前言
"数据的选择决定了策略的天花板。"
在中文量化社区，这个问题几乎是每个入门者都会面对的：Tushare 还是聚宽？ 随着 A 股量化内卷加剧、跨境策略需求增加，这个问题的答案正在变得复杂。
Tushare 以其丰富的数据品类和零门槛的免费层，稳坐 A 股数据获取的"社区标准"。但当你的策略需要同时覆盖港股、追踪数字货币事件、或者需要实时监控订单簿深度时，Tushare 的边界开始显现。
与此同时，TickDB 作为跨市场数据基础设施，正在被一批"不愿意把所有鸡蛋放在一个篮子里"的开发者所关注。它的 WebSocket 实时推送、深度订单簿数据、以及覆盖 6 类资产的统一 API，构成了另一种技术路径。
这不是一篇教你"选 Tushare 还是 TickDB"的文章。而是一篇能力边界的拆解——让不同的需求找到对应的解法。
一、为什么是这两个产品
1.1 Tushare：A股社区标准的基因
Tushare 诞生于 2015 年，彼时 A 股量化刚刚起步，Yahoo Finance 中文接口频繁失联，聚宽和米框尚未成气候。Tushare 用"全量 A 股历史数据 + 免费 + Python 友好"三张牌，迅速占领了中文量化社区的心智。
它的核心基因是离线批量的历史数据研究。如果你去 Tushare 社区，会发现大部分讨论围绕"如何获取财务数据"、"如何回测小市值策略"。它的数据模型天然适配日频/周频的研究场景，而不是分钟级甚至 tick 级的实盘需求。
1.2 TickDB：实时跨市场的工程视角
TickDB 的设计思路完全不同。它诞生于"量化交易系统需要实时数据流"这个工程命题，而不是"我需要做历史回测"这个研究命题。
从一开始，TickDB 就选择了 WebSocket 作为实时数据的传输协议，而非 HTTP 轮询。它的数据模型以订单簿深度（depth）和逐笔成交（trades）为核心，而非日线 K 线聚合。这意味着它的应用场景更偏向实时监控、事件驱动、订单流分析，而非长周期的历史研究。
1.3 核心差异一览
| 维度 | Tushare | TickDB |
|---|---|---|
| 设计原点 | 离线历史研究 | 实时数据流 |
| 核心协议 | HTTP 轮询 | WebSocket + REST |
| 数据类型 | 日/分钟 K 线为主 | depth + trades + 多周期 K 线 |
| 市场覆盖 | A 股为主 | A 股 + 港股 + 数字货币 + 外汇 + 贵金属 + 期货 |
| 实时性 | 分钟级（最佳） | <100ms WebSocket 推送 |
| 商业模式 | 免费+积分制+Pro版 | API 调用量计费 |
二、深度对比：五个关键维度
2.1 数据覆盖范围
Tushare 的强项在于 A 股全品类数据：
- 股票日/分钟/逐笔历史行情
- 财务三大表（资产负债表、利润表、现金流量表）
- 因子数据（市值、PE、PB 等）
- 基金、期货、债券基础数据
- 舆情、分析师预期等另类数据
这些数据的广度在国内数据源中首屈一指，且大量免费字段降低了入门门槛。
TickDB 的覆盖逻辑则是跨资产实时数据：
| 资产类别 | 支持品种 | 数据类型 | 说明 |
|---|---|---|---|
| 美股 | 主要标的 | K 线（1m-1D） | 10 年历史，10 年级别清洗对齐 |
| A 股 | 主要标的 | K 线（1m-1D） | 覆盖主流股票 |
| 港股 | 主要标的 | K 线 + depth（10档） | 含订单簿深度 |
| 数字货币 | 主流交易所 | K 线 + trades + depth（10档） | 含逐笔成交 |
| 外汇/贵金属 | 主要品种 | K 线 | 不含 depth |
| 期货 | 国内期货 | K 线 | 主力合约 |
关键约束：TickDB 的 trades 接口（逐笔成交）不支持美股和 A 股。这意味着如果你想在 A 股做订单流分析（用逐笔数据重构订单簿），TickDB 无法提供。
数据覆盖结论：
- 纯 A 股财务因子研究 → Tushare 优势明显
- 港股/数字货币深度数据 → TickDB 优势明显
- A 股订单流分析 → 两者均不完美（详见 2.5 节）
2.2 实时性能力对比
这是两者差距最显著的技术维度。
Tushare 的实时性架构：
import tushare as ts
# Tushare 的"实时"数据本质是轮询
df = ts.get_realtime_quotes('000001') # 轮询 Sina 行情接口
Tushare 本身不提供 WebSocket 接口。它的"实时"数据依赖新浪/腾讯等第三方行情源，通过 HTTP 轮询获取。这个架构决定了：
- 最佳延迟：理论 3-5 秒（新浪接口通常 3 秒刷新一次）
- 频率限制：免费用户 200 次/分钟，积分用户更高但有上限
- 数据字段：有限的实时字段（最新价、成交量、买卖盘口）
TickDB 的实时性架构：
import os
import json
import time
import random
import asyncio
import websockets
class TickDBWebSocket:
"""
TickDB WebSocket 实时数据流客户端
生产级实现：心跳保活 + 指数退避重连 + 限频处理
"""
def __init__(self, api_key: str = None):
self.api_key = api_key or os.environ.get("TICKDB_API_KEY")
if not self.api_key:
raise ValueError("需要设置 TICKDB_API_KEY 环境变量")
self.ws = None
self.base_url = "wss://api.tickdb.ai/ws"
