OPEN · SELF-HOSTED · POINT-IN-TIME

A 股研究数据，
从获取走向可信

CNEquity 把行情、基本面、公司事件、资金与宏观数据持续写入本地 Parquet，并统一处理复权、历史股票池与 PIT。采集可以续跑，结果可以回查，研究口径不会藏在脚本里。

跑通第一个 Demo 查看数据集目录
  • 零注册无需申请 API Token
  • 开放存储Parquet 留在本地
  • 研究友好Python · DuckDB · Polars · MCP
quickstart.sh local

# 安装并验证完整链路

$ pip install cnequity

$ cne demo

instrumentscurated5 rows
daily_barscurated150 rows
quality checksauditPASS

✓ Local lake ready · 5 symbols · 30 sessions

42注册数据集
39 + 3Curated + Derived
L0—L8九类研究数据
完整覆盖范围

WHY CNEQUITY

不是多包一层接口，
而是把研究口径放进数据层

真正昂贵的不是发出请求，而是多年之后仍然知道：当时能看到什么、这行数据来自哪里、故障后该从哪继续。

01

历史股票池，不用今天解释过去

退市股、历史成分与交易状态进入统一 Universe 查询，降低幸存者偏差。

PIT 截面示例 →
02

行级来源，不靠猜测解释差异

Curated 数据保留 source、data_version 与 fetched_at，结果可以追到采集批次。

数据契约 →
03

可续跑任务，不因一次波动重来

按批落盘、水位记录、质量审计与主备源路由，为长期日更而设计。

生产运行手册 →

A SMALL CHOICE, A BIG GAP

股票池选错，
收益可以差一倍

用“今天仍然上市”的股票回看 2016—2021 年，同一等权买入持有策略会把累计收益从 5.9% 推高到 12.0%。退市股票不是收益为零，而是根本没有进入计算。

5.9%
历史完整股票池
12.0%
当前股票名单回看
复现实验与口径说明 →
历史完整股票池与当前股票名单回测的累计收益差异
相同区间、相同策略，唯一差别是股票池是否保留历史退市标的。

START WITH ONE WORKING QUERY

先跑通，再扩展

从 5 只股票的可验证 Demo，到全市场日更数据湖，再到研究脚本或 AI Agent，共用同一份开放数据。

  1. 01 · TRY

    验证链路

    拉取小样本真数据；网络受限时可改用确定性离线样例验证链路。

    pip install cnequity
cne demo
    打开快速开始 →
  2. 02 · BUILD

    建立数据湖

    初始化全市场数据，随后按水位增量日更，中断后从失败批次续跑。

    cne config init
cne init
cne run daily
    查看运行方式 →
  3. 03 · QUERY

    进入研究

    通过 Python、DuckDB、Polars 或只读 MCP 消费同一份本地数据。

    from cnequity.query import load
bars = load("daily_bars")
    选择查询方式 →

DATA COVERAGE

覆盖一条研究链路，
而不是堆积孤立接口

42 个数据集按研究用途分为 L0—L8 九类。主键、分区、历史模式与源端限制都在目录中明确记录。

浏览完整数据集目录 →
L0—L1市场与行情证券主数据 · 日线 · 分钟线 · 分笔 · 复权 L2—L3公司与基本面公告 · 公司行为 · 财报 · 估值 · 股东 L4—L5资金与市场结构北向 · 两融 · 龙虎榜 · 指数与行业成分 L6—L8宏观、舆情与风险宏观指标 · 市场宽度 · 新闻 · 情绪 · 监管

YOUR DATA · YOUR HISTORY

让下一次研究，
从可复查的数据底座开始

开始安装 查看 GitHub