使用baostock获取A股估值数据的Python实践指南-代码聚汇网

使用baostock获取A股估值数据的Python实践指南

股海求生·2026-08-25·阅读 22 GEO检测（免费）

baostock估值数据市盈率

|难度：普通|阅读约 21 分钟

1. 认识baostock与估值数据

baostock是一个免费、开源的证券数据接口库，主要提供A股市场的历史行情和基本面数据。对于量化投资者、金融数据分析师来说，获取准确的估值数据是进行投资分析的基础工作。估值数据主要包括市盈率(PE)、市净率(PB)、市销率(PS)等指标，这些数据能够帮助我们判断股票的相对价值。

baostock相比其他商业数据接口有几个明显优势：首先是完全免费，不需要支付高昂的数据订阅费用；其次数据质量较好，经过了一定程度的清洗和校验；再者接口设计简单明了，Python调用非常方便。不过需要注意的是，baostock对调用频率有一定限制，单用户每分钟请求次数不宜过高，否则可能会被临时限制访问。

提示：虽然baostock是免费接口，但建议在程序中加入适当的延时，避免频繁请求导致IP被封禁。

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. 环境准备与接口安装

2.1 Python环境配置

要使用baostock接口，首先需要确保你的Python环境已经准备就绪。推荐使用Python 3.6及以上版本，这个版本的稳定性和兼容性都比较好。可以通过以下命令检查Python版本：

bash复制python --version

如果还没有安装Python，可以从官网下载安装包。建议使用Anaconda来管理Python环境，这样可以避免各种依赖冲突问题。

2.2 安装baostock库

baostock库的安装非常简单，直接使用pip命令即可：

bash复制pip install baostock

安装完成后，可以通过以下代码测试是否安装成功：

python复制import baostock as bs
print(bs.__version__)

如果能够正常输出版本号，说明安装已经成功。目前最新稳定版本是0.8.8，建议使用这个版本进行开发。

2.3 登录baostock系统

在使用baostock接口前，需要先进行登录操作。登录过程会建立一个会话连接，后续的查询都在这个会话中进行。登录代码如下：

python复制import baostock as bs

# 登录系统
lg = bs.login()
# 显示登录返回信息
print('login respond error_code:'+lg.error_code)
print('login respond error_msg:'+lg.error_msg)

登录成功后，error_code会返回0，error_msg返回"success"。如果出现错误，可以根据错误信息进行排查。常见错误包括网络连接问题、服务器维护等。

3. 获取估值数据的具体方法

3.1 查询单只股票的估值数据

获取单只股票的估值数据是baostock最常用的功能之一。以查询贵州茅台(600519)的市盈率为例：

python复制# 查询贵州茅台市盈率
rs = bs.query_history_k_data("sh.600519",
    "date,code,close,peTTM",
    start_date='2023-01-01', 
    end_date='2023-12-31',
    frequency="d", adjustflag="3")
    
# 打印结果集
data_list = []
while (rs.error_code == '0') & rs.next():
    # 获取一条记录，将记录合并在一起
    data_list.append(rs.get_row_data())
    
# 转换为DataFrame
import pandas as pd
result = pd.DataFrame(data_list, columns=rs.fields)
print(result.head())

这段代码会返回贵州茅台在2023年全年的每日收盘价和动态市盈率(peTTM)。其中关键参数说明：

"sh.600519"：股票代码，沪市股票前缀sh，深市前缀sz
"date,code,close,peTTM"：需要查询的字段，可以按需增减
start_date/end_date：查询的时间范围
frequency：数据频率，d表示日线，w周线，m月线
adjustflag：复权类型，3表示后复权

3.2 批量获取多只股票估值数据

实际分析中，我们往往需要获取多只股票的估值数据进行对比。baostock提供了批量查询的接口：

python复制# 获取沪深300成分股列表
rs = bs.query_hs300_stocks()
hs300_stocks = []
while (rs.error_code == '0') & rs.next():
    hs300_stocks.append(rs.get_row_data()[1])  # 获取股票代码

# 批量查询这些股票的估值数据
valuation_data = []
for stock in hs300_stocks[:10]:  # 示例只查询前10只
    rs = bs.query_history_k_data(stock,
        "date,code,close,peTTM,pbMRQ", 
        start_date='2023-12-01',
        end_date='2023-12-31')
    
    while (rs.error_code == '0') & rs.next():
        valuation_data.append(rs.get_row_data())

# 转换为DataFrame
result = pd.DataFrame(valuation_data, columns=["date","code","close","peTTM","pbMRQ"])
print(result.head())

这个例子先获取了沪深300成分股列表，然后批量查询这些股票在2023年12月的估值数据。实际使用时，可以根据需要调整股票列表和时间范围。

3.3 获取特定日期的全市场估值数据

有时候我们需要获取特定交易日全市场的估值数据分布情况，可以使用以下方法：

python复制# 查询2023-12-29全市场A股的估值数据
rs = bs.query_all_stock(day="2023-12-29")
all_stocks = []
while (rs.error_code == '0') & rs.next():
    all_stocks.append(rs.get_row_data()[0])  # 获取股票代码

