通过这个简单的python库，你可以拿到你在 www.ricequant.com 运行的实盘、模拟交易或回测的运行数据。包含交易列表，仓位信息，投资组合信息。
RQOpen 获取到的信号，会比系统时间稍微延迟一些。Ricequant Gateway 在切分钟线的时候会延迟10多秒，因为数据源的问题。而 RQAlpha 产生信号后，保存在数据库中。由 RQOpen 轮训，轮训的间隔，也是信号的延迟时间。
pip install rqopen-client from pprint import pprint from rqopen_client import RQOpenClient username = "your ricequant username" password = "your ricequant password" run_id = your_run_id client = RQOpenClient(username, password) # client = RQOpenClient(username, password, return_df=Fales) pprint(client.trades(run_id)) pprint(client.current_positions(run_id))上面代码的一些展示结果（随便一个范例）：
:param username: 登录账户 :param password: 密码 :param logger: 日志 :param log_level: 日志级别 :param base_url: 服务地址，默认web端 rqpro2.0需要单独配置 :param timeout: 超时时间 :param return_df: 返回数据是否为DataFrame False返回dict 返回示例 - 今天没有任何下单：
# return_df=False {'code': 200, 'resp': {'name': '改进版小盘股 2016-08-28 16:15:06', 'run_id': 968101, 'trades': []}} # return_df=True Empty DataFrame Columns: [] Index: [] 返回示例 - 当日有交易：
# return_df=False {'code': 200, 'resp': {'data': [{'commission': 5.0, 'date': '2019-01-04 09:31:00', 'exec_id': '15641121150000', 'last_price': 9.29, 'last_quantity': 100.0, 'order_book_id': '000001.XSHE', 'order_id': 15641121140000, 'position_effect': 'OPEN', 'side': 'BUY', 'tax': 0.0, 'trade_id': '15641121150000', 'transaction_cost': 5.0}, {'commission': 5.0, 'date': '2019-01-04 09:31:00', 'exec_id': '15641121150002', 'last_price': 16.29, 'last_quantity': 100.0, 'order_book_id': '000004.XSHE', 'order_id': 15641121140002, 'position_effect': 'OPEN', 'side': 'BUY', 'tax': 0.0, 'trade_id': '15641121150002', 'transaction_cost': 5.0}], 'name': 'SVM大法好', 'run_id': 6281}} # return_df=True commission ... transaction_cost date ... 2018-05-04 09:31:00 8.568 ... 8.568 2018-05-04 09:32:00 8.608 ... 8.608 2018-05-04 09:33:00 8.592 ... 8.592 2018-05-04 09:34:00 8.600 ... 8.600 2018-05-04 09:35:00 8.592 ... 8.592 返回示 - 有持仓：
# return_df=False {'code': 200, 'resp': {'name': 'SVM大法好', 'run_id': 6281, 'positions': [{'order_book_id': '000001.XSHE', 'last_price': 13.86, 'quantity': 5062.0}, {'order_book_id': '000002.XSHE', 'last_price': 32.22, 'quantity': 4939.0}, {'order_book_id': '000004.XSHE', 'last_price': 21.67, 'quantity': 4341.0}, {'order_book_id': '000005.XSHE', 'last_price': 3.97, 'quantity': 4903.0}}]}} # return_df=True last_price order_book_id quantity 0 13.86 000001.XSHE 5062.0 1 32.22 000002.XSHE 4939.0 2 21.67 000004.XSHE 4341.0 3 3.97 000005.XSHE 4903.0 4 7.13 000006.XSHE 5011.0 5 7.57 000007.XSHE 4955.0 6 4.97 000008.XSHE 4906.0 7 7.19 000009.XSHE 4995.0 8 3.76 000010.XSHE 4996.0 9 12.19 000011.XSHE 4931.0 10 5.81 000012.XSHE 4984.0 11 12.75 000014.XSHE 4974.0 返回示 - 有交易：
# return_df=False {'code': 200, 'resp': {'data': [{'commission': 5.0, 'date': '2019-01-07 11:05:00', 'exec_id': '15641121150040', 'last_price': 3.36, 'last_quantity': 1.0, 'order_book_id': '000010.XSHE', 'order_id': 15641121140202, 'position_effect': 'CLOSE', 'side': 'SELL', 'tax': 0.0033599999999998076, 'trade_id': '15641121150040', 'transaction_cost': 5.00336}, 'name': '横琴比赛', 'run_id': 6281}} # return_df=True commission ... transaction_cost date ... 2019-01-04 09:31:00 5.0 ... 5.00000 2019-01-04 09:31:00 5.0 ... 5.00000 ... ... ... 2019-04-04 14:44:00 5.0 ... 5.10176 2019-04-04 14:54:00 5.0 ... 5.06417 [3102 rows x 11 columns] 返回示 - 有持仓：
# return_df=False {'code': 200, 'resp': {'data': [{'000001.XSHE': 975.0, # market_value '000002.XSHE': 2493.0, '000004.XSHE': 1660.0000000000002, '000005.XSHE': 275.0, '000006.XSHE': 526.0, '000007.XSHE': 800.0, '000008.XSHE': 391.0, '000009.XSHE': 437.0, '000010.XSHE': 332.0, '000011.XSHE': 956.0, '000012.XSHE': 409.99999999999994, '000014.XSHE': 969.0, 'cash': 1990076.0, 'date': '2019-01-04 00:00:00'}, 'name': '横琴比赛', 'run_id': 6281}} # return_df=True 000001.XSHE 000002.XSHE ... 000014.XSHE cash date ... 2019-01-04 975.00 2493.00 ... 969.00 1.990076e+06 2019-01-07 1801.90 4534.05 ... 1664.99 1.981082e+06 2019-01-08 2675.82 6950.00 ... 2388.66 1.972075e+06 2019-01-09 3618.16 9144.13 ... 3246.15 1.963209e+06 [4rows x 13 columns] # return_df=False {'code': 200, 'resp': {'data': [{'annualized_returns': 0.038520563489603976, 'benchmark_daily_returns': 0.023957447956719332, 'benchmark_total_returns': 0.023957447956719332, 'cash': 1990076.0, 'daily_pnl': 300.000000000189, 'daily_returns': 0.0001500000000000945, 'date': '2019-01-04 00:00:00', 'market_value': 10224.0, 'portfolio_value': 2000300.0, 'starting_cash': 2000000.0, 'total_returns': 0.0001500000000000945, 'transaction_cost': 60.0},], 'name': '横琴比赛', 'run_id': 6281}} # return_df=True annualized_returns ... transaction_cost date ... 2019-01-04 0.038521 ... 60.00000 2019-01-07 0.022092 ... 226.54735 2019-01-08 -0.005048 ... 251.59331 2019-01-09 -0.004138 ... 266.77119= [4 rows x 11 columns]