量化学习（三）数据更新

最新推荐文章于 2024-07-15 23:46:30 发布
最新推荐文章于 2024-07-15 23:46:30 发布
阅读量153 收藏 1
点赞数
分类专栏： 量化 文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_32812063/article/details/129296420
版权

前置说明
清理了 stock_codes表，仅保留深市数据，参考语句
delete from student where username like 'a%' or username like '%ST'

%代表后面可以匹配任意个字符。如 a% 可以表示以a开头的任意字符串，如：abca ，aaaa，acgfrrrrrr，akjgus，a，ab…%a% 可以表示一个有a的字符串， 如：a，sabbb，ddddda，edfg…%a 可以表示以a结尾的字符串， 如：a，sa，aaaaa，defsa…

数据获取，开始时间设置为20010101，复权：前复权

import akshare as ak
import sqlalchemy
import datetime
import multiprocessing
import pandas as pd



def create_mysql_engine():
    """
    创建数据库引擎对象
    :return: 新创建的数据库引擎对象
    """

    # 引擎参数信息
    # host = '127.0.0.1'
    # user = 'root'
    # passwd = 'A_quant88'
    # port = '3306'
    # db = 'quantf'
    host = '192.168.9.110'
    user = 'root'
    passwd = 'A_quant88'
    port = '3306'
    db = 'quant'

    # 创建数据库引擎对象
    mysql_engine = sqlalchemy.create_engine(
        'mysql+pymysql://{0}:{1}@{2}:{3}'.format(user, passwd, host, port),
        poolclass=sqlalchemy.pool.NullPool
    )

    # 如果不存在数据库db_quant则创建

    mysql_engine.execute("CREATE DATABASE IF NOT EXISTS {0} ".format(db))

    # 创建连接数据库db_quant的引擎对象
    db_engine = sqlalchemy.create_engine(
        'mysql+pymysql://{0}:{1}@{2}:{3}/{4}?charset=utf8'.format(user, passwd, host, port, db),
        poolclass=sqlalchemy.pool.NullPool
    )

    # 返回引擎对象
    return db_engine

def get_stock_codes(update=False):

    """
    获取指定日期的A股代码列表

    若参数update为False，表示从数据库中读取股票列表
    若数据库中不存在股票列表的表，或者update为True，则下载指定日期date的交易股票列表


    :param update: 是否更新股票列表，默认为False
    :return: A股代码的列表
    """

    # 创建数据库引擎对象
    engine = create_mysql_engine()

    # 数据库中股票代码的表名
    table_name = 'stock_codes'

    # 数据库中不存在股票代码表，或者需要更新股票代码表
    if table_name not in sqlalchemy.inspect(engine).get_table_names() or update:

        # 查询股票数据
        stock_zh_spot_df = ak.stock_zh_a_spot_em()  ## 获取实时数据
        stock_zh_spot_data = stock_zh_spot_df[stock_zh_spot_df['名称'] != '']  ## 去除名称为空值的数据
        codes_names = stock_zh_spot_data[['代码', '名称']]
        # 将股票代码写入数据库
        codes_names.to_sql(name=table_name, con=engine, if_exists='replace', index=False, index_label=False)
        # 返回股票列表
        return codes_names['代码'].tolist()

    # 从数据库中读取股票代码列表
    else:
        # 待执行的sql语句
        sql_cmd = 'SELECT {} FROM {}'.format('代码', table_name)
        # 读取sql，返回股票列表
        return pd.read_sql(sql=sql_cmd, con=engine)['代码'].tolist()
def create_data(stock_codes, period = "daily",start_date = '19901219', end_date = '20230228',
                    adj = 'qfq'):

