简介面向有一定Qt/C基础、希望学习股票数据解析与QChart可视化实现的开发者博主gws09876公开了一份Qt股票行情分析程序源码包配合对应博文可还原文章展示的完整界面效果。项目内含shares与StockAnalyse两个相关工程整合股票数据解析、数据库存储与图表展示覆盖详情、分时、五日、K线、资金等视图并通过自定义模型、委托与样式类完成表格交互与视觉定制。压缩包共82个文件以34个h头文件、32个cpp源文件、8个ui界面文件为主另含2个pro工程文件与1个database.db示例数据库整体约232KB代码规模适中适合按模块拆解学习。目前已有728人学习下载可从工程结构入手重点研读K线/分时/资金面板的实现思路并复用其中的拼音检索、网络时间同步等工具类。1. 把 Excel 里的股票复盘搬进 Qt 桌面端shares 与 stockAnalyse 到底能干什么做 qt 股票分析的人大多有过这种经历白天在行情软件里看盘晚上想把日 K 数据导出来用电子表格算均线、算 MACD再手动画趋势线。数据一多电子表格卡成幻灯片公式错一位就得重来。shares 和 stockAnalyse 这套资源就是把这个流程收敛成一个本地桌面工具Qt 负责界面与交互数据分析和指标计算单独成模块。它解决的不是“预测涨跌”而是把行情获取、K 线绘制、指标计算、结果导出这几件事串成一条可重复执行的流水线。适合两类人一是想把看盘和分析逻辑握在自己手里的量化入门者二是需要在离线环境里快速复盘历史行情的从业者。下面按我拆这套资源的顺序从数据层讲到界面层再到指标计算的边界和坑。2. 行情数据从哪来拉取、清洗与本地落盘的完整链路2.1 数据接口的选型逻辑为什么不用现成软件导出拆这套资源时我第一反应是K 线数据直接打开行情软件导出 CSV 不就行了吗但实际用下来有三个问题一是手动导出只能覆盖有限周期做历史回测要逐段拼接二是导出字段固定缺了复权因子、成交量明细这类后续计算要用的列三是流程不可重复每天手动操作一次坚持不了几天。所以 stockAnalyse 的数据层采用了“接口拉取 本地落盘”的方式把数据获取脚本化、可重复化。常见做法是用 Python 的行情数据接口库直接拉日 K 数据。这里有个选型要点免费接口和付费接口的返回结构差异很大但日 K 级别的 OHLCV开高低收量字段基本一致。我一般会先把拉取逻辑封装成独立函数返回统一格式的 DataFrame这样后面换数据源时只需要改这一个函数。stockAnalyse 资源里附带的拉取脚本也是这个思路。import pandas as pd from datetime import datetime, timedelta def fetch_daily_kline(symbol: str, days: int 400) - pd.DataFrame: # 这里用通用行情接口示例实际使用时替换为你的数据源 end datetime.now() start end - timedelta(daysint(days * 1.4)) # 多拉一些自然日过滤非交易日 df get_kline_from_source(symbol, start, end) # 伪代码实际调用数据源接口 if df is None or df.empty: raise ValueError(fsymbol {symbol} 未返回有效数据) # 统一列名后续所有模块只认这套命名 df.columns [date, open, high, low, close, volume, amount] df[date] pd.to_datetime(df[date]) df df.dropna(subset[close]).sort_values(date).reset_index(dropTrue) return df.tail(days) # 只保留最近 days 个交易日这段代码有几个关键参数要说明days是需要的交易日数量但接口按自然日过滤所以乘以 1.4 粗略扩展日期范围避免因为周末和节假日导致数据不够dropna这步必须放在排序之前否则空值行会影响排序后的索引位置最后tail(days)截断是为了保证后续画图和计算指标的数组长度一致这是指标对齐的基础。2.2 本地存储格式与目录结构CSV 还是 SQLite数据拉下来之后要落盘。stockAnalyse 默认采用 CSV 按标的拆文件的方式目录结构是data/history/600001.csv好处是单文件可直接用文本工具打开检查出问题时排查成本低。对于日 K 这种每天只追加一行的数据量CSV 完全够用不需要上 SQLite。# 推荐的目录结构 ./stockAnalyse/ ├── data/ │ ├── history/ # 日 K 原始数据按代码命名 │ ├── cache/ # 指标计算结果缓存 │ └── export/ # 图表导出目录 ├── modules/ │ ├── data_fetcher.py # 数据拉取 │ ├── indicators.py # 指标计算 │ └── chart_view.py # K 线绘制 ├── main_window.py # Qt 主窗口 └── requirements.txt每次拉取新数据后我习惯先做一次增量追加而不是全量覆盖。常见做法是把新拉到的数据与本地已有数据做date列的去重合并避免重复运行脚本把同一天的数据写两遍。这个逻辑看起来简单但如果你用的是df.to_csv()直接覆盖一旦某天接口返回了不完整的数据本地完整历史就被污染了。