# 由于股票数量较多，这里只查询前100只作为示例
valuation_data = []
for stock in all_stocks[:100]:
    try:
        rs = bs.query_history_k_data(stock,
            "date,code,close,peTTM,pbMRQ,psTTM", 
            start_date='2023-12-29',
            end_date='2023-12-29')
        
        if rs.error_code == '0' and rs.next():
            valuation_data.append(rs.get_row_data())
    except:
        continue

# 转换为DataFrame并计算基本统计量
result = pd.DataFrame(valuation_data, columns=["date","code","close","peTTM","pbMRQ","psTTM"])
result[["peTTM","pbMRQ","psTTM"]] = result[["peTTM","pbMRQ","psTTM"]].apply(pd.to_numeric)

print("市盈率统计:")
print(result["peTTM"].describe())
print("\n市净率统计:")
print(result["pbMRQ"].describe())

这段代码先获取了指定交易日所有A股股票的代码，然后批量查询这些股票的估值数据，最后计算了市盈率、市净率等指标的基本统计量。实际应用中，可以根据需要调整查询的股票数量和估值指标。

4. 估值数据的处理与分析

4.1 数据清洗与异常值处理

从baostock获取的原始数据通常需要进行清洗才能用于分析。常见的清洗工作包括：

python复制# 转换数据类型
result[["close","peTTM","pbMRQ"]] = result[["close","peTTM","pbMRQ"]].apply(pd.to_numeric)

# 处理缺失值
result = result.dropna()  # 删除包含缺失值的行

# 处理异常值 - 例如市盈率为负或极高的股票
result = result[(result["peTTM"] > 0) & (result["peTTM"] < 100)]
result = result[(result["pbMRQ"] > 0) & (result["pbMRQ"] < 20)]

# 添加行业分类信息（需要额外的行业数据）
# 这里假设我们已经有一个行业分类的DataFrame：industry_df
result = pd.merge(result, industry_df, on="code", how="left")

数据清洗后，我们可以进行更可靠的分析。例如计算各行业的平均估值水平：

python复制industry_valuation = result.groupby("industry")[["peTTM","pbMRQ"]].mean()
print(industry_valuation.sort_values("peTTM"))

4.2 估值数据的可视化分析

可视化是理解估值数据分布的有效方法。使用matplotlib和seaborn可以创建各种图表：

python复制import matplotlib.pyplot as plt
import seaborn as sns

# 设置绘图风格
sns.set(style="whitegrid")

# 市盈率分布直方图
plt.figure(figsize=(10,6))
sns.histplot(data=result, x="peTTM", bins=50, kde=True)
plt.title("A股市盈率分布")
plt.xlabel("市盈率(PE)")
plt.ylabel("股票数量")
plt.show()

# 市净率箱线图（按行业）
plt.figure(figsize=(12,6))
sns.boxplot(data=result, x="industry", y="pbMRQ")
plt.xticks(rotation=90)
plt.title("各行业市净率比较")
plt.show()

这些图表可以帮助我们直观地了解市场估值水平和行业差异。

4.3 构建简单的估值策略

基于估值数据，我们可以构建一些简单的投资策略。例如，选择低市盈率、低市净率的"双低"股票：

python复制# 计算市盈率和市净率的百分位
result["pe_rank"] = result["peTTM"].rank(pct=True)
result["pb_rank"] = result["pbMRQ"].rank(pct=True)

# 综合得分 = (市盈率百分位 + 市净率百分位)/2
result["value_score"] = (result["pe_rank"] + result["pb_rank"])/2

# 选择得分最低的20只股票
value_stocks = result.sort_values("value_score").head(20)
print(value_stocks[["code","close","peTTM","pbMRQ","value_score"]])

这只是一个简单的示例，实际策略需要考虑更多因素，如行业分布、财务质量等。

5. 常见问题与优化建议

5.1 处理baostock调用限制

baostock对API调用有一定限制，如果请求过于频繁，可能会遇到以下错误：

code复制error_code:10002002
error_msg:request too frequently, please try again later

为了避免这个问题，可以采取以下措施：

在循环查询中添加延时：

python复制import time

for stock in stock_list:
    # 查询代码...
    time.sleep(0.5)  # 添加0.5秒延时

使用try-except捕获异常并重试：

python复制max_retries = 3
for stock in stock_list:
    retry_count = 0
    while retry_count < max_retries:
        try:
            # 查询代码...
            break
        except Exception as e:
            print(f"查询{stock}出错：{str(e)}")
            retry_count += 1
            time.sleep(2)  # 出错后等待更长时间