    """
    下载指定日期内，指定股票的日线数据

    :param stock_codes: 待下载数据的股票代码
    :param start_date: 日线开始日期1990-12-19
    :param end_date: 日线结束日期 end_date = datetime.date.today().strftime('%Y%m%d')
    :param adjustflag: 复权选项 
    :return: None
    """
    # 创建数据库引擎对象
    engine = create_mysql_engine()
    # 下载股票循环
    for index,code in enumerate(stock_codes):
        print('({}/{})正在创建{}...'.format(index + 1, len(stock_codes), code))
        data_df = ak.stock_zh_a_hist(symbol=code, period=period, start_date=start_date, end_date=end_date,
                                         adjust=adj)  ## 日度数据，后复权
        if data_df.empty:
            print('--------------empty------------------'+ code)
            continue
                # 删除重复数据
        data_df.drop_duplicates(['日期'], inplace=True)
            # 写入数据库
        table_name = '{}'.format(code)
        data_df.to_sql(name=table_name, con=engine, if_exists='replace', index=True, index_label='id')


def get_code_group(process_num, stock_codes):
    """
    获取代码分组，用于多进程计算，每个进程处理一组股票

    :param process_num: 进程数
    :param stock_codes: 待处理的股票代码
    :return: 分组后的股票代码列表，列表的每个元素为一组股票代码的列表
    """

    # 创建空的分组
    code_group = [[] for i in range(process_num)]

    # 按余数为每个分组分配股票
    for index, code in enumerate(stock_codes):
        code_group[index % process_num].append(code)

    return code_group


def multiprocessing_func(func, args):
    """
    多进程调用函数

    :param func: 函数名
    :param args: func的参数，类型为元组，第0个元素为进程数，第1个元素为股票代码列表
    :return: 包含各子进程返回对象的列表
    """

    # 用于保存各子进程返回对象的列表
    results = []

    # 创建进程池
    with multiprocessing.Pool(processes=args[0]) as pool:
        # 多进程异步计算
        for codes in get_code_group(args[0], args[1]):
            results.append(pool.apply_async(func, args=(codes, *args[2:],)))
        # 阻止后续任务提交到进程池
        pool.close()
        # 等待所有进程结束
        pool.join()

    return results


def create_data_mp(stock_codes, process_num=4,
                   period = "daily",start_date = '20010101', end_date = '20230228', adj='qfq'):
    """
    使用多进程创建指定日期内，指定股票的日线数据，计算扩展因子

    :param stock_codes: 待创建数据的股票代码
    :param process_num: 进程数
    :param from_date: 日线开始日期
    :param to_date: 日线结束日期
    :param adjustflag: 复权选项 
    :return: None
    """

    multiprocessing_func(create_data, (process_num, stock_codes, period,start_date, end_date, adj))

if __name__ == '__main__':
    stock_codes = get_stock_codes()
    create_data_mp(stock_codes)
#     print(stock_codes)

数据更新，建议定时任务设置为三点半后

import akshare as ak
import datetime
import time
import sys
import numpy as np
import pandas as pd
import multiprocessing
import sqlalchemy

# # 可用日线数量约束
g_available_days_limit = 250

# BaoStock日线数据字段
g_baostock_data_fields = '日期,开盘,收盘,最高,最低,成交量,成交额,振幅,涨跌幅,涨跌额,换手率'


def create_mysql_engine():
    """
    创建数据库引擎对象

    :return: 新创建的数据库引擎对象
    """

    # 引擎参数信息
    # 引擎参数信息
    host = '192.168.9.110'
    user = 'root'
    passwd = 'A_quant88'
    port = '3306'
    db = 'quant'

    # 创建数据库引擎对象
    mysql_engine = sqlalchemy.create_engine(
        'mysql+pymysql://{0}:{1}@{2}:{3}'.format(user, passwd, host, port),
        poolclass=sqlalchemy.pool.NullPool
    )

    # 如果不存在数据库db_quant则创建
    mysql_engine.execute("CREATE DATABASE IF NOT EXISTS {0} ".format(db))

    # 创建连接数据库db_quant的引擎对象
    db_engine = sqlalchemy.create_engine(
        'mysql+pymysql://{0}:{1}@{2}:{3}/{4}?charset=utf8'.format(user, passwd, host, port, db),
        poolclass=sqlalchemy.pool.NullPool
    )

    # 返回引擎对象
    return db_engine


def get_stock_codes(update=False):