3. Qt 界面层怎么组织主窗口、数据表格与信号槽衔接3.1 从 QMainWindow 到 QTableView数据展示的骨架这套资源里界面层用的是 PySide6Qt for Python主窗口继承 QMainWindow左侧是标的列表右侧是日 K 数据表格。表格用 QTableView 而不是 QTableWidget原因有两个一是 QTableView 配合自定义模型可以处理上万行数据不卡顿二是后续要加排序、筛选功能时模型层的扩展性远好于直接操作单元格。from PySide6.QtWidgets import QMainWindow, QTableView, QVBoxLayout, QWidget from PySide6.QtCore import QAbstractTableModel, Qt class KLineTableModel(QAbstractTableModel): def __init__(self, data_frame): super().__init__() self._df data_frame self._headers [日期, 开盘, 最高, 最低, 收盘, 成交量] def rowCount(self, parentNone): return len(self._df) def columnCount(self, parentNone): return len(self._headers) def data(self, index, roleQt.DisplayRole): if not index.isValid(): return None if role Qt.DisplayRole: return str(self._df.iloc[index.row(), index.column()]) if role Qt.TextAlignmentRole: return Qt.AlignCenter return None def headerData(self, section, orientation, role): if role Qt.DisplayRole and orientation Qt.Horizontal: return self._headers[section] return None这个模型的data()方法每次只取一个单元格的值所以即使是几千行的 DataFrame 也能流畅滚动。注意iloc是按位置取值不是按标签取值这在数据经过排序后依然能保持行列对应。实际使用中如果表格数据出现错位优先检查是不是iloc和loc混用了。3.2 信号槽联动双击表格行打开 K 线图Qt 界面最容易写烂的地方就是窗口之间互相 new、互相调用。stockAnalyse 的做法是用信号槽解耦主窗口只负责创建表格视图表格的双击信号连接到主窗口的一个槽函数由槽函数负责打开K线图窗口。这样表格不关心K线窗口的内部实现K线窗口也不依赖表格的引用。class MainWindow(QMainWindow): def __init__(self): super().__init__() self.table QTableView() self._model None self.setCentralWidget(self.table) self.table.doubleClicked.connect(self._on_row_double_clicked) def load_data(self, df): self._model KLineTableModel(df) self.table.setModel(self._model) def _on_row_double_clicked(self, index): row index.row() if self._model is None: return # 取出这一行的日期和代码传给K线窗口 date_str self._model._df.iloc[row, 0] code self._current_symbol self._open_chart_window(code, date_str) def _open_chart_window(self, code, start_date): # 用当前本地数据绘图不重新拉接口 df load_from_local(code) df df[df[date] start_date] chart KLineChartWindow(df) chart.show()这里有个值得注意的细节双击事件传过来的index是在视图上的索引如果表格做过排序或筛选这个索引不一定是原始 DataFrame 的行号。稳妥的做法是始终用self._model._df.iloc[row]而不是自己维护一个行号映射。我在用这套资源时踩过这个坑K 线图打开的起点和双击的行对不上后来加上排序状态重置才解决。另外_open_chart_window里不要重新拉网络数据直接用本地缓存否则每次双击都卡几秒。4. 在 QPainter 里画 K 线与均线坐标映射与指标对齐4.1 蜡烛图的绘制每一根 K 线都是一次矩形与直线绘制Qt 自带的 QChart 库能画 K 线但定制性受限比如要叠加自定义的买卖点标记就比较麻烦。stockAnalyse 里直接用 QPainter 自绘 K 线绘制过程其实不复杂每一根 K 线包含一个矩形实体开盘价到收盘价和上下影线最高价到最低价关键是坐标换算要一致。