self.reconnect_delay = 1
self.max_delay = 30
async def connect(self):
"""建立 WebSocket 连接（带鉴权）"""
url = f"{self.base_url}?api_key={self.api_key}"
self.ws = await websockets.connect(url)
self.reconnect_delay = 1 # 重置退避计时器
print(f"[TickDB] WebSocket 连接已建立")
async def subscribe(self, channel: str, symbol: str):
"""订阅实时频道"""
subscribe_msg = {
"cmd": "subscribe",
"channel": channel,
"symbol": symbol
}
await self.ws.send(json.dumps(subscribe_msg))
print(f"[TickDB] 已订阅 {channel} {symbol}")
async def heartbeat(self):
"""心跳保活：TickDB 要求每 30 秒发送 ping"""
while True:
await asyncio.sleep(25)
if self.ws and self.ws.open:
await self.ws.send(json.dumps({"cmd": "ping"}))
async def receive_messages(self):
"""接收并处理实时消息"""
while True:
try:
message = await asyncio.wait_for(self.ws.recv(), timeout=60)
data = json.loads(message)
# 处理心跳响应
if data.get("type") == "pong":
continue
# 处理业务数据
if "channel" in data:
await self._process_data(data)
except asyncio.TimeoutError:
# 超时认为连接断开，触发重连
raise ConnectionError("心跳超时，连接可能已断开")
except websockets.exceptions.ConnectionClosed:
await self._reconnect()
async def _reconnect(self):
"""指数退避重连 + 抖动"""
print(f"[TickDB] 连接断开，{self.reconnect_delay}s 后重连...")
await asyncio.sleep(self.reconnect_delay)
# 指数退避
self.reconnect_delay = min(self.reconnect_delay * 2, self.max_delay)
# 添加抖动避免惊群
jitter = random.uniform(0, self.reconnect_delay * 0.1)
try:
await self.connect()
except Exception as e:
print(f"[TickDB] 重连失败: {e}")
await self._reconnect()
async def _process_data(self, data: dict):
"""业务数据处理模板"""
channel = data.get("channel")
if channel == "depth":
# 订单簿深度数据示例
asks = data.get("asks", [])[:5] # 前5档卖盘
bids = data.get("bids", [])[:5] # 前5档买盘
print(f"[depth] 买卖盘: 卖一={asks[0] if asks else '-'} | 买一={bids[0] if bids else '-'}")
elif channel == "trades":
# 逐笔成交数据示例
price = data.get("price")
volume = data.get("volume")
side = "买入" if data.get("side") == "buy" else "卖出"
print(f"[trades] {side}: {price} × {volume}")
async def run(self, symbol: str = "AAPL.US"):
"""主运行流程"""
await self.connect()
# 并发运行：心跳 + 接收
await asyncio.gather(
self.heartbeat(),
self.receive_messages(),
self.subscribe("depth", symbol)
)
# 使用示例
async def main():
client = TickDBWebSocket()
await client.run("AAPL.US")
# asyncio.run(main())
TickDB 实时性特征：
- 推送延迟：<100ms（实测中位数）
- 连接管理：原生 ping/pong 心跳，避免连接断开
- 限频处理：code 3001 +
Retry-After头规范处理 - 重连机制：指数退避 + 抖动，防止惊群
实时性结论：
- 日线/分钟线历史研究 → 两者均满足，Tushare 更轻量
- 实时监控 + 事件驱动 → TickDB WebSocket 有本质优势
- 高频实盘（<1秒响应） → TickDB 是唯一选择（但需注意 A 股 trades 不支持）
2.3 历史数据深度与回测支持
对于量化研究而言，历史数据的深度决定了策略回测的置信度。