    """
    获取指定日期的A股代码列表

    若参数update为False，表示从数据库中读取股票列表
    若数据库中不存在股票列表的表，或者update为True，则下载指定日期date的交易股票列表


    :param update: 是否更新股票列表，默认为False
    :return: A股代码的列表
    """

    # 创建数据库引擎对象
    engine = create_mysql_engine()

    # 数据库中股票代码的表名
    table_name = 'stock_codes'

    # 数据库中不存在股票代码表，或者需要更新股票代码表
    if table_name not in sqlalchemy.inspect(engine).get_table_names() or update:

        # 查询股票数据
        stock_zh_spot_df = ak.stock_zh_a_spot_em()  ## 获取实时数据
        stock_zh_spot_data = stock_zh_spot_df[stock_zh_spot_df['名称'] != '']  ## 去除名称为空值的数据
        codes_names = stock_zh_spot_data[['代码', '名称']]
        # 将股票代码写入数据库
        codes_names.to_sql(name=table_name, con=engine, if_exists='replace', index=False, index_label=False)
        # 返回股票列表
        return codes_names['代码'].tolist()

    # 从数据库中读取股票代码列表
    else:
        # 待执行的sql语句
        sql_cmd = 'SELECT {} FROM {}'.format('代码', table_name)
        # 读取sql，返回股票列表
        return pd.read_sql(sql=sql_cmd, con=engine)['代码'].tolist()


def create_data(stock_codes, period = "daily",start_date = '20010101', end_date = '20230301',
                    adj = 'qfq'):

    """
    下载指定日期内，指定股票的日线数据

    :param stock_codes: 待下载数据的股票代码
    :param start_date: 日线开始日期1990-12-19
    :param end_date: 日线结束日期 end_date = datetime.date.today().strftime('%Y%m%d')
    :param adjustflag: 复权选项 
    :return: None
    """
    # 创建数据库引擎对象
    engine = create_mysql_engine()
    # 下载股票循环
    for index,code in enumerate(stock_codes):
        print('({}/{})正在创建{}+++'.format(index + 1, len(stock_codes), code))
        data_df = ak.stock_zh_a_hist(symbol=code, period=period, start_date=start_date, end_date=end_date,
                                         adjust=adj)  ## 日度数据，后复权
        if data_df.empty:
            print('--------------empty------------------'+ code)
            continue
                # 删除重复数据
        data_df.drop_duplicates(['日期'], inplace=True)
            # 写入数据库
        table_name = '{}'.format(code)
        data_df.to_sql(name=table_name, con=engine, if_exists='replace', index=True, index_label='id')

        print('({}/{})创建完成{}...'.format(index + 1, len(stock_codes), code))


def get_code_group(process_num, stock_codes):
    """
    获取代码分组，用于多进程计算，每个进程处理一组股票

    :param process_num: 进程数
    :param stock_codes: 待处理的股票代码
    :return: 分组后的股票代码列表，列表的每个元素为一组股票代码的列表
    """

    # 创建空的分组
    code_group = [[] for i in range(process_num)]

    # 按余数为每个分组分配股票
    for index, code in enumerate(stock_codes):
        code_group[index % process_num].append(code)

    return code_group


def multiprocessing_func(func, args):
    """
    多进程调用函数

    :param func: 函数名
    :param args: func的参数，类型为元组，第0个元素为进程数，第1个元素为股票代码列表
    :return: 包含各子进程返回对象的列表
    """

    # 用于保存各子进程返回对象的列表
    results = []

    # 创建进程池
    with multiprocessing.Pool(processes=args[0]) as pool:
        # 多进程异步计算
        for codes in get_code_group(args[0], args[1]):
            results.append(pool.apply_async(func, args=(codes, *args[2:],)))

        # 阻止后续任务提交到进程池
        pool.close()

        # 等待所有进程结束
        pool.join()

    return results


def create_data_mp(stock_codes, process_num=4,
                   period = "daily",start_date = '20010101', end_date = '20230301', adj='qfq'):
    """
    使用多进程创建指定日期内，指定股票的日线数据，计算扩展因子

