AlphaKit 可以帮助你研究哪些问题？
了解 AlphaKit 的 Python SDK、AlphaView、行业轮动、八维因子评分、策略历史回测和风险信息，选择公开指南或申请相应访问权限。
把研究讲明白，从一个具体问题开始
AlphaKit 提供 A 股客观数据展示和历史分析工具。你可以在网页里观察图表，也可以用 Python 查询数据、整理自己的分析表。研究时回到数据日期、计算口径、比较基准和历史限制，让每个判断有据可核。
第一次了解平台，可以先阅读公开帮助或首页的公开指数示例，再根据任务选择所需工具。
网页里有哪些研究工具？
| 工具 | 适合开始的问题 | 阅读时重点核对 |
|---|---|---|
| AlphaView | 某个标的过去的价格、估值和量能怎样变化？ | 日期、周期、指标定义与数据覆盖 |
| 行业轮动 · Beta | 行业相对强弱及其变化处于什么位置？ | 比较基准、观察窗口、资金流及成分背景 |
| 因子评分 | 某个评分日的八维分数由什么组成？ | 评分日、维度构成、计算方法和数据限制 |
| 策略竞技场 · Beta | 内置规则在历史中经历了怎样的表现与回撤？ | 样本区间、基准、费用和成交假设 |
| 风险信息 · Beta | 有哪些风险警示、退市或部分财务与监管事件背景？ | 事件日期、覆盖范围和原始资料 |
因子评分的八个维度为价值、质量、动量、低波、成长、资金、流动和技术。分数描述指定日期的横截面结果，不能读成未来收益。
行业轮动观察相对强弱与强弱动量，并结合资金流、代表 ETF 与成分股资料。象限位置描述历史数据，不预测下一步方向。
策略竞技场展示历史滚动回测。读成绩时同时看过程和假设，历史结果不代表未来表现；Beta 功能仍应留意页面提示和可用范围。
Python SDK 适合什么任务？
如果想自己整理表格、合并字段或制作研究图，可以使用 alphakit-sdk。查询返回 pandas DataFrame，现有客户端有股票日线、每日估值，以及指数、ETF 和行业等数据方法。
SDK 是客户端，网站是研究界面。安装包不会自动获得数据权限，也不会把网页所有功能变成 SDK 接口。
可以按下面的顺序学习：
无需登录可以了解什么？
首页提供 上证指数、上证 50 的历史 K 线与估值指标公开示例，日期以图表及接口结果为准。帮助文章和配图也可直接阅读。
公开示例只展示这一范围，不意味着所有市场、接口或网页工具都对匿名用户开放。AlphaView 的个股和其他研究工具需要有相应权限的账户。
先理解方法，再决定工具
想看懂图表，可以从AlphaView 入门开始。看到“历史最低约 3%”，先读窗口与样本的解释。
希望用自己的 Python 流程查询数据，可以先练习上述两个案例。配套脚本的演示模式使用合成样本，无需 Token，用来理解代码过程，不能代表真实行情。
怎样申请使用？
添加微信 dfzzq719，说明使用方向、所需数据和网页功能。管理方确认数据覆盖、接口、配额和使用条件后提供配置；费用、期限和是否试用须另行确认。查看申请步骤。
研究结果的边界
数据可能存在延迟、缺失或计算误差。比较指标时应核对同一日期与口径；回测还需要核对样本、成本与可成交条件。平台提供数据展示和历史分析，不提供收益承诺。