Tushare 的历史数据：
import tushare as ts
pro = ts.pro_api('your_token')
# 获取 A 股日线历史（回溯 10+ 年）
df = pro.daily(
ts_code='000001.SZ',
start_date='20100101',
end_date='20241231'
)
# 获取分钟线（有限覆盖）
df_1m = pro.stk_mins(
ts_code='000001.SZ',
freq='1min',
start_date='20240101',
end_date='20240102'
)
Tushare 的 A 股日线数据可追溯至 2005 年，分钟线覆盖较好的是近 2 年。对于经典的价值投资策略、市值因子策略，回测数据量充足。
TickDB 的历史数据：
import os
import requests
class TickDBREST:
"""
TickDB REST API 历史数据获取
生产级实现：超时设置 + 错误处理 + 环境变量存储
"""
def __init__(self, api_key: str = None):
self.api_key = api_key or os.environ.get("TICKDB_API_KEY")
if not self.api_key:
raise ValueError("需要设置 TICKDB_API_KEY 环境变量")
self.base_url = "https://api.tickdb.ai/v1"
self.headers = {"X-API-Key": self.api_key}
def get_kline(
self,
symbol: str,
interval: str = "1d",
limit: int = 100,
start_time: int = None,
end_time: int = None
):
"""
获取历史 K 线数据
参数说明：
- symbol: 品种代码，如 "AAPL.US", "700.HK", "BTC.SGD-Binance"
- interval: K 线周期，1m/5m/15m/30m/1h/4h/1d/1w
- limit: 返回条数，最大 1000
- start_time/end_time: Unix 时间戳（秒）
"""
params = {"symbol": symbol, "interval": interval, "limit": limit}
if start_time:
params["start_time"] = start_time
if end_time:
params["end_time"] = end_time
# ⚠️ 生产环境建议设置超时，避免请求挂起
response = requests.get(
f"{self.base_url}/market/kline",
headers=self.headers,
params=params,
timeout=(3.05, 10) # (连接超时, 读取超时)
)
return self._handle_response(response)
def get_latest_kline(self, symbol: str, interval: str = "1d"):
"""
获取当前未结束 K 线（用于实盘监控）
⚠️ 不要用 /kline 接口做实盘，当前 K 线应使用 /kline/latest
"""
params = {"symbol": symbol, "interval": interval}
response = requests.get(
f"{self.base_url}/market/kline/latest",
headers=self.headers,
params=params,
timeout=(3.05, 10)
)
return self._handle_response(response)
def _handle_response(self, response):
"""标准化响应处理 + 错误码映射"""
if response.status_code == 200:
data = response.json()
code = data.get("code", 0)
if code == 0:
return data.get("data")
elif code in (1001, 1002):
raise ValueError("API Key 无效，请检查环境变量 TICKDB_API_KEY")
elif code == 2002:
raise KeyError(f"品种不存在，请通过 /v1/symbols/available 查询")
elif code == 3001:
retry_after = int(response.headers.get("Retry-After", 5))
print(f"[TickDB] 请求频率超限，{retry_after}s 后重试")
return None
else:
raise RuntimeError(f"未知错误 {code}: {data.get('message')}")
else:
raise ConnectionError(f"HTTP 错误 {response.status_code}")
# 使用示例：获取 3 年苹果日线数据
def fetch_apple_history():
client = TickDBREST()
# 计算时间范围（3 年前到当前）
end_time = int(time.time())
start_time = end_time - (3 * 365 * 24 * 3600)
# 分批获取（每次最多 1000 条）
all_klines = []
current_start = start_time
