count, data_df (Query() .select(name, close, volume, market_cap_basic) .get_scanner_data()) print(f总记录数: {result_count}) print(data_df.head())这个简单的代码片段将返回包含股票名称、收盘价、成交量和市值的DataFrame默认限制为50行数据。核心功能详解多市场数据获取TradingView-Screener支持多种金融市场的数据查询from tradingview_screener import stocks, crypto, options, forex, futures # 获取意大利市值最高的5支股票 italian_stocks stocks(italy).limit(5).get_scanner_data() # 获取交易量最高的5个中心化交易所加密货币对 top_crypto crypto().limit(5).get_scanner_data() # 获取AAPL期权链数据 aapl_options options(NASDAQ:AAPL).limit(5).get_scanner_data() # 获取外汇主要货币对 major_forex forex().limit(5).get_scanner_data() # 获取期货合约数据 commodity_futures futures().limit(5).get_scanner_data()高级筛选功能通过灵活的筛选条件你可以构建复杂的查询逻辑from tradingview_screener import Query, col # 构建复杂筛选条件 advanced_query (Query() .select(name, close, close|1, close|5, volume, relative_volume_10d_calc) .where( col(market_cap_basic).between(1_000_000, 50_000_000), col(relative_volume_10d_calc) 1.2, col(MACD.macd|1) col(MACD.signal|1) # 1分钟MACD指标 ) .order_by(volume, ascendingFalse) .offset(5) .limit(25) .get_scanner_data())时间框架支持TradingView-Screener支持多种时间框架可以混合使用时间框架列名示例说明1分钟close\|11分钟收盘价5分钟close\|55分钟收盘价15分钟close\|1515分钟收盘价30分钟close\|3030分钟收盘价1小时close\|601小时收盘价4小时close\|2404小时收盘价1日close日线收盘价1周close\|1W周线收盘价1月close\|1M月线收盘价实战应用案例案例一开盘前策略准备对于日内交易者开盘前的市场分析至关重要。以下代码展示了如何筛选出预市表现活跃的股票from tradingview_screener import Query, col # 筛选预市涨幅超过5%且成交量放大的股票 premarket_strategy (Query() .select(name, close, premarket_change, volume, relative_volume_10d_calc) .where( col(premarket_change) 5.0, # 预市涨幅超过5% col(relative_volume_10d_calc) 1.5, # 相对成交量放大50% col(market_cap_basic) 1_000_000_000 # 市值大于10亿美元 ) .order_by(premarket_change, ascendingFalse) .limit(20) .get_scanner_data())案例二技术指标筛选策略结合多个技术指标构建量化筛选策略from tradingview_screener import Query, col # 多指标综合筛选 technical_screening (Query() .select(name, close, RSI, MACD.macd, MACD.signal, volume) .where( col(RSI) 30, # RSI超卖 col(MACD.macd) col(MACD.signal), # MACD金叉 col(volume) 1_000_000, # 成交量充足 col(close) 10.0 # 股价高于10美元 ) .order_by(RSI, ascendingTrue) .limit(15) .get_scanner_data())案例三投资组合监控定期监控持仓股票的表现和风险指标import pandas as pd from tradingview_screener import Query # 定义持仓股票列表 portfolio_tickers [NASDAQ:AAPL, NASDAQ:GOOGL, NASDAQ:MSFT, NASDAQ:AMZN, NASDAQ:TSLA] # 批量获取持仓股票数据 portfolio_data [] for ticker in portfolio_tickers: stock_data (Query() .select(name, close, change, volume, market_cap_basic, beta) .where(col(ticker) ticker) .get_scanner_data()) portfolio_data.append(stock_data[1]) # 合并分析 portfolio_df pd.concat(portfolio_data, ignore_indexTrue) print(portfolio_df)高级配置与优化实时数据访问配置要访问实时数据需要配置会话cookies。以下是使用rookiepy自动加载浏览器cookies的方法import rookiepy from tradingview_screener import Query # 从Chrome浏览器加载cookies cookies rookiepy.to_cookiejar(rookiepy.chrome([.tradingview.com])) # 使用cookies获取实时数据 real_time_data Query().select(name, close, bid, ask).get_scanner_data(cookiescookies) # 验证数据更新模式 _, df Query().select(exchange, update_mode).limit(1_000_000).get_scanner_data(cookiescookies) update_stats df.groupby(exchange)[update_mode].value_counts() print(update_stats)手动Cookie配置如果无法使用rookiepy可以手动提取cookies# 手动配置cookies cookies {sessionid: your-session-id-here} # 使用手动cookies查询 data Query().get_scanner_data(cookiescookies)API请求优化对于大规模数据查询建议进行性能优化from tradingview_screener import Query import time def batch_query_with_delay(tickers, batch_size10, delay_seconds2): 批量查询带延迟避免API限制 results [] for i in range(0, len(tickers), batch_size): batch tickers[i:ibatch_size] query Query().where(col(ticker).isin(batch)) results.append(query.get_scanner_data()) time.sleep(delay_seconds) # 添加延迟避免请求过快 return results # 使用批量查询 ticker_list [NASDAQ:AAPL, NASDAQ:GOOGL, NASDAQ:MSFT, NASDAQ:AMZN] batch_results batch_query_with_delay(ticker_list)生态系统集成与Pandas数据分析集成TradingView-Screener返回的数据可以直接转换为Pandas DataFrame便于进行进一步的数据分析import pandas as pd from tradingview_screener import Query # 获取数据并转换为DataFrame result_count, df (Query() .select(name, close, volume, market_cap_basic, pe) .limit(100) .get_scanner_data()) # 数据清洗和分析 df_clean df.dropna(subset[pe, market_cap_basic]) df_clean[pe_ratio] df_clean[pe] df_clean[market_cap] df_clean[market_cap_basic] # 