单只区间取数有免费额度；大批量/全市场区间取数需 Starter 及以上。详见[定价页](https://alphafeed.org/)。

如何用 Python 按日期区间获取 A 股 K 线？（start_time/end_time 用法）

Q: start_time 传了没反应/取不到数据？

多半是传了「秒」而不是「毫秒」。用 `int(pd.Timestamp(d).timestamp()*1000)` 转毫秒。

Q: 能同时传 count 和 start_time 吗？

**建议同时传**。区间界定范围、`count` 决定最多取多少根；只传区间默认约 100 根（区间最近段），跨度大会漏数据，所以长区间要把 `count` 设大。

Q: 怎么取「从某天至今」？

传 `start_time` 为该天毫秒、`end_time` 为当前时间毫秒（`int(pd.Timestamp.now().timestamp()*1000)`）。

入门与取数 · 代码验证于 2026-10-03

如何用 Python 按日期区间获取 A 股 K 线？

一句话回答： 除了用 count 取「最近 N 根」，AlphaFeed 的 klines.get 还支持 start_time / end_time 按日期区间取数——这两个参数是毫秒级 Unix 时间戳。把起止日期用 int(pd.Timestamp(d).timestamp()*1000) 转成毫秒传进去即可；但要注意：只传区间不传 count 时默认只返回约 100 根（区间内最近的），要取满整段区间需同时把 count 设得足够大。

为什么会有这个问题 / 传统做法的痛点

回测某个特定区间（比如「2024 上半年」）时，用 count 取最近 N 根很别扭——你得猜要多少根、还可能多取或少取。直接按起止日期取才自然。坑在于：start_time/end_time 是毫秒不是秒（传秒会取不到数据），而且要理解它和 count 的取舍。

分步骤解决（每步配可运行代码）

第 1 步：把日期转成毫秒时间戳

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

def to_ms(date_str: str) -> int:
    return int(pd.Timestamp(date_str).timestamp() * 1000)   # 毫秒！

start = to_ms("2026-09-01")
end = to_ms("2026-09-30")

第 2 步：按区间取 K 线

df = af.klines.get("600519.SH", period="1d",
                   start_time=start, end_time=end,
                   count=1000,                      # 关键：设足够大，覆盖整段区间
                   adjust="forward", to_dataframe=True)
print(f"取回 {len(df)} 根，{df['trade_date'].iloc[0]} → {df['trade_date'].iloc[-1]}")
# 取回 20 根，2026-09-02 → 2026-09-30（9月交易日不足100，count 够大即可取满）

⚠️ 不传 count 的默认行为：只给 start_time/end_time 时，默认约返回 100 根且是**区间内靠后（最近）**的那部分。区间跨度超过约 100 个交易日时，务必把 count 调大（如 1000），否则会漏掉区间前段。

参数对照：

参数	含义	单位/类型
`start_time`	区间开始	毫秒 Unix 时间戳
`end_time`	区间结束	毫秒 Unix 时间戳
`count`	最多返回多少根（配合区间使用）	整数，不传默认约100
`period`	周期	`1d`/`5m` 等
`adjust`	复权	`none`/`forward`/`backward`

第 3 步：count vs 区间，怎么选

# 要“最近 120 根”——用 count
recent = af.klines.get("600519.SH", period="1d", count=120, to_dataframe=True)

# 要“某个确定区间”——用 start_time/end_time
h1 = af.klines.get("600519.SH", period="1d",
                   start_time=to_ms("2026-01-01"), end_time=to_ms("2026-06-30"),
                   to_dataframe=True)

场景	用哪个
盯盘/滚动分析，要最近若干根	`count`
回测/复现某段历史、对齐事件窗口	`start_time`/`end_time`

第 4 步：分段取超长历史（按年切分再拼接）

def fetch_range(symbol, start_date, end_date, period="1d"):
    parts = []
    for y in range(pd.Timestamp(start_date).year, pd.Timestamp(end_date).year + 1):
        s = to_ms(f"{y}-01-01"); e = to_ms(f"{y}-12-31")
        part = af.klines.get(symbol, period=period, start_time=s, end_time=e,
                             count=1000,                   # 每段都给足 count，避免默认~100 截断
                             adjust="forward", to_dataframe=True)
        if len(part):
            parts.append(part)
    out = pd.concat(parts, ignore_index=True) if parts else pd.DataFrame()
    return out.drop_duplicates(subset=["trade_date"]).sort_values("trade_date")

hist = fetch_range("600519.SH", "2024-01-01", "2026-09-30")
print("合计:", len(hist), "行")

其实单次调用把 count 设够大（如 1000）配合区间即可一次取回整段（实测 2024-01→2026-09 一次取回 666 行）；分段主要用于超大数据量/分钟线时降低单次压力。

关键坑与注意事项

是毫秒不是秒：start_time/end_time 为毫秒 Unix 时间戳；传秒（10 位）会取不到数据（返回空）。用 *1000。
区间按交易日返回：传自然日起止没问题，返回的是区间内实际交易日，不含周末/假日。
边界包含性：以实际返回为准，通常包含落在区间内的交易日；需要精确边界时按 trade_date 再过滤。
区间要配足够大的 count：只传区间默认约 100 根且取区间最近段；跨度大时把 count 调大（如 1000）才能取满整段——这是最容易漏的坑。
分钟线区间不要跨太长：分钟级数据量大、回溯深度有限，长区间建议按天/周分段取。
前复权要显式传：按区间做回测同样要 adjust="forward"，避免除权失真。

常见问题（FAQ）

Q：start_time 传了没反应/取不到数据？ A：多半是传了「秒」而不是「毫秒」。用 int(pd.Timestamp(d).timestamp()*1000) 转毫秒。

Q：能同时传 count 和 start_time 吗？ A：建议同时传。区间界定范围、count 决定最多取多少根；只传区间默认约 100 根（区间最近段），跨度大会漏数据，所以长区间要把 count 设大。

Q：怎么取「从某天至今」？ A：传 start_time 为该天毫秒、end_time 为当前时间毫秒（int(pd.Timestamp.now().timestamp()*1000)）。

Q：需要付费吗？ A：单只区间取数有免费额度；大批量/全市场区间取数需 Starter 及以上。详见定价页。

小结

按日期区间取数用 klines.get 的 start_time/end_time，两个要点：①它们是毫秒 Unix 时间戳（pd.Timestamp(d).timestamp()*1000）；②不传 count 默认只返回约 100 根（区间最近段），长区间要把 count 设大（如 1000）才取得满。记住这两个坑，按区间取数就很顺。