Forex API
为 50+ 个主要、次要及异国货币对提供 Tick 级报价。
通过一个 WebSocket 和 REST API 传输 Tick 级 Forex、Crypto、Stock、Commodity 和 Index 数据。几秒钟即可获取免费密钥——无需销售沟通。
| 代码 | 资产类别 | 价格 | 实时变动 |
|---|---|---|---|
| EUR/USD 外汇欧元 / 美元 | 外汇 | - | - |
| BTC/USDT 加密货币比特币 | 加密货币 | - | - |
| ETH/USDT 加密货币以太坊 | 加密货币 | - | - |
| AAPL 股票苹果公司 | 股票 | - | - |
| XAU/USD 大宗商品现货黄金 | 大宗商品 | - | - |
| USD/JPY 外汇美元 / 日元 | 外汇 | - | - |
| NVDA 股票英伟达公司 | 股票 | - | - |
| SPX 指数标普 500 指数 | 指数 | - | - |
AllTick 覆盖的每个市场都可通过同一个统一的 REST 和 WebSocket 接口访问。
为 50+ 个主要、次要及异国货币对提供 Tick 级报价。
实时现货和衍生品数据,标准化为一个数据流。
覆盖美股、港股和 A 股市场的股票,提供成交和报价。
贵金属和能源的实时定价。
主要全球指数的基准指数值和成分股。
比较 AllTick 各个市场的覆盖范围、延迟和数据类型。
浏览产品AllTick 与典型传统行情数据供应商的对比。
| 能力 | AllTick | 典型传统供应商 |
|---|---|---|
| WebSocket 中位延迟 | 约 150ms | 400–800ms |
| 一个 API 中的资产类别 | 5(FX、Crypto、Stock、Commodities、Indices) | 1–2 |
| 可用性 SLA | 99.95% | 99.5% 或无 |
| 免费等级 | 有——即时 API 密钥 | 需要销售沟通 |
| WebSocket 流 | 原生支持 | 轮询 / 有限支持 |
通过 WebSocket 连接并订阅任何市场中的任意交易品种。
# AllTick realtime financial data API
# forex crypto stock commodities indices
import asyncio, json, uuid
import websockets
subscribe = {
"cmd_id": 22004,
"seq_id": 1,
"trace": str(uuid.uuid4()),
"data": {"symbol_list": [{"code": "EURUSD"}]},
}
heartbeat = {"cmd_id": 22000, "seq_id": 1, "trace": "heartbeat", "data": {}}
async def stream():
uri = "wss://quote.alltick.co/quote-b-ws-api?token=YOUR_API_KEY"
async with websockets.connect(uri) as socket:
await socket.send(json.dumps(subscribe))
async def keep_alive():
while True:
await asyncio.sleep(10)
await socket.send(json.dumps(heartbeat))
asyncio.create_task(keep_alive())
async for message in socket:
print(json.loads(message))
asyncio.run(stream())分享市场数据工程、流式 API 与低延迟金融应用开发的实用内容。

外汇交易市场因其高流动性和24小时交易特点,吸引了大量交易者。量化交易策略在外汇市场上同样非常受欢迎。以下是三…
外汇交易市场因其高流动性和24小时交易特点,吸引了大量交易者。量化交易策略在外汇市场上同样非常受欢迎。以下是三个经典的外汇交易策略,这些策略可以运用在量化交易中。
动量交易策略基于这样的假设:市场价格在某一方向上持续移动的趋势可能会继续一段时间。动量交易者通过买入近期表现强劲的货币对并卖出表现较弱的货币对来获利。
实现步骤:
量化实现:
import pandas as pd
import numpy as np
# 获取历史数据,可以从Alltick的接口处获取实时和历史价格数据
data = pd.read_csv('forex_data.csv')
# 计算动量
data['momentum'] = data['close'].pct_change(periods=20)
# 设定动量阈值
buy_threshold = 0.05
sell_threshold = -0.05
# 生成交易信号
data['signal'] = np.where(data['momentum'] > buy_threshold, 1, 0)
data['signal'] = np.where(data['momentum'] < sell_threshold, -1, data['signal'])
# 计算收益
data['return'] = data['close'].pct_change()
data['strategy_return'] = data['signal'].shift(1) * data['return']
均值回归策略基于金融市场价格会回归其均值的假设。当价格偏离均值一定程度时,预计价格将向均值回归,从而进行买卖操作。
实现步骤:
上代码:
# 计算移动均值和标准差
data['mean'] = data['close'].rolling(window=20).mean()
data['std'] = data['close'].rolling(window=20).std()
# 设定买入和卖出阈值
buy_threshold = data['mean'] - 2 * data['std']
sell_threshold = data['mean'] + 2 * data['std']# 生成交易信号data['signal'] = np.where(data['close'] < buy_threshold, 1, 0)data['signal'] = np.where(data['close'] > sell_threshold, -1, data['signal'])# 计算收益data['strategy_return'] = data['signal'].shift(1) * data['return']
趋势跟踪策略基于市场存在长期趋势的假设。当价格突破某一重要水平(如移动均线)时,顺势进行交易。
实现步骤:
趋势跟踪策略的实现思路如下:
# 计算移动均线
data['short_mavg'] = data['close'].rolling(window=50).mean()
data['long_mavg'] = data['close'].rolling(window=200).mean()
# 生成交易信号
data['signal'] = np.where(data['short_mavg'] > data['long_mavg'], 1, 0)
data['signal'] = np.where(data['short_mavg'] < data['long_mavg'], -1, data['signal'])
# 计算收益
data['strategy_return'] = data['signal'].shift(1) * data['return']