计算统计指标 summary_stats df_clean.describe() correlation_matrix df_clean[[close, volume, market_cap, pe_ratio]].corr() # 导出数据 df_clean.to_csv(stock_analysis.csv, indexFalse)与Matplotlib可视化集成结合数据可视化工具创建专业的分析图表import matplotlib.pyplot as plt import pandas as pd from tradingview_screener import Query # 获取数据 _, df (Query() .select(name, close, volume, market_cap_basic) .order_by(market_cap_basic, ascendingFalse) .limit(20) .get_scanner_data()) # 创建可视化图表 fig, axes plt.subplots(2, 2, figsize(12, 10)) # 市值分布图 axes[0, 0].bar(df[name], df[market_cap_basic] / 1e9) axes[0, 0].set_title(Top 20 Stocks by Market Cap (Billions)) axes[0, 0].tick_params(axisx, rotation45) # 价格与成交量散点图 axes[0, 1].scatter(df[close], df[volume], alpha0.6) axes[0, 1].set_xlabel(Price) axes[0, 1].set_ylabel(Volume) axes[0, 1].set_title(Price vs Volume) # 市值与价格关系 axes[1, 0].scatter(df[market_cap_basic] / 1e9, df[close], alpha0.6) axes[1, 0].set_xlabel(Market Cap (Billions)) axes[1, 0].set_ylabel(Price) axes[1, 0].set_title(Market Cap vs Price) # 成交量分布直方图 axes[1, 1].hist(df[volume], bins20, alpha0.7) axes[1, 1].set_xlabel(Volume) axes[1, 1].set_ylabel(Frequency) axes[1, 1].set_title(Volume Distribution) plt.tight_layout() plt.savefig(stock_analysis.png, dpi300, bbox_inchestight) plt.show()最佳实践与建议错误处理与重试机制在实际应用中建议添加完善的错误处理机制import time from tradingview_screener import Query import requests def safe_get_data(query, max_retries3, retry_delay5): 安全的获取数据函数包含重试机制 for attempt in range(max_retries): try: result_count, data_df query.get_scanner_data() return result_count, data_df except requests.exceptions.RequestException as e: if attempt max_retries - 1: print(f请求失败{retry_delay}秒后重试... (尝试 {attempt 1}/{max_retries})) time.sleep(retry_delay) else: raise Exception(f获取数据失败已达最大重试次数: {e}) except Exception as e: raise Exception(f获取数据时发生错误: {e}) # 使用安全函数 try: result safe_get_data(Query().select(name, close).limit(10)) print(f成功获取{result[0]}条记录) except Exception as e: print(f错误: {e})性能优化建议批量查询优化避免频繁的小规模查询尽量合并查询条件数据缓存策略对不常变化的数据实施缓存机制请求频率控制合理设置请求间隔避免触发API限制选择性字段获取只获取需要的字段减少数据传输量from tradingview_screener import Query import hashlib import pickle import os class CachedQuery: 带缓存的查询类 def __init__(self, cache_dir./cache, ttl_seconds300): self.cache_dir cache_dir self.ttl_seconds ttl_seconds os.makedirs(cache_dir, exist_okTrue) def get_cached_data(self, query, cache_key): 获取缓存数据 cache_file os.path.join(self.cache_dir, f{cache_key}.pkl) if os.path.exists(cache_file): file_age time.time() - os.path.getmtime(cache_file) if file_age self.ttl_seconds: with open(cache_file, rb) as f: return pickle.load(f) return None def set_cached_data(self, data, cache_key): 设置缓存数据 cache_file os.path.join(self.cache_dir, f{cache_key}.pkl) with open(cache_file, wb) as f: pickle.dump(data, f) def execute_with_cache(self, query): 执行带缓存的查询 # 生成缓存键 query_str str(query.__dict__) cache_key hashlib.md5(query_str.encode()).hexdigest() # 尝试从缓存获取 cached_result self.get_cached_data(query, cache_key) if cached_result is not None: print(从缓存加载数据) return cached_result # 执行查询并缓存结果 result query.get_scanner_data() self.set_cached_data(result, cache_key) print(执行新查询并缓存结果) return result # 使用缓存查询 cached_query CachedQuery() result cached_query.execute_with_cache(Query().select(name, close).limit(10))项目结构参考了解项目结构有助于更好地使用和扩展TradingView-ScreenerTradingView-Screener/ ├── src/ │ └── tradingview_screener/ │ ├── __init__.py # 包入口和主要API │ ├── column.py # 列定义和筛选条件 │ ├── models.py # 数据模型 │ ├── query.py # 查询构建器 │ ├── screeners.py # 筛选器实现 │ └── util.py # 工具函数 ├── tests/ # 测试用例 │ ├── test_query.py │ ├── test_readme.py │ └── test_screeners.py ├── pyproject.toml # 项目配置 └── README.md # 项目文档通过合理使用TradingView-Screener你可以构建强大的金融数据分析应用实现自动化交易策略回测、实时市场监控和投资组合分析。这个工具为Python开发者提供了直接访问TradingView丰富数据资源的桥梁极大地简化了金融数据获取和分析的复杂度。记住虽然工具能提供强大的数据支持但成功的投资决策还需要结合深入的市场理解、严格的风险管理和持续的学习。希望这份指南能帮助你在量化分析和自动化交易的道路上取得更大的成功【免费下载链接】TradingView-ScreenerA package that lets you create TradingView screeners in Python项目地址: https://gitcode.com/gh_mirrors/tr/TradingView-Screener创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