from PySide6.QtWidgets import QWidget from PySide6.QtGui import QPainter, QColor, QPen from PySide6.QtCore import Qt class KLineChartWindow(QWidget): def __init__(self, df): super().__init__() self.df df self.setMinimumSize(900, 480) def paintEvent(self, event): painter QPainter(self) painter.setRenderHint(QPainter.Antialiasing) chart_width self.width() - 70 chart_height self.height() - 50 n len(self.df) if n 0: return # 每根K线占的像素宽度 slot_width chart_width / n kline_width max(2, int(slot_width * 0.7)) high_max float(self.df[high].max()) low_min float(self.df[low].min()) price_range high_max - low_min if price_range 0: return # 价格到像素的映射注意留出底部边距 def y_for_price(price): return 10 (high_max - price) / price_range * (chart_height - 20) for i, row in self.df.iterrows(): x 50 i * slot_width open_y y_for_price(row[open]) close_y y_for_price(row[close]) high_y y_for_price(row[high]) low_y y_for_price(row[low]) # 涨绿跌红是A股习惯头尾各算各的 color QColor(#d32f2f) if row[close] row[open] else QColor(#2e7d32) painter.setPen(QPen(color, 1)) painter.drawLine(int(x kline_width / 2), int(high_y), int(x kline_width / 2), int(low_y)) rect_y min(open_y, close_y) rect_h max(abs(close_y - open_y), 2) # 一字板也要画一条短实体 painter.fillRect(int(x), int(rect_y), int(kline_width), int(rect_h), color)这段代码里有三个参数值得展开说。slot_width是每根 K 线的总宽包括实体和左右空隙K 线数量多时 slot_width 小于 3 像素此时建议直接画成线条图而不是蜡烛图。kline_width max(2, int(slot_width * 0.7))这个 0.7 是实体占比太大K线会粘在一起太小又会显得稀疏一般取 0.6 到 0.8 之间。rect_h的最小值设为 2是为了处理开盘价等于收盘价的情况否则fillRect画出来的高度为 0一字板在图上直接消失。4.2 均线与 MACD 的叠加绘制指标数组长度是最大的坑画完 K 线后叠加 MA5、MA10、MA20 均线逻辑是逐日计算均值然后把每个点连接成折线。这里最常见的翻车现场是指标数组比价格数组短。比如计算 MA20 时前 19 个交易日没有值很多人的做法是直接丢弃前面 NaN 的部分然后画图时用 zip 把价格和均线对齐结果均线整体左移。import pandas as pd import numpy as np def add_ma_columns(df: pd.DataFrame, windows(5, 10, 20)) - pd.DataFrame: df df.copy() for w in windows: df[fma{w}] df[close].rolling(w).mean() return df def paint_ma_line(painter, df, col_name, chart_width, chart_height, high_max, low_min, price_range, color): painter.setPen(QPen(color, 1)) n len(df) if n 0: return slot_width chart_width / n points [] for i in range(n): val df[col_name].iloc[i] if pd.isna(val): continue x 50 i * slot_width slot_width / 2 y 10 (high_max - val) / price_range * (chart_height - 20) points.append((int(x), int(y))) for j in range(1, len(points)): painter.drawLine(points[j - 1][0], points[j - 1][1], points[j][0], points[j][1])注意paint_ma_line里用的是pd.isna(val)而不是直接比较因为 rolling 计算出来的 NaN 用val is None是判断不到的。