TradingView-Screener：Python量化投资的数据引擎

TradingView-Screener：Python量化投资的数据引擎

【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

在量化投资和算法交易领域，数据是决策的核心。TradingView-Screener作为一个专业的Python包，为开发者提供了直接访问TradingView官方API的能力，让您能够通过编程方式构建强大的股票筛选器，实现自动化市场分析和投资决策。

🎯 核心价值矩阵：从数据到洞察

多维度市场覆盖能力

TradingView-Screener支持超过70个国家的股票市场，涵盖股票、期权、加密货币、外汇、期货、债券等多种金融工具。这种全面的市场覆盖能力使得开发者可以构建跨市场的统一分析框架，实现真正的全球化投资视角。

数据字段的深度挖掘

该库提供超过3000个数据字段，包括：

• 基础价格数据（开盘价、最高价、最低价、收盘价）
• 技术指标（MACD、RSI、布林带等）
• 基本面指标（市盈率、每股收益、市值等）
• TradingView专有指标（内部计算字段）

时间框架的灵活组合

支持从1分钟到1个月共10种时间框架，您可以自由地为不同字段指定不同的时间框架：

from tradingview_screener import Query # 同时获取1分钟、5分钟和日线数据 query = (Query() .select('close|1', 'close|5', 'close', 'volume|1', 'volume|5', 'volume') .limit(10) .get_scanner_data())

🚀 实战应用图谱：构建智能交易系统

场景一：开盘前策略准备

对于日内交易者，开盘前的准备工作至关重要。使用TradingView-Screener，您可以在开盘前快速识别出：

from tradingview_screener import stocks, col # 筛选预市表现活跃的股票 premarket_analysis = (stocks('america') .select('name', 'close', 'premarket_change', 'premarket_volume') .where( col('premarket_change') > 2.0, col('premarket_volume') > 100000 ) .order_by('premarket_change', ascending=False) .limit(20) .get_scanner_data())

场景二：技术指标筛选系统

构建基于技术指标的智能筛选器：

from tradingview_screener import Query, col # 多条件技术分析筛选 technical_screener = (Query() .select('name', 'close', 'RSI|14', 'MACD.macd', 'MACD.signal', 'volume') .where( col('RSI|14').between(30, 70), col('MACD.macd|1') > col('MACD.signal|1'), col('volume') > 1000000, col('market_cap_basic') > 1000000000 ) .order_by('volume', ascending=False) .limit(50) .get_scanner_data())

场景三：投资组合实时监控

对于长期投资者，可以构建自动化监控系统：

import pandas as pd from tradingview_screener import Query # 定义监控的投资组合 watchlist = ['NASDAQ:AAPL', 'NASDAQ:GOOGL', 'NASDAQ:MSFT', 'NASDAQ:AMZN'] # 实时获取投资组合数据 portfolio_monitor = (Query() .select('name', 'close', 'change', 'volume', 'market_cap_basic') .set_tickers(*watchlist) .get_scanner_data()) # 转换为DataFrame进行进一步分析 total_rows, df = portfolio_monitor df['value_change'] = df['close'] * df['change'] / 100

🔧 生态集成网络：无缝对接现有工具栈

与Pandas的数据管道集成

TradingView-Screener天然支持Pandas DataFrame输出，可以轻松集成到现有的数据分析工作流中：

import pandas as pd from tradingview_screener import stocks # 获取数据并转换为DataFrame total_count, df = stocks('america').limit(100).get_scanner_data() # 使用Pandas进行数据清洗和分析 df_cleaned = df.dropna(subset=['market_cap_basic']) df_sorted = df_cleaned.sort_values('market_cap_basic', ascending=False) # 导出为CSV或Excel df_sorted.to_csv('market_analysis.csv', index=False)

实时数据流处理架构

通过集成浏览器会话管理，实现真正的实时数据访问：

import rookiepy from tradingview_screener import Query # 从浏览器加载TradingView会话 cookies = rookiepy.to_cookiejar(rookiepy.chrome(['.tradingview.com'])) # 使用实时数据流 real_time_query = (Query() .select('name', 'close', 'volume', 'update_mode') .limit(100) .get_scanner_data(cookies=cookies)) # 验证数据更新模式 _, real_time_df = real_time_query streaming_stocks = real_time_df[real_time_df['update_mode'] == 'streaming']

自定义筛选条件构建器

TradingView-Screener提供了灵活的筛选条件构建系统，支持复杂的逻辑组合：

from tradingview_screener import Query, col, And, Or # 构建复杂筛选逻辑 complex_filter = (Query() .select('name', 'close', 'PE', 'EPS', 'dividend_yield') .where( And( col('PE').between(10, 25), col('EPS') > 2.0, Or( col('dividend_yield') > 3.0, col('market_cap_basic') > 50000000000 ) ) ) .order_by('PE') .limit(30) .get_scanner_data())

