joinquant 集合竞价选股：如何利用开盘前 9:25 的 Tick 数据？

在 A 股量化交易中，**集合竞价（9:15 - 9:25）**是主力资金试盘、表态的重要窗口。尤其是 9:25 产生的开盘集合竞价 Tick 数据，决定了股票当天的开盘价，其五档量价关系和累计成交量是捕捉强势股、龙头股“超预期开盘”的核心指标。

聚宽（JoinQuant）提供了专门的 API 函数 get_call_auction，支持获取指定时间区间内交易日 09:25 的集合竞价数据。本文将详细介绍该函数的使用方法，并给出一个实用的集合竞价选股策略框架。

一、get_call_auction 函数详解

get_call_auction 函数用于获取指定时间区间内交易日 09:25 的集合竞价数据。支持股票（2010年至今）、场内基金（2019年至今）等标的。

1. 接口调用格式

from jqdata import *
get_call_auction(security, start_date=None, end_date=None, fields=None)

2. 参数说明

• security: 标的代码或标的代码组成的列表（如 '000001.XSHE' 或 ['000001.XSHE', '000002.XSHE']）。
• start_date: 开始日期，格式为 'YYYY-MM-DD'，不可为 None。
• end_date: 结束日期，格式为 'YYYY-MM-DD'，不可为 None。
• fields: 选择要获取的行情字段。若为 None，默认获取全部字段。支持的字段包括：
  • time: 时间（datetime）
  • current: 当前价（即开盘价）
  • volume: 累计成交量（股）
  • money: 累计成交额
  • b1_v ~ b5_v: 五档买量
  • b1_p ~ b5_p: 五档买价
  • a1_v ~ a5_v: 五档卖量
  • a1_p ~ a5_p: 五档卖价

3. 返回值

返回一个 pandas.DataFrame，索引为默认的整数索引，包含 code 列及所选的 fields 字段。

二、代码实战：获取 9:25 集合竞价五档数据

以下代码展示了如何在研究环境或策略中，获取指定股票在特定日期的集合竞价五档量价数据：

from jqdata import *

# 定义查询标的和时间范围
security_list = ['000001.XSHE', '000002.XSHE']
start_dt = '2023-10-10'
end_dt = '2023-10-12'

# 获取包含五档买卖量价的完整集合竞价数据
fields_list = [
    'time', 'current', 'volume', 'money', 
    'b1_v', 'b1_p', 'a1_v', 'a1_p'
]

df_auction = get_call_auction(security_list, start_date=start_dt, end_date=end_dt, fields=fields_list)
print(df_auction.head())

三、经典应用：集合竞价“爆量高开”选股策略

在实战中，我们经常寻找**“爆量高开”**的股票，即：

1. 高开幅度在 2% ~ 5% 之间（避免高开过多被埋，或高开过少力度不够）。
2. 集合竞价成交量占昨日总成交量的比例显著放大（例如大于 1% 或 2%），代表主力抢筹。

以下是基于 JoinQuant 策略引擎编写的简化版集合竞价选股策略：

import jqdata

def initialize(context):
    set_benchmark('000300.XSHG')
    set_option('use_real_price', True)
    
    # 每天 09:26 运行选股，此时 09:25 的集合竞价数据已完全生成
    run_daily(filter_stocks_by_auction, time='09:26')

def filter_stocks_by_auction(context):
    today = context.current_dt.date()
    
    # 获取沪深300成分股作为初始股票池
    stocks = get_index_stocks('000300.XSHG', date=today)
    
    # 1. 获取昨日收盘价与昨日成交量
    last_df = history(1, '1d', 'close', security_list=stocks, df=True)
    last_volume = history(1, '1d', 'volume', security_list=stocks, df=True)
    
    # 2. 获取今日 9:25 集合竞价数据
    auction_df = get_call_auction(stocks, start_date=today, end_date=today)
    
    if auction_df.empty:
        return
        
    buy_list = []
    
    for _, row in auction_df.iterrows():
        code = row['code']
        open_price = row['current']
        auction_volume = row['volume']
        
        if code not in last_df.columns:
            continue
            
        yesterday_close = last_df[code].iloc[-1]
        yesterday_vol = last_volume[code].iloc[-1]
        
        if yesterday_close <= 0 or yesterday_vol <= 0:
            continue
            
        # 计算高开幅度
        open_pct = (open_price - yesterday_close) / yesterday_close
        # 计算集合竞价成交量占比
        volume_ratio = auction_volume / yesterday_vol
        
        # 选股条件：高开 1.5% 到 4% 之间，且集合竞价成交量占比大于 1%
        if 0.015 <= open_pct <= 0.04 and volume_ratio >= 0.01:
            log.info(f"股票 {code} 满足条件：高开 {open_pct*100:.2f}%, 竞价量比 {volume_ratio*100:.2f}%")
            buy_list.append(code)
            
    # 后续可根据 buy_list 执行开盘买入逻辑
    # ...

四、注意事项

1. 数据获取时间限制：当日的集合竞价数据最晚于 9:28 分完全返回。因此，在模拟盘或实盘中，建议将相关选股逻辑设置在 9:26 或 9:27 之后运行，以确保能稳定获取到当天的最新数据。
2. 未来函数预防：在回测中，请确保 get_call_auction 的 end_date 参数不超过 context.current_dt 的当前日期，避免引入未来数据。
3. 停牌处理：若股票在当天停牌，get_call_auction 将无法获取到有效的当日成交量，需在策略中做好空值过滤。