FX-1-Minute-Data
FX-1-Minute-Data 是一个专注于金融历史数据的开源项目，旨在为量化分析和回测提供高质量的基础设施。它汇集了自 2000 年以来超过 66 种外汇货币对、原油（如 WTI 和布伦特）以及全球主要股票指数（如标普 500、纳斯达克 100）的分钟级行情数据，同时也支持更精细的 Tick 级数据获取。
在金融建模中，获取长周期、高频率且格式统一的历史数据往往耗时费力且成本高昂。FX-1-Minute-Data 通过提供免费的批量下载链接和简易的 Python API，极大地降低了数据获取门槛。用户只需几行代码即可按需提取特定年份、交易对及时间粒度的数据，并自动处理为标准的 CSV 格式，省去了繁琐的数据清洗工作。
该项目特别适合量化交易开发者、金融研究人员以及数据科学家使用。其技术亮点在于数据源的权威性与持续性（源自 histdata.com 并定期更新），以及灵活的兼容性——支持导出为 Generic ASCII、MetaTrader、NinjaTrader 等多种平台格式，方便直接接入不同的交易系统进行策略验证。无论是构建高频交易模型还是进行宏观市场趋势研究，FX-1-Minute-Data 都能提供坚实可靠的数据支撑。
使用场景
某量化交易团队正在开发一套基于高频波动的外汇套利策略，急需清洗后的历史分钟级数据来训练模型并回测过去十年的表现。
没有 FX-1-Minute-Data 时
- 数据获取极其繁琐：开发人员需要手动访问多个金融数据网站，逐个下载不同货币对（如 EUR/USD, GBP/JPY）的 CSV 文件，耗时数天且容易遗漏。
- 格式混乱难以统一：源数据来自不同平台（如 NinjaTrader、MetaTrader），时间戳格式、时区定义（是否包含夏令时）及列名各不相同，清洗代码复杂且易出错。
- 关键资产覆盖不足：除了主流外汇对，策略所需的原油（WTI/Brent）和全球股指（如标普 500、日经 225）数据分散在不同源头，难以在同一时间轴上对齐分析。
- 回测可信度低：由于缺乏连续的 Tick 数据或存在未被标记的数据缺口，导致回测结果出现“未来函数”偏差，实盘表现与测试严重不符。
使用 FX-1-Minute-Data 后
- 一键自动化下载：通过简单的 Python 脚本（
pip install histdata），即可在 10 分钟内批量拉取 2000 年至今所有 66+ 外汇对及商品指数的 1 分钟数据，效率提升百倍。 - 标准化数据交付：工具自动将数据转换为统一的 Generic ASCII 格式，固定为 EST 时区且不含夏令时干扰，列结构清晰（开盘/最高/最低/收盘/成交量），无需额外清洗。
- 多资产类别整合：同一套 API 即可获取外汇、原油及全球主要股指数据，确保多资产相关性分析在同一时间基准下进行，大幅简化特征工程。
- 高精度回测支持：提供详细的状态报告（含数据缺口元数据）及 Tick 级别数据选项，帮助团队精准识别数据断点，显著提升了策略回测的真实性和鲁棒性。
FX-1-Minute-Data 将原本需要数周的数据筹备工作压缩至小时级，让量化团队能专注于策略逻辑本身而非数据清洗。
运行环境要求
- 未说明 (跨平台，依赖 Python 环境)
不需要 GPU
未说明 (下载完整数据集需处理约 3GB 压缩文件，建议预留足够内存解压)
快速开始
外汇1分钟数据集（包含原油和股票指数，如标普500）
来自 histdata.com 的 API 和数据集下载。API 还提供分笔数据。
如需更广泛的帮助和支持，请查看此项目：[https://github.com/dmidlo/histdata.com-tools]。
下载数据集
您也可以自行重新下载最新完整数据集：
pip install -r requirements.txt
python download_all_fx_data.py
在高速网络环境下，预计耗时约10分钟。
API
pip install histdata
示例
from histdata import download_hist_data as dl
from histdata.api import Platform as P, TimeFrame as TF
- 下载2019年6月的分笔数据：
dl(year='2019', month='6', pair='eurusd', platform=P.GENERIC_ASCII, time_frame=TF.TICK_DATA)
- 其他可能的调用：
dl(year='2019', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.TICK_DATA_LAST)
dl(year='2019', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.TICK_DATA_ASK)
dl(year='2019', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.TICK_DATA_BID)
dl(year='2019', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.ONE_MINUTE)
dl(year='2019', month='6', pair='eurusd', platform=P.GENERIC_ASCII, time_frame=TF.TICK_DATA)
dl(year='2019', month='6', pair='eurusd', platform=P.EXCEL, time_frame=TF.ONE_MINUTE)
dl(year='2019', month='6', pair='eurusd', platform=P.META_TRADER, time_frame=TF.ONE_MINUTE)
dl(year='2019', month='6', pair='eurusd', platform=P.META_STOCK, time_frame=TF.ONE_MINUTE)
dl(year='2018', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.TICK_DATA_LAST)
dl(year='2018', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.TICK_DATA_ASK)
dl(year='2018', month='6', pair='eurusd', platform=P.NINJA_TRADER, time_frame=TF.TICK_DATA_BID)
数据说明
本仓库包含：
- 自2000年以来的所有外汇价格（1分钟数据），采用通用ASCII格式。
- 超过66对货币组合
- 包含部分大宗商品：
- WTI/USD = 西德克萨斯中质原油（美元计价）
- BCO/USD = 布伦特原油（美元计价）
- 包含部分指数：
- SPX/USD = 标普500指数（美元计价）
- JPX/JPY = 日经225指数（日元计价）
- NSX/USD = 纳斯达克100指数（美元计价）
- FRX/EUR = 法国CAC 40指数（欧元计价）
- UDX/USD = 美元指数（美元计价）
- UKX/GBP = 富时100指数（英镑计价）
- GRX/EUR = 德国DAX 30指数（欧元计价）
- AUX/AUD = 澳大利亚ASX 200指数（澳元计价）
- HKX/HKD = 恒生指数（港元计价）
- TX/EUR = 欧洲斯托克50指数（欧元计价）
- 一组用于自行下载历史价格的函数。
所有数据均来自：http://www.histdata.com/
数据集中每个文件均为压缩包，包含：
- 一个CSV文件（分号分隔）。
- 一份状态报告（包含一些元数据，如数据缺失情况）。
每个CSV文件的格式如下：
20120201 000000;1.306600;1.306600;1.306560;1.306560;0
20120201 000100;1.306570;1.306570;1.306470;1.306560;0
20120201 000200;1.306520;1.306560;1.306520;1.306560;0
20120201 000300;1.306610;1.306610;1.306450;1.306450;0
20120201 000400;1.306470;1.306540;1.306470;1.306520;0
[...]
CSV文件中不包含表头，其内容为：
时间戳;K线开盘买入报价;K线最高买入报价;K线最低买入报价;K线收盘买入报价;成交量
时间戳
格式：
YYYYMMDD HHMMSS
说明：
- YYYY – 年份
- MM – 月份（01至12）
- DD – 日期
- HH – 小时（24小时制）
- MM – 分钟
- SS – 秒，此处始终为00
时区：美国东部标准时间（EST），不含夏令时调整。
开盘买入报价
该1分钟区间内的首次买入报价。
最高买入报价
该1分钟区间内的最高买入报价。
最低买入报价
该1分钟区间内的最低买入报价。
收盘买入报价
该1分钟区间内的最后一次买入报价。
成交量
以手数表示。看起来总是0。
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器