绘制 MACD 时同样的问题还会再出现一次DIF、DEA 和 MACD 柱状图的数组长度与K线数量不一致处理方法是把所有指标统一按原始数据的索引对齐缺失位置画空而不是把数组截短。这也是这套资源里 stockAnalyse 模块做指标计算时特别强调的一点。def compute_macd(df: pd.DataFrame, fast12, slow26, signal9) - pd.DataFrame: df df.copy() ema_fast df[close].ewm(spanfast, adjustFalse).mean() ema_slow df[close].ewm(spanslow, adjustFalse).mean() df[dif] ema_fast - ema_slow df[dea] df[dif].ewm(spansignal, adjustFalse).mean() df[macd] (df[dif] - df[dea]) * 2 return dfMACD 计算里adjustFalse是关键参数它表示 ewm 使用递归公式而非加权平均这样算出来的值与行情软件中常用的 MACD 口径一致。macd (dif - dea) * 2这个乘以 2 也是行业惯例不同软件有不同画法但乘以 2 后与国内行情软件对照基本吻合。如果你发现 MACD 柱状图比行情软件高一半或矮一半先检查这一行有没有乘 2。5. 避坑指南本地化、复权、性能与数据完整性的实测踩坑记录5.1 本地 CSV 路径含中文字符导致读取失败现象程序在英文路径下正常运行放到中文目录后双击打开 CSV数据表是空的K 线窗口也画不出任何图案。原因Python 的pd.read_csv()在部分 Windows 环境下默认使用系统编码解析中文字符路径配合旧版接口时会出现编码异常。解决统一用pathlib.Path处理路径读取时显式指定编码。from pathlib import Path import pandas as pd def load_local_data(code: str, base_dir: Path) - pd.DataFrame: file_path base_dir / history / f{code}.csv if not file_path.exists(): return pd.DataFrame() return pd.read_csv(file_path, encodingutf-8-sig)顺带说一句如果之前手动编辑过 CSV文件可能是 GBK 编码utf-8-sig读取会报 UnicodeDecodeError。我一般会先尝试 utf-8-sig失败后回退到 gbk这个逻辑写成一个小函数能省去不少 Debug 时间。5.2 复权数据开头出现 NaN指标画出断头线现象加载前复权数据后K 线前面 40 多根是正常的但均线从第 20 根才开始MACD 从第 34 根才开始画出来的线像被切了一刀。原因前复权数据在计算时会向前复权到某个基准日早期数据可能因为复权因子缺失产生空值滚动窗口计算时这些位置出现 NaN。解决指标计算前先对复权后的数据做一次ffill()或直接丢弃前 N 根数据但要注意丢弃后索引必须重置。df df.ffill() # 用前向填充补全复权导致的空值 df df.dropna(subset[close]) # 或者干脆截取有效区间 first_valid_idx df[close].first_valid_index() df df.loc[first_valid_idx:].reset_index(dropTrue)两种方式各有利弊ffill()适合复权因子只影响个别日期的情况截断适合数据前段大面积无效的情况。我建议优先用截断因为它不会引入填充值带来的误差指标计算更干净。5.3 单次拉取缺失交易日K 线中间出现空洞现象某些交易日接口返回异常本地 CSV 里缺少那一天的记录画图时 K 线直接跳过走势图出现断层。原因数据源接口在盘中或盘后短暂不可用时拉取脚本把空结果当作“无更新”跳过没有补拉机制。解决拉取脚本里增加缺失交易日检测比对本地最后日期与交易日历的差距。def check_missing_dates(df: pd.DataFrame, trade_calendar: list) - list: existing set(df[date].dt.strftime(%Y-%m-%d)) missing [d for d in trade_calendar if d not in existing] return missing # 使用方式如果 missing 非空重跑 fetch_daily_kline 并合并这里有个重要前提交易日历从哪来常见做法是用数据接口自带的交易日历字段或者直接读取本地历史数据里的日期去重后作为参考。不建议硬编码节假日因为每年休假安排都有调整。5.4 K 线图放大缩小时窗口卡顿现象数据量超过 3000 根 K 线后拖动缩放滑块时界面明显掉帧CPU 占用持续 100%。原因paintEvent里每次都全量遍历 DataFrame加上iterrows()和重复计算min/max导致绘制耗时几百毫秒。解决引入显示区间裁剪只绘制当前可见范围内的 K 线。