while current_start < end_time:
klines = client.get_kline(
symbol="AAPL.US",
interval="1d",
limit=1000,
start_time=current_start,
end_time=end_time
)
if not klines:
break
all_klines.extend(klines)
current_start = klines[-1]["time"] + 1
print(f"获取到 {len(all_klines)} 条 K 线数据")
return all_klines
# fetch_apple_history()
TickDB 历史数据覆盖：
- 美股：10 年级别 K 线数据，清洗对齐
- A 股：主流标的 K 线覆盖（分钟级/日线）
- 港股、数字货币：支持
关键差异：
- Tushare 的 A 股数据在财务因子、分钟线完整性上更优
- TickDB 的优势在于跨市场统一格式，回测代码无需针对不同市场写不同逻辑
- 重要约束：TickDB 的
/kline接口用于获取已结束周期的历史数据，实盘监控当前 K 线必须用/kline/latest
历史数据结论：
- A 股财务因子研究 + 分钟线回测 → Tushare 更成熟
- 跨市场策略（美股+港股+数字货币）回测 → TickDB 统一接口更便捷
- 长周期（>5年）A 股日线研究 → 两者均可满足
2.4 API 设计理念对比
Tushare 的 API 哲学是"数据库查询式"：
# Tushare：一个接口对应一个数据表
pro.daily() # 日线行情
pro.daily_basic() # 日线基础指标（市值、PE、PB）
pro.fina_indicator() # 财务指标
pro.news() # 新闻舆情
# 强依赖积分系统：积分不够 = 字段缺失
# pro.daily(ts_code='000001.SZ', trade_date='20240101')['close'] # 可能报错
这种设计让 Tushare 像一个"数据仓库"，开发者需要理解底层数据库结构，选择合适的表和字段。
TickDB 的 API 哲学是"通道订阅式"：
# TickDB：两种核心模式
# 1. REST API：历史数据查询（/kline, /symbols）
# 2. WebSocket：实时数据流（depth, trades, ticker）
# REST 获取历史 → WebSocket 订阅实时
# 数据流天然打通
TickDB 没有积分系统，采用纯 API 调用量计费。数据能力取决于你的订阅计划，而非积分余额。
API 设计结论：
- 熟悉 SQL/数据库查询的开发者 → Tushare 直观
- 需要统一处理多市场数据的系统 → TickDB 更简洁
- 不想研究积分限制的开发者 → TickDB 没有这个烦恼
2.5 A 股订单簿与逐笔数据的真相
这是最容易产生误解的领域。
TickDB 的 depth 频道支持情况：
| 市场 | depth 支持 | 档位 | trades 支持 |
|---|---|---|---|
| 美股 | ✅ | 1 档 | ❌ |
| A 股 | ✅ | 1 档 | ❌ |
| 港股 | ✅ | 10 档 | ✅ |
| 数字货币 | ✅ | 10 档 | ✅ |
| 外汇/贵金属 | ❌ | - | ❌ |
重要事实：
- TickDB 在 A 股仅支持 1 档订单簿，不支持 10 档深度。这意味着
买卖压力比 = Σ(前10档买盘量) / Σ(前10档卖盘量)这个指标在 A 股无法计算。 - TickDB 的 trades 接口（逐笔成交）不支持 A 股和美股。如果你想用逐笔数据重构订单簿（Level-2 订单簿重建），TickDB 无法提供。
Tushare 的逐笔数据：
- Tushare Pro 有
tradedate分钟级数据，但本质是聚合数据，不是原始逐笔 - 对于 A 股 Level-2 原始逐笔，需要对接券商或专业数据供应商（如东方财富 Choice、同花顺 iFinD）
A 股逐笔数据结论：
- 想在 A 股做真正的 Level-2 订单簿重建 → 两者均不适用，需专业数据商
- 港股/数字货币深度分析 → TickDB 10档 depth + trades 是完整方案
- 美股 1 档订单簿监控 → TickDB depth 频道可用
三、价值对比表
以下对比基于两个产品的官方能力声明（截至 2026 年 4 月）：
| 能力维度 | Tushare | TickDB | 说明 |
|---|---|---|---|
| A 股日线历史数据 | 2005 年至今，免费 | 支持（分钟/日线） | Tushare 分钟线覆盖更完整 |
| A 股财务数据 | 三大表、因子数据，极丰富 | 有限 | Tushare 在财务数据上有绝对优势 |
| 实时行情协议 | HTTP 轮询（3-5s 延迟） | WebSocket（<100ms） | WebSocket 有本质优势 |
| A 股订单簿深度 | Level-1 快照 | Level-1（1档） | 两者在 A 股均无 Level-2 |
| 港股深度数据 | 支持（有限字段） | depth（10档）+ trades | TickDB 港股数据更丰富 |
| 数字货币数据 | 支持（有限） | depth（10档）+ trades + K 线 | TickDB 完整覆盖 |
| 美股数据 | 支持（有限） | 10 年 K 线 | TickDB 历史数据更完整 |
| 跨市场统一 API | 需要多次调用不同接口 | 单一 API + 统一格式 | TickDB 多市场更便捷 |
| API 限频 | 积分制（200次/分钟起） | 3001 错误码 + Retry-After | TickDB 按计划付费，无积分门槛 |