对于大批量查询，可以考虑将任务分散到不同时间段执行，或者使用多个账号轮询。

5.2 数据更新与维护

baostock的数据通常会在交易日结束后更新。为了确保使用最新数据，建议：

设置自动更新机制，每天收盘后定时运行数据更新脚本
在程序中添加数据更新时间检查：

python复制# 查询数据更新时间
rs = bs.query_trade_dates(start_date="2023-12-29")
while (rs.error_code == '0') & rs.next():
    print(rs.get_row_data())

建立本地数据库存储历史数据，避免每次都从baostock查询全部历史

5.3 数据质量验证

虽然baostock数据质量总体不错，但仍建议进行交叉验证：

对比不同来源的同一指标，如将baostock的市盈率与其他数据源对比
检查极端值是否合理，如市盈率超过1000或为负值的情况
验证数据连续性，检查是否有异常缺失的交易日

可以编写简单的验证函数：

python复制def validate_data(df):
    # 检查缺失值
    if df.isnull().sum().sum() > 0:
        print("警告：数据中存在缺失值")
    
    # 检查极端值
    high_pe = df[df["peTTM"] > 100]
    if len(high_pe) > 0:
        print(f"警告：有{len(high_pe)}条记录的市盈率超过100")
    
    # 其他验证逻辑...
    return True

5.4 性能优化建议

当需要处理大量股票或长时间序列数据时，可以考虑以下优化措施：

使用多线程/多进程并行查询：

python复制from concurrent.futures import ThreadPoolExecutor

def query_stock(stock):
    # 查询单个股票的代码...
    return data

with ThreadPoolExecutor(max_workers=5) as executor:
    results = list(executor.map(query_stock, stock_list))

减少查询字段，只获取必要的指标
适当增大查询时间范围，减少查询次数
将常用数据缓存到本地数据库或文件中

6. 扩展应用与进阶技巧

6.1 结合财务数据综合分析

单纯的估值指标有时会失真，结合财务数据能获得更全面的分析：

python复制# 查询财务数据
rs = bs.query_profit_data(code="sh.600519", year=2023, quarter=4)
profit_data = []
while (rs.error_code == '0') & rs.next():
    profit_data.append(rs.get_row_data())

# 查询成长性指标
rs = bs.query_growth_data(code="sh.600519", year=2023, quarter=4)
growth_data = []
while (rs.error_code == '0') & rs.next():
    growth_data.append(rs.get_row_data())

# 将估值数据与财务数据合并分析
# ...

这种综合分析可以帮助识别"估值陷阱"——那些看起来便宜但实际上存在问题的股票。

6.2 构建估值时间序列分析

通过分析估值指标的历史变化，可以更好地理解当前估值水平：

python复制# 获取某股票5年的估值数据
rs = bs.query_history_k_data("sh.600519",
    "date,peTTM,pbMRQ",
    start_date='2019-01-01',
    end_date='2023-12-31',
    frequency="m")  # 月度数据

# 转换为DataFrame并处理
valuation_ts = pd.DataFrame([rs.get_row_data() for _ in rs], columns=rs.fields)
valuation_ts[["peTTM","pbMRQ"]] = valuation_ts[["peTTM","pbMRQ"]].apply(pd.to_numeric)
valuation_ts["date"] = pd.to_datetime(valuation_ts["date"])

# 计算滚动百分位
valuation_ts["pe_percentile"] = valuation_ts["peTTM"].rolling(60).rank(pct=True)
valuation_ts["pb_percentile"] = valuation_ts["pbMRQ"].rolling(60).rank(pct=True)

# 绘制趋势图
plt.figure(figsize=(12,6))
plt.plot(valuation_ts["date"], valuation_ts["pe_percentile"], label="PE百分位")
plt.plot(valuation_ts["date"], valuation_ts["pb_percentile"], label="PB百分位")
plt.axhline(0.8, color="red", linestyle="--", label="高估阈值")
plt.axhline(0.2, color="green", linestyle="--", label="低估阈值")
plt.legend()
plt.title("贵州茅台估值历史百分位")
plt.show()

这种分析可以帮助判断当前估值在历史上的位置，为投资决策提供参考。

6.3 行业相对估值分析

不同行业的估值水平差异很大，直接比较绝对值可能没有意义。行业相对估值分析更有参考价值：

python复制# 获取各行业估值中位数
industry_median = result.groupby("industry")[["peTTM","pbMRQ"]].median().reset_index()

# 计算个股估值与行业中位数的比值
result = pd.merge(result, industry_median, on="industry", suffixes=("","_median"))
result["pe_relative"] = result["peTTM"] / result["peTTM_median"]
result["pb_relative"] = result["pbMRQ"] / result["pbMRQ_median"]

# 找出行业内相对低估的股票
undervalued_in_industry = result[
    (result["pe_relative"] < 0.8) & 
    (result["pb_relative"] < 0.9)
].sort_values("pe_relative")

print(undervalued_in_industry[["code","industry","peTTM","peTTM_median","pe_relative"]].head(10))

这种方法可以帮我们在每个行业内寻找相对低估的机会，避免简单的跨行业比较。