def paintEvent(self, event): # 假设 self.visible_range (start_index, end_index) start_idx, end_idx self.visible_range visible_df self.df.iloc[start_idx:end_idx 1] if visible_df.empty: return high_max float(visible_df[high].max()) low_min float(visible_df[low].min()) # 后续绘制逻辑基于 visible_df而不是 self.df这个优化做完后即使有上万根数据绘制区间只限定在屏幕上几百根速度能提升一个数量级。同时建议把iterrows()换成to_numpy()后再循环避免 Pandas 每行构建 Series 的开销。5.5 窗口关闭后数据未保存重启回到原点现象手动在表格里修正了一些错误数据关闭程序再打开修正全部丢失表格回到拉取时的状态。原因表格数据只存在内存里没有写回本地 CSV 的机制。解决增加一个“保存”动作把 QTableView 模型里的 DataFrame 写回 CSV。def save_current_df(self): if self._model is None: return df self._model._df file_path Path(data/history) / f{self._current_symbol}.csv df.to_csv(file_path, indexFalse, encodingutf-8-sig)如果是你自己扩展这套资源尽量把“保存”做成主动触发而不是自动触发因为自动保存会在数据半修正状态时把坏数据覆盖到原文件。6. 从能画图到能验证指标正确性检查与批量操作的进阶技巧6.1 指标正确性验证在 Qt 里直接叠加查询结果很多人写完指标计算就默认是对的实际上手算一个例子验证后才发现公式参数错了。我在这套资源里加了一个“验证模式”在K线图窗口按快捷键 V会在当前 K 线下方弹出一个数据核对面板显示最近 5 根 K 线的开高低收、MA5、DIF、DEA 的具体数值并高亮显示当前鼠标悬停的 K 线位置。def show_validation_tooltip(self, event): x event.position().x() if x 50: return index int((x - 50) / self.slot_width) if index 0 or index len(self.df): return row self.df.iloc[index] text (f日期: {row[date]}\n f开: {row[open]} 收: {row[close]}\n f高: {row[high]} 低: {row[low]}\n fMA5: {row[ma5]:.2f}\n fDIF: {row[dif]:.3f} DEA: {row[dea]:.3f}) self.tooltip_label.setText(text) self.tooltip_label.adjustSize()验证时分成三步看收盘价是否和原始数据一致 → 看均线数字能否用手算复现 → 看 MACD 柱状图正负方向是否和行情软件一致。走完这三步指标计算才算真正可信而不是“画出来像那么回事”。6.2 批量重算与图表导出把复盘结果沉淀为图片单只看一只股票没意义每天复盘是几十只股票一起过。stockAnalyse 里我习惯的做法是写一个批量任务遍历指定目录下的所有 CSV重新计算指标后把最新 120 根 K 线截图导出到data/export/文件名带上日期。def export_all_charts(symbols, days120, out_dirdata/export): out_dir Path(out_dir) out_dir.mkdir(parentsTrue, exist_okTrue) for code in symbols: df load_local_data(code, base_dirPath(data)) if df.empty or len(df) days: continue df add_ma_columns(df) df compute_macd(df) recent df.tail(days) chart KLineChartWindow(recent) # 离屏渲染到 QPixmap再保存为 PNG pixmap chart.grab() file_name out_dir / f{code}_{recent[date].iloc[-1].strftime(%Y%m%d)}.png pixmap.save(str(file_name))chart.grab()是 Qt 提供的离屏渲染方法不需要真的把窗口 show 出来就能生成图片。这个技巧对批量导出特别有用几十只股票的图表几秒钟就能全部生成。如果是在无显示器的服务器环境下跑需要设置QT_QPA_PLATFORMoffscreen环境变量否则会报无法连接 display 的错误。6.3 值得保留的检查习惯最后分享一个我养成的固定动作每次修改数据拉取或指标计算代码后强制跑一遍“单标的全链路验证”——删除该标的本地 CSV重新拉取 → 计算指标 → 手动核对最后 5 根K线的关键数值 → 导出截图。全程不碰其他文件的代码路径确认无误后再做批量处理。这个习惯救过我很多次很多问题都是在改了一行格式转换代码后悄悄出现的比如日期变成字符串导致排序错乱又比如成交量被读成浮点后画图时溢出。从那以后我每次调整这套资源的公共函数都会强制走一遍验证流程宁可在单标的验证上花十分钟也不愿意在五十只股票的批量导出后才发现数据错位。希望这套 shares 与 stockAnalyse 的拆解能帮你在 Qt 股票分析这条路上少踩几个坑。本文还有配套的精品资源点击获取