📊 数据操作框架：SQL风格的查询语法

选择字段的灵活性

# 选择特定字段 simple_query = Query().select('name', 'close', 'volume') # 选择所有可用字段 all_fields_query = Query().select('*') # 混合时间框架字段 mixed_timeframe = Query().select('close|1', 'close|5', 'close|15', 'close')

条件筛选的精确控制

# 范围筛选 range_filter = col('market_cap_basic').between(1000000, 1000000000) # 相对值筛选 relative_filter = col('close').above_pct('close|1', 1.5) # 当前价高于1分钟前1.5% # 文本匹配筛选 text_filter = col('name').like('AAPL') # 名称包含AAPL

排序和分页机制

# 多字段排序 multi_sort = (Query() .select('name', 'close', 'volume', 'market_cap_basic') .order_by('volume', ascending=False) .order_by('market_cap_basic', ascending=True) .limit(50) .offset(10) .get_scanner_data())

🛡️ 稳健性保障策略

错误处理最佳实践

import time from tradingview_screener import Query def safe_scanner_query(max_retries=3): """安全的扫描器查询函数，包含重试机制""" for attempt in range(max_retries): try: total_rows, df = Query().limit(100).get_scanner_data() return total_rows, df except Exception as e: print(f"查询失败，第{attempt + 1}次重试: {e}") if attempt < max_retries - 1: time.sleep(2 ** attempt) # 指数退避 else: raise return None, None

性能优化建议

1. 批量处理策略：合理设置limit参数，避免一次性请求过多数据
2. 缓存机制：对不频繁变化的数据实现本地缓存
3. 并发控制：在需要大量数据时考虑分批请求

import concurrent.futures from tradingview_screener import stocks def batch_fetch_markets(markets, batch_size=20): """批量获取多个市场数据""" results = {} with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor: future_to_market = { executor.submit(stocks(market).limit(batch_size).get_scanner_data): market for market in markets } for future in concurrent.futures.as_completed(future_to_market): market = future_to_market[future] try: results[market] = future.result() except Exception as e: print(f"获取{market}市场数据失败: {e}") return results

🚀 部署与维护指南

环境配置最佳实践

# 创建虚拟环境 python -m venv venv source venv/bin/activate # Linux/Mac # 或 venv\Scripts\activate # Windows # 安装依赖 pip install tradingview-screener pip install pandas numpy matplotlib # 可选：数据分析可视化工具

项目结构优化

参考项目源码结构，构建可维护的代码组织：

your_project/ ├── src/ │ ├── data_fetcher.py # 数据获取模块 │ ├── analysis.py # 数据分析模块 │ └── visualization.py # 数据可视化模块 ├── config/ │ └── screener_config.py # 筛选器配置 ├── tests/ # 测试目录 └── requirements.txt # 依赖管理

持续集成策略

利用项目中的测试框架确保代码质量：

# 参考项目中的测试用例 # tests/test_query.py 和 tests/test_screeners.py

💡 创新应用场景

市场情绪分析系统

结合技术指标和成交量数据，构建市场情绪分析：

def analyze_market_sentiment(): """分析市场情绪指标""" query = (Query() .select('name', 'close', 'RSI|14', 'volume', 'relative_volume_10d_calc') .where( col('RSI|14') < 30, # 超卖区域 col('relative_volume_10d_calc') > 1.5 # 成交量异常放大 ) .limit(50)) return query.get_scanner_data()

跨市场套利机会识别

def find_arbitrage_opportunities(): """识别跨市场套利机会""" # 获取同一资产在不同市场的价格 us_stocks = stocks('america').select('name', 'close').limit(100) hk_stocks = stocks('hongkong').select('name', 'close').limit(100) # 比较价格差异（简化示例） # 实际应用中需要处理货币转换和交易成本 return us_stocks, hk_stocks

总结

TradingView-Screener作为一个专业的Python金融数据工具，为量化投资者和算法交易者提供了强大的数据获取和分析能力。通过其灵活的API设计、丰富的技术指标支持和SQL风格的查询语法，开发者可以快速构建复杂的市场分析系统。

项目的核心优势在于直接对接TradingView官方API，确保了数据的准确性和实时性，同时避免了网页爬虫的维护成本和稳定性问题。无论是构建简单的股票筛选器，还是开发复杂的量化交易系统，TradingView-Screener都能提供可靠的技术支持。

通过合理的架构设计和最佳实践应用，您可以充分利用这个工具构建高效、稳定的金融数据分析应用，在激烈的市场竞争中获得数据驱动的决策优势。

【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