    :param stock_codes: 待创建数据的股票代码
    :param process_num: 进程数
    :param from_date: 日线开始日期19901219
    :param to_date: 日线结束日期datetime.date.today().strftime('%Y%m%d')
    :param adjustflag: 复权选项 
    :return: None
    """

    multiprocessing_func(create_data, (process_num, stock_codes, period,start_date, end_date, adj))




def multiprocessing_func_df(func, args):
    """
    多进程调用函数，收集返回各子进程返回的DataFrame

    :param func: 函数名
    :param args: func的参数，类型为元组，第0个元素为进程数，第1个元素为股票代码列表
    :return: 包含各子进程返回值的DataFrame
    """

    # 多进程调用函数func，获取子进程返回对象的列表
    results = multiprocessing_func(func, args)

    # 构建空DataFrame
    df = pd.DataFrame()

    # 收集各进程返回值
    for i in results:
        df = df.append(i.get())

    return df





def update_data(stock_codes, query_days=60, adjust='qfq'):
    """
    更新日线数据，计算相关因子

    :param stock_codes: 待更新数据的股票代码
    :param query_days: 在数据库中查询历史日线数据的天数，用于计算扩展因子，需要根据扩展因子设置，这里要计算60日均线，所以最小设置为60
    :param adjustflag: 复权选项 
    :return: 包含所有待处理股票的最新一日日线数据及扩展因子的DataFrame
    """

    # 创建数据库引擎对象
    engine = create_mysql_engine()

    # 创建空DataFrame，存储最新一日的数据
    latest_df = pd.DataFrame()

    # 更新数据循环
    for index, code in enumerate(stock_codes):
        print('({}/{})正在创建{}---'.format(index + 1, len(stock_codes), code))



        # 股票数据在数据库中的表名
        table_name = '{}'.format(code)

        # 判断是否存在该表，不存在则跳过
        if table_name not in sqlalchemy.inspect(engine).get_table_names():
            continue

        # 获取按时间排序的最后query_days行数据
        sql_cmd = 'SELECT * FROM {} ORDER BY 日期 DESC LIMIT {};'.format('quant.'+table_name, query_days)
        read_df = pd.read_sql(sql=sql_cmd, con=engine)

        # 如果数据少于query_days，则不更新
        if read_df.shape[0] < query_days:
            continue

        # 数据按id(date)升序排序
        read_df = read_df.sort_values(by='id', ascending=True)

        # 获取数据库中最新数据日期及id
        last_id = read_df['id'].iloc[-1]
        from_date = read_df['日期'].iloc[-1]
        print(from_date)

        # 如果数据库中已包含最新一日数据
        if from_date >= datetime.date.today().strftime('%Y-%m-%d'):

            # 将最新一日数据，添加code字段，append到latest_df中，并进行下一只股票更新
            latest_series = read_df.iloc[-1].copy()
            latest_series['code'] = code[3:]
            latest_df = latest_df.append(latest_series)
            print('{}当前已为最新数据'.format(code))
            continue

        # 计算待更新数据的开始日期
        from_date = (datetime.datetime.strptime(
            from_date, '%Y-%m-%d') + datetime.timedelta(days=1)).strftime('%Y-%m-%d')
        
        # 下载日线数据
        out_df = ak.stock_zh_a_hist(symbol=code, period="daily", start_date=(datetime.datetime.strptime(from_date,'%Y-%m-%d').strftime("%Y%m%d")),
                                    end_date='20230301',adjust=adjust)

        if out_df.empty:
            continue

        # 新添加行数
        new_rows = out_df.shape[0]

        # 获取下载字段，拼接DataFrame，用于后续计算扩展指标
        out_df = read_df[list(out_df)].append(out_df)

        # 重置索引
        out_df.reset_index(drop=True, inplace=True)


        # 取最后new_rows行
        out_df = out_df.iloc[-new_rows:]

        # 判读是否有字段缺失
        if np.any(out_df.isnull()):
            print('{}有缺失字段！！！'.format(code))

        # 更新id
        out_df['id'] = pd.Series(np.arange(last_id + 1, last_id + 1 + new_rows), index=out_df.index)

        # 将更新数据写入数据库
        out_df.to_sql(name=table_name, con=engine, if_exists='append', index=False)

        # 将更新的最后一行添加code字段，append到latest_df中
        latest_series = out_df.iloc[-1].copy()
        latest_series['code'] = code
        latest_df = latest_df.append(latest_series)

