如何用SQL或python从股票日数据中抽取出季度数据

📅 2026-10-07 19:59👁️ 7738 阅读💬 0 评论

企业微信

为什么需要从日数据抽季度数据

做股票或期货策略时，高开低收的日数据太细碎，季度数据却能帮你看见大势。比如你研究一家公司连续20个季度的营收与股价关系，或者测试一个季度调仓的期货趋势策略，都需要把每天的价格浓缩成每季一根K线。手工整理不现实，用SQL或Python自动抽取才是交易员的日常。

季度数据的定义与常见规则

季度划分有两种主流方式：自然季度（1-3月、4-6月、7-9月、10-12月）和按财报季（部分期货品种按合约季）。股票通常用自然季度，每季最后一天的收盘价作为该季收盘价，第一天的开盘价作为季度开盘价，期间最高价与最低价分别取最大值和最小值。成交量则是整个季度累加。

如何用SQL或python从股票日数据中抽取出季度数据

有些策略会使用季度末最后一个交易日的价格，有些用季度内均价。规则要先定清楚，否则抽取出来的数据无法回测。

SQL方案利用窗口函数与分组

假设有一张日线表 daily_price，字段为 code（股票代码）、trade_date（日期）、open、high、low、close、volume。要抽取每只股票每季度的OHLCV。

第一步，给每行打上季度标签。不同数据库语法略有差异，核心是用年份和季度组合。MySQL可以用 CONCAT(YEAR(trade_date), 'Q', QUARTER(trade_date))，PostgreSQL用 EXTRACT(YEAR FROM trade_date) || 'Q' || EXTRACT(QUARTER FROM trade_date)。

第二步，用窗口函数找出每季第一天和最后一天。以MySQL 8.0为例：


WITH qtr_label AS (

  SELECT *,

         CONCAT(YEAR(trade_date), 'Q', QUARTER(trade_date)) AS qtr,

         ROW_NUMBER() OVER (PARTITION BY code, CONCAT(YEAR(trade_date), 'Q', QUARTER(trade_date)) ORDER BY trade_date) AS rn_first,

         ROW_NUMBER() OVER (PARTITION BY code, CONCAT(YEAR(trade_date), 'Q', QUARTER(trade_date)) ORDER BY trade_date DESC) AS rn_last

  FROM daily_price

)

SELECT 

  code,

  qtr,

  MAX(CASE WHEN rn_first = 1 THEN open END) AS q_open,

  MAX(high) AS q_high,

  MIN(low) AS q_low,

  MAX(CASE WHEN rn_last = 1 THEN close END) AS q_close,

  SUM(volume) AS q_volume

FROM qtr_label

GROUP BY code, qtr

ORDER BY code, qtr;

这里用 MAX(CASE WHEN ...) 提取首日开盘和末日收盘，是因为分组后每季只有一行满足条件。若数据库支持 FIRST_VALUE 和 LAST_VALUE 窗口函数，也可直接取值，但要注意 LAST_VALUE 默认窗口帧问题，需指定 ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING。

对于期货，如果主力合约换月，需要先处理连续合约再抽取季度数据，否则季度开盘价可能来自不同合约。

Python方案用pandas重采样更灵活

拿到日线DataFrame后，把日期设为索引，用 resample('Q') 聚合。pandas的Q代表季度末，Q-DEC为自然季。代码示例如下：


import pandas as pd

df = pd.read_csv('daily_price.csv', parse_dates=['trade_date'])

df = df.set_index('trade_date')

df = df.sort_index()

quarterly = df.resample('Q').agg({

    'open': 'first',

    'high': 'max',

    'low': 'min',

    'close': 'last',

    'volume': 'sum'

})

quarterly.index = quarterly.index.to_period('Q')

如果有多只股票，需要先按code分组再重采样：


def to_quarterly(group):

    return group.resample('Q').agg({'open':'first','high':'max','low':'min','close':'last','volume':'sum'})

quarterly = df.groupby('code').apply(to_quarterly).reset_index()

pandas也能处理非自然季度，比如按期货合约季（3月、6月、9月、12月），只需自定义偏移量或先标记季度再分组。