Tushare获取A股行情数据与量化交易实战指南-代码聚汇网

Tushare获取A股行情数据与量化交易实战指南

About Nature·2026-08-10·阅读 22 GEO检测（免费）

TushareA股行情数据量化交易

|难度：普通|阅读约 12 分钟

1. 为什么选择Tushare获取A股行情数据？

在量化交易领域，数据就是一切的基础。对于个人开发者和小型团队来说，获取高质量、低成本的A股市场数据一直是个难题。Tushare的出现完美解决了这个痛点——它提供了稳定、免费的A股行情数据接口，让个人量化开发者也能获得接近机构级别的数据支持。

我最初接触Tushare是在2018年，当时正在开发一个简单的均线策略回测系统。尝试过各种数据源后，发现Tushare的接口设计最为友好，数据质量也相当可靠。经过5年的持续使用，我可以负责任地说，这是目前国内最适合个人量化开发的免费数据源之一。

注意：Tushare的免费版本有调用频率限制（每分钟500次），对于高频策略可能不够用，但对大多数中低频策略已经绰绰有余。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. Tushare环境配置与基础使用

2.1 安装与初始化

首先确保你已经安装了Python（建议3.7+版本），然后通过pip安装Tushare：

bash复制pip install tushare

安装完成后，需要获取并设置你的API token。虽然Tushare提供基础数据的免费接口，但仍需注册获取token：

python复制import tushare as ts
ts.set_token('你的token')  # 在官网注册后获取
pro = ts.pro_api()

2.2 基础数据获取示例

获取某只股票的基本信息：

python复制# 获取贵州茅台(600519)的基本信息
df = pro.stock_basic(ts_code='600519.SH')
print(df)

获取某日的行情数据：

python复制# 获取2023-06-01所有A股的日行情
df = pro.daily(trade_date='20230601')
print(df.head())

3. Tushare核心API详解

3.1 行情数据接口

Tushare提供了丰富的行情数据接口，以下是最常用的几个：

日线行情：pro.daily()
周线/月线行情：pro.weekly(), pro.monthly()
复权因子：pro.adj_factor()
分时数据：pro.stk_mins()

获取复权行情数据的标准流程：

python复制# 1. 获取原始日线
daily = pro.daily(ts_code='600519.SH', start_date='20200101', end_date='20201231')

# 2. 获取复权因子
adj = pro.adj_factor(ts_code='600519.SH', trade_date='20201231')

# 3. 计算复权价格（这里以向后复权为例）
daily['adj_close'] = daily['close'] * adj['adj_factor'].values[0]

3.2 财务数据接口

财务数据是量化分析的另一重要组成部分：

python复制# 获取资产负债表
balance = pro.balancesheet(ts_code='600519.SH', start_date='20200101')

# 获取利润表
income = pro.income(ts_code='600519.SH', start_date='20200101')

# 获取现金流量表
cashflow = pro.cashflow(ts_code='600519.SH', start_date='20200101')

4. 实战：构建简易量化分析系统

4.1 数据获取与预处理

让我们构建一个简单的双均线策略回测系统。首先获取所需数据：

python复制# 获取3年历史数据
df = pro.daily(ts_code='600519.SH', start_date='20200101', end_date='20221231')

# 转换为datetime格式并设为索引
df['trade_date'] = pd.to_datetime(df['trade_date'])
df.set_index('trade_date', inplace=True)

# 计算5日和20日均线
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()

4.2 策略逻辑实现

python复制# 生成交易信号
df['signal'] = 0
df.loc[df['ma5'] > df['ma20'], 'signal'] = 1
df.loc[df['ma5'] <= df['ma20'], 'signal'] = -1

# 计算每日收益率
df['return'] = df['close'].pct_change()

# 计算策略收益率
df['strategy_return'] = df['signal'].shift(1) * df['return']

4.3 绩效评估

python复制# 计算累计收益
cum_return = (1 + df['strategy_return']).cumprod()

# 绘制收益曲线
import matplotlib.pyplot as plt
plt.figure(figsize=(12,6))
cum_return.plot()
plt.title('Strategy Cumulative Return')
plt.show()

5. 高级技巧与优化

5.1 批量获取数据

Tushare有调用频率限制，获取多只股票数据时需要注意：

python复制stocks = ['600519.SH', '000858.SZ', '601318.SH']

all_data = []
for stock in stocks:
    try:
        data = pro.daily(ts_code=stock, start_date='20200101')
        all_data.append(data)
    except Exception as e:
        print(f"Error fetching {stock}: {e}")
        
full_df = pd.concat(all_data)

5.2 数据本地存储与更新

建议将获取的数据保存到本地数据库，避免重复调用API：

python复制import sqlite3

# 创建数据库连接
conn = sqlite3.connect('stock_data.db')

# 存储数据
df.to_sql('daily_600519', conn, if_exists='replace', index=False)

# 增量更新示例
last_date = pd.read_sql("SELECT MAX(trade_date) FROM daily_600519", conn).iloc[0,0]
new_data = pro.daily(ts_code='600519.SH', start_date=last_date)
new_data.to_sql('daily_600519', conn, if_exists='append', index=False)

5.3 异常处理与重试机制

网络请求难免会遇到问题，实现一个简单的重试机制：

python复制import time

def safe_query(api_func, max_retries=3, **kwargs):
    for i in range(max_retries):
        try:
            return api_func(**kwargs)
        except Exception as e:
            print(f"Attempt {i+1} failed: {e}")
            if i < max_retries - 1:
                time.sleep(2)  # 等待2秒后重试
            else:
                raise
                