    # 返回包含最新一日股票日线数据的DataFrame
    return latest_df


def update_data_mp(stock_codes, process_num=4, query_days=60, adj='qfq'):
    """
    使用多进程更新日线数据，计算扩展因子

    :param stock_codes: 待更新数据的股票代码
    :param process_num: 进程数
    :param query_days: 在数据库中查询历史日线数据的天数，用于计算扩展因子
    :param adjustflag: 复权选项 
    :return: 包含所有待处理股票的最新日线数据的DataFrame
    """

    # 多进程更新数据，获取最新日线数据的DataFrame
    latest_df = multiprocessing_func_df(update_data, (process_num, stock_codes, query_days, adj))


    # 将所有股票最新日线数据写入数据库表latest
    if latest_df.shape[0]:
        latest_df.to_sql(name='latest', con=create_mysql_engine(), if_exists='replace', index=False)


    return latest_df


if __name__ == '__main__':
    start_time = time.time()
    stock_codes = get_stock_codes()
    update_data_mp(stock_codes)
    end_time = time.time()
    print('程序运行时间：{}s'.format(end_time - start_time))

备注：注意end_date = datetime.date.today().strftime(‘%Y%m%d’)替换

看客过客皆是客
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
获取股票实时数据
09-14
使用python 调用开元库baostock 获取实时股票的数据 并且转化成json格式发送给第三方程序
Python量化交易09——使用证券宝获取金融行情数据(baostock)
weixin_46277779的博客
03-28 2140
利用baostock第三方库获取日K 数据
highstock获取mysql数据_第二篇 用BaoStock获得数据并存入数据库
weixin_35794740的博客
02-06 785
关键词：BaoStock Pandas sqlite3 to_sqlBaoStock 使用BaoStock 的文档写的非常详细，从安装到接口使用基本不需要额外介绍了。这里我们主要拿两个数据，一个是所有的股票代码数据，另一个是所有股票的每日K线数据。a)获得所有股票的代码数据接口query_all_stock()，这里直接用的Baostock的例子，只是参数为空，默认当前日期import baost...
python更新股票数据,Python使用baostock获取所有股票数据
weixin_33812391的博客
03-26 2721
import baostock as bsimportpandasaspdclasstest:def__init__(self):self.data_list=[]self.rs=Nonedefget(self,gpd):rs=bs.query_history_k_data_plus(gpd[0],"date,code,open,high,low,close,preclose,vo...
Python量化交易学习笔记（39）——BaoStock股票数据下载
热门推荐
码农甲的博客
08-09 2万+
鉴于近几篇文章都与多周期回测相关，因此用这篇文章来记录下多周期股票的数据的获取方式。 前面在zwPython的框架下，使用的是Tushare来获取A股的日线数据，如果想获取其他周期的数据，就要使用Tushare Pro，并且还要有足够的积分。苦于家里没矿，手里没银子，转投向可以免费下载数据的BaoStock，以下简单记录数据下载流程。 安装 使用国内源安装： pip install baostock -i https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted
Python量化交易-数据集
03-28
总之，这个数据集提供了丰富的材料，可以用于学习和实践Python在量化交易中的应用，包括但不限于行业比较、技术指标分析、单一股票研究以及构建和测试交易策略。通过对这些数据的深入挖掘和智能算法的应用，投资者和...