| WebSocket 支持 | ❌ | ✅ | TickDB 原生 WebSocket |
| 免费层 | 基础功能可用 | API 调用量限制 | 各有取舍 |
| SDK 生态 | Python（官方）+ 社区封装 | Python（官方）+ REST/WS | Tushare 社区更活跃 |
四、场景化选型建议
4.1 选 Tushare 的场景
你是纯 A 股策略研究者，策略周期在日线或分钟线，主要依赖财务因子和价量指标。
"小市值轮动策略需要过去 10 年的财务数据，Tushare 的
fina_indicator接口直接覆盖了。"
Tushare 在 A 股财务数据上的积累，是 TickDB 短期内无法追赶的护城河。如果你的策略核心是"基本面量化"，Tushare 是更务实的选择。
你是量化学习者，刚入门，想要一个零门槛的数据环境。
"Tushare 积分制虽然有限制，但入门阶段足够用了。"
免费层已经覆盖了大部分基础数据，学习阶段不必为数据付费。
你需要 A 股分钟线完整历史，尤其是事件研究（如财报后 N 分钟的价格反应）。
"我要回测 2018-2023 年所有 A 股财报日，开盘 30 分钟的成交量分布。"
Tushare 的分钟线覆盖历史更长，数据清洗更针对 A 股市场规则（如涨跌停、停牌处理）。
4.2 选 TickDB 的场景
你需要港股或数字货币的深度数据，或者在多个市场之间灵活切换。
"我的策略是事件驱动：美股财报 + 港股映射 + 数字货币避险。一个 API 搞定。"
TickDB 的统一数据格式让你的回测代码和实盘代码可以在不同市场复用，降低了维护成本。
你的策略对实时性有要求，需要 <1 秒的事件响应。
"财报发布后 30 秒内，我要捕捉订单簿的流动性真空。"
WebSocket 推送是 TickDB 的核心差异点。对于事件驱动策略，轮询架构的天然延迟是不可接受的。
你在构建跨资产监控仪表盘，需要同时展示股票、外汇、数字货币的实时行情。
"我要做一个宏观因子仪表盘，监控 20 个品种的实时买卖压力比。"
TickDB 的 WebSocket 支持多品种并发订阅，适合搭建实时监控系统。
4.3 两者结合的场景
最务实的方案往往不是"二选一"，而是让两个工具各司其职：
# 混合架构示例
import tushare as ts
from tickdb import TickDBREST, TickDBWebSocket
class HybridDataEngine:
"""
混合数据引擎：Tushare 做历史研究 + TickDB 做实时监控
"""
def __init__(self):
# Tushare：历史数据 + A 股财务
self.tushare = ts.pro_api(os.environ.get("TUSHARE_TOKEN"))
# TickDB：实时 + 跨市场
self.tickdb = TickDBREST(
api_key=os.environ.get("TICKDB_API_KEY")
)
def get_a_stock_history(self, ts_code, start_date, end_date):
"""A 股历史数据：用 Tushare（财务数据丰富）"""
return self.tushare.daily(
ts_code=ts_code,
start_date=start_date,
end_date=end_date
)
def get_us_stock_history(self, symbol, years=3):
"""美股历史数据：用 TickDB（跨市场统一）"""
end_time = int(time.time())
start_time = end_time - (years * 365 * 24 * 3600)
return self.tickdb.get_kline(
symbol=symbol,
interval="1d",
start_time=start_time,
end_time=end_time
)
def start_realtime_monitor(self, symbols):
"""实时监控：用 TickDB WebSocket"""
client = TickDBWebSocket()
# 监控港股和数字货币深度数据
for symbol in symbols:
if symbol.endswith(".HK") or "-Binance" in symbol:
asyncio.create_task(client.subscribe("depth", symbol))
五、写在最后
回到开篇的问题：Tushare 还是 TickDB？
没有标准答案。只有"你的问题是什么"。
如果你的问题是"我要在 A 股做基本面量化，回测 10 年财务因子"，Tushare 是答案。
如果你的问题是"我要实时监控港股订单簿，同时追踪数字货币异动"，TickDB 是答案。
如果你的问题是"我不确定未来策略会扩展到哪些市场"，一个聪明的数据层设计，两个都用，是更稳妥的选择。
数据源是工具，不是信仰。选择让你策略更有效的那个。
下一步行动
如果你需要 A 股深度数据支持：
Tushare 的财务数据库是中文量化社区最成熟的积累。访问 tushare.pro 注册，获取积分后解锁更多字段。
如果你需要跨市场实时数据流：
TickDB 提供统一的 WebSocket + REST API。访问 tickdb.ai 注册（免费，无需信用卡），在控制台生成 API Key 后，即可开始调用。
如果你习惯用 AI 辅助开发：
在 AI 助手中搜索安装 tickdb-market-data SKILL，可以用自然语言查询 TickDB 的数据能力并生成调用代码。
本文不构成任何投资建议。市场有风险，投资需谨慎。