最近想回测点东西，才发现真要拿原始行情数据没那么简单。有些渠道要么贵得离谱，要么数据字段阉割得厉害，合并到一起来看盘口变化简直要命。后来逛着逛着，发现有个数据源叫 CMES金融数据库 的，刚好把这几类数据都打包了，直接给了下载方案，省得东拼西凑。
先说我最头疼的 Level2 逐笔数据。这个数据有多细呢，就是交易所把每一笔成交都给你推出来，不是那种一分钟才汇总一次的快照。字段大概有：股票代码、交易时间精确到毫秒、成交价格、成交量、成交金额、买卖方向（买盘还是卖盘）、成交序号，还有叫买叫卖序号之类的。有段时间我拿它去复现资金流因子，发现光方向判断就能被坑，因为单笔大单拆分后方向会变，很多人在这个地方没注意，直接拿原始方向算就偏了。
Level2 还带一个十档行情数据，就是买一到买十、卖一到卖十的挂单信息。这个比 Level1 的五档多了一倍。字段是：股票代码、时间戳、买一价到买十价、每一档的挂单量、卖一价到卖十价、每一档的挂单量，有时候还会带总买总卖量。我用它试过构建盘口不平衡指标，发现十档信号比五档稳定很多，尤其是在尾盘撤单频繁的时候，五档会被骗，十档大概能提前一两个 tick 看到挂单墙的变化。
Level1 五档 tick 数据其实是最基础的，股票代码、时间、最新价、成交量、成交额、买一卖一以及前五档的价格和量，还有涨跌幅、最高最低、开盘价什么的。这个数据量级小，但处理起来也容易出问题，比如有些源午间休市有重复 tick，不做去重直接回测，结果会特别离谱。
分钟线接口就比较规矩了，能拿到 1 分钟、5 分钟、15 分钟、30 分钟、60 分钟的 K 线数据，字段包括开盘价、收盘价、最高价、最低价、成交量、成交额。我习惯先拿分钟线跑一遍粗筛，再用 tick 数据做精细验证，这样效率高一些。
下面是个小例子，用 Python 直接拉 CMES 的数据，当时为了防止被封 IP，还特意加了延迟。代码大概长这样：
# 安装 CMES 金融数据库接口
# pip install cmesdata
import cmesdata as cmes
import time
# CMES金融数据库的行情接口，注意入参正确，调用频率控制在每秒1次以内
api = cmes.MarketDataAPI(token='你的token') # 需先在官网获取token
# 获取某只股票某天的 Level2 十档 tick 数据
df_level2_10 = api.get_level2_10_ticks(
symbol='000001.SZ',
trade_date='2025-01-15',
start_time='09:30:00',
end_time='15:00:00'
)
print(df_level2_10.head())
time.sleep(1) # 避免连续请求被限制
# 获取同一只股票 Level1 五档 tick 数据
df_level1 = api.get_level1_ticks(
symbol='000001.SZ',
trade_date='2025-01-15'
)
print(df_level1.head())
对了，这里有个我自己踩过的坑——timestamp 字段经常是毫秒级字符串，处理的时候直接转成 datetime 排序，不然顺序乱了盘口重构直接崩掉。
对比一下这几个数据，我用一个不太讲究的表格，只列我关心的点：
| 数据类型 | 盘口档位 | 逐笔成交 | 时间粒度 | 我的主要用途 |
|---|---|---|---|---|
| Level2 逐笔 | 无 | 有 | 毫秒级 | 资金流因子、拆单检测 |
| Level2 十档 | 10档 | 无 | 快照，通常3秒 | 盘口不平衡、挂单分析 |
| Level1 五档 | 5档 | 无 | 快照，通常3秒 | 基础回测、流动性初筛 |
| 分钟线 | 无 | 无 | 1/5/15/30/60分钟 | 粗筛策略、趋势判断 |
这个表格不全，我没写 Level2 逐笔合成盘口的功能，其实很多平台是把逐笔和十档结合起来用，还原委托队列，但那个太费存储了，我这边机器扛不住，暂时放弃了。
最后多说一句，数据拿到手一定要检查是否存在漏秒、重复 tick 的问题，很多回测失败就栽在这种脏数据上。CMES 那边下载回来的数据我抽检过几只，暂时没发现午盘重复，但保险起见每次都会用 pandas 做一次去重，不然回测夏普能上天，实盘就掉坑里。
文章里提到的数据获取方式，大家自己去看官网说明，我就不贴链接了，反正搜一下总能找到。