学习向量量化.zip
09-26
在机器学习中，学习向量量化可以用于特征提取，帮助模型更好地理解和处理高维数据。 在Python中，我们可以使用多种库来实现学习向量量化，如`scikit-learn`或自定义算法。鸢尾花数据集（Iris dataset）是一个经典的...
python量化投资学习视频.txt
02-26
内容概要：5G的python量化投资学习学习，包括了Python数字货币量化投资课程，大数据入门到实战篇(Hadoop2.80)，Python3实战Spark大数据分析及调度，数据分析与数据挖掘高级实战案例 适合人群：具备一定编程基础，...
五因子数据，用于本人量化学习中的Fama-French三因子模型(Rmt,SMB,HML)
03-02
五因子数据，用于本人量化学习中的Fama-French三因子模型(Rmt,SMB,HML)
Python小白量化学习包
10-06
小白量化学习-自创指标设计 一、准备工作 1、首先把“HP_formula.py”文件复制到自己的工程目录中。 2、在新文件开始增加下面4条语句。 import numpy as np import pandas as pd from HP_formula import * import ...
按日更新股票数据——从零到实盘13
码农甲的博客
01-09 3891
前文介绍了多进程创建股票数据的过程，整个创建过程大概约10几分钟。在实盘时，每个交易日都有新数据生成，我们没有必要对全面历史时间都进行重新创建计算，只需要下载新产生的日线数据，每次更新需要3分钟左右。本文记录多进程按日更新股票数据的过程。 主要代码分析 新建源文件，命名为data_center_v11.py，全部内容见文末，v11新增2个函数： 新增更新数据函数 def update_data(stock_codes, query_days=60, adjustflag='2'): 该函数用于更新日线数.
Lumos学习王佩丰Excel第四讲：排序与选择
Sunshine_XX的博客
07-10 395
自定义排序演示：工资条拆分的演示：如果遇到很长的表，标题只存在于顶端，打印出来观感不好，可以这样做：有些版本的excel复制筛选数据容易把背后隐藏的所有数据都复制上去，这时可选中定位条件的“可见单元格”选项，复制粘贴即可。并排表示且，错排表示或。ctrl+shift+↓+→全选，演示说明：回头学原理，先记住一句话，要想筛选对，条件表头不要对。
ROS基础学习-ROS运行管理
周陽讀書
07-11 761
ROS运行管理。
探索Perl语言：入门学习与实战指南
最新发布
洛秋的博客
07-15 616
Perl（Practical Extraction and Report Language）由Larry Wall于1987年创建，旨在帮助系统管理员简化日常任务。高效灵活：Perl的语法灵活多样，支持多种编程风格（过程式、面向对象等）。强大的文本处理能力：内置强大的正则表达式支持，是处理文本数据的利器。丰富的模块库：通过CPAN（Comprehensive Perl Archive Network）可以方便地获取和使用各类模块。Perl广泛应用于系统管理、Web开发、网络编程、数据库操作等领域。
NumPy库学习之np.random.rand函数
qq_46396470的博客
07-15 148
是 NumPy 库中的一个函数，用于生成随机数。这些随机数是从均匀分布 [0, 1) 中抽取的，即每个数都在0到1之间，但不包括1。
python 语法学习 day 7
2303_79973545的博客
07-15 218
-----元组之间可以进行比较，比较的规则是逐个比较元组中的元素。首先比较第一个元素，如果相等，则比较第二个元素，以此类推。如果所有元素都相等，那么元组相等；否则，比较的结果取决于第一个不相等元素的比较结果。题意:统计单词的种类以及数量(忽略大小写)，最终以降序输出（出现次数相同的单词根据单词的大小升序输出）-------掌握如何将一个英语句子中的单词拆出来,并且去掉标点符号。EOF，输入后产生异常-->>捕获异常，结束输入。第一次提交的答案是：先把所有输入值放在列表里面。------字典排序。
安卓学习中遇到的问题【bug】
小心星的博客
07-15 772
安卓学习中遇到的问题【bug】
昇思MindSpore 25天学习打卡营|day20
weixin_42036358的博客
07-13 710
生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相博弈学习产生了相当好的输出。GAN模型的核心在于提出了通过对抗过程来估计生成模型这一全新框架。
Qt/QML学习-动画元素
QT、QML
07-12 1137
Qt/QML学习-动画元素

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值