# 使用示例
data = safe_query(pro.daily, ts_code='600519.SH', start_date='20200101')

6. 常见问题与解决方案

6.1 数据缺失处理

有时返回的数据可能会有缺失，需要特别处理：

python复制# 检查缺失值
print(df.isnull().sum())

# 填充缺失值（前向填充）
df.fillna(method='ffill', inplace=True)

# 或者删除缺失行
df.dropna(inplace=True)

6.2 复权价格计算

正确的复权价格计算对回测至关重要：

python复制# 获取复权因子
adj_factors = pro.adj_factor(ts_code='600519.SH')

# 合并到日线数据
merged = pd.merge(df, adj_factors, on='trade_date')

# 计算后复权价格
merged['adj_close'] = merged['close'] * merged['adj_factor'] / merged['adj_factor'].iloc[-1]

6.3 性能优化技巧

当处理大量数据时，这些技巧可以提升效率：

使用向量化操作：避免循环，尽量使用Pandas的向量化函数
减少API调用：一次获取尽可能多的数据，而不是多次小批量获取
使用多线程：获取多只股票数据时可以使用多线程

python复制from concurrent.futures import ThreadPoolExecutor

def fetch_data(stock):
    return pro.daily(ts_code=stock, start_date='20200101')

stocks = ['600519.SH', '000858.SZ', '601318.SH']

with ThreadPoolExecutor(max_workers=3) as executor:
    results = list(executor.map(fetch_data, stocks))

7. Tushare替代方案比较

虽然Tushare非常优秀，但也需要了解其他可选方案：

数据源	免费额度	数据质量	接口友好度	适用场景
Tushare	适中	高	优秀	个人研究、中小策略
AKShare	无限制	中等	良好	简单研究、教学
聚宽	有限	高	优秀	专业回测
Wind	付费	极高	优秀	机构专业使用
通联	付费	高	良好	企业级应用

对于大多数个人开发者，我的建议是：

从Tushare开始
随着策略复杂度提升，可以考虑Tushare Pro付费版
到专业阶段再考虑Wind等专业数据源

8. 量化策略开发完整流程示例

让我们通过一个完整的例子，展示如何使用Tushare数据开发一个简单的动量策略：

8.1 数据准备

python复制# 获取沪深300成分股
hs300 = pro.hs300()

# 获取这些股票过去1年的日线数据
all_data = []
for stock in hs300['ts_code'][:50]:  # 示例只取前50只
    data = pro.daily(ts_code=stock, start_date='20220101', end_date='20221231')
    data['ts_code'] = stock
    all_data.append(data)
    
full_data = pd.concat(all_data)

8.2 信号生成

python复制# 计算20日收益率
full_data['20d_return'] = full_data.groupby('ts_code')['close'].pct_change(20)

# 每月底选择前10%的股票
full_data['date'] = pd.to_datetime(full_data['trade_date'])
full_data['month'] = full_data['date'].dt.to_period('M')

top_stocks = full_data.groupby(['month', 'ts_code'])['20d_return'].last().unstack()
top_stocks = top_stocks.rank(axis=1, pct=True)
signal = (top_stocks > 0.9).astype(int)

8.3 回测实现

python复制# 计算等权重组合收益
portfolio_return = []
for month in signal.index:
    stocks = signal.columns[signal.loc[month] == 1]
    if len(stocks) > 0:
        month_data = full_data[(full_data['month'] == month) & (full_data['ts_code'].isin(stocks))]
        avg_return = month_data.groupby('trade_date')['pct_chg'].mean()
        portfolio_return.append(avg_return)
        
total_return = pd.concat(portfolio_return)
cum_return = (1 + total_return / 100).cumprod()

8.4 绩效分析

python复制# 计算年化收益和波动
annual_return = cum_return.iloc[-1] ** (252/len(cum_return)) - 1
annual_vol = total_return.std() * np.sqrt(252)

print(f"年化收益: {annual_return:.2%}")
print(f"年化波动: {annual_vol:.2%}")
print(f"夏普比率: {annual_return/annual_vol:.2f}")

9. 实际使用中的经验分享

经过多年使用Tushare开发量化策略，我总结了一些宝贵经验：

数据验证很重要：即使Tushare数据质量很高，也建议交叉验证关键数据点，特别是除权除息信息。
建立本地缓存：设计一个带本地缓存的数据获取系统，可以大幅减少API调用，提高开发效率。
关注数据更新频率：不同数据的更新频率不同，比如日线数据通常在当晚8点更新，而财务数据可能延迟更久。
处理股票代码变更：A股市场常有股票更名、退市等情况，在长期回测中需要特别注意。
理解数据含义：比如成交量单位是股还是手？货币单位是元还是万元？这些细节可能影响策略效果。
监控API调用：Tushare Pro有调用次数限制，建议实现一个调用计数器，避免意外超限。
备用数据源：虽然Tushare很稳定，但最好准备一个备用数据源，以防临时维护等情况。

10. 从Tushare开始的量化学习路径

对于想要系统学习量化交易的新手，我建议按照以下路径进行：

基础阶段：
- 掌握Python和Pandas基础
- 熟练使用Tushare获取各类市场数据
- 学习基本的数据清洗和处理技巧
策略开发阶段：
- 实现几个经典策略（双均线、动量、均值回归）
- 学习基本的回测方法
- 理解常见的绩效指标
进阶阶段：
- 学习更复杂的因子分析
- 掌握风险模型和组合优化
- 了解高频交易和算法交易基础
实战阶段：
- 搭建自动化交易系统
- 学习实盘交易的风险管理
- 持续监控和优化策略

Tushare作为数据基础，可以支持你走完前三个阶段的大部分学习内容。当策略复杂度提升到需要更高频率或更专业的数据时，再考虑升级到付费数据源也不迟。