【 Python 量化交易】第4章：获取金融数据

文章目录

• • 4.1 数据从哪里来？📡
  • 4.2 yfinance 快速上手 🚀
  • 4.3 yf.download() 参数手册 📋
  • 4.4 股票代码规则：A股必须加后缀！🇨🇳
  • 4.5 Ticker 类：一只股票的“档案柜” 🗄️
  • • 综合实例：给微软做一次“全身体检” 🩺
  • 4.6 批量操作：多只股票一起拿下 📡
  • • 方式一：`Tickers` 对象（类似字典）
    • 方式二：`download` 一次下载多个标的
  • 4.7 数据源横向评测：选哪个库？🏪
  • • 🧭 选型建议（按需求场景）
  • 小结 ✨

💡 “Garbage in, garbage out.” —— 数据的质量，直接决定了你策略的上限。 在 Python 量化分析中，第一步永远是获取可靠、规范的金融数据。本章将以流行的 yfinance 库为主线，同时横向对比其他主流数据源，建立清晰的数据获取全局观。

4.1 数据从哪里来？📡

金融数据并不会凭空出现在你的代码里。从交易所的原始行情到你手里的 DataFrame，中间经过了一套标准化的“数据管道”。理解这个流程，能帮你更好地调试错误、选择合适的数据源。

#mermaid-svg-M2ATzL2dPUHBpjQq{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-M2ATzL2dPUHBpjQq .error-icon{fill:#552222;}#mermaid-svg-M2ATzL2dPUHBpjQq .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-M2ATzL2dPUHBpjQq .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-M2ATzL2dPUHBpjQq .marker{fill:#333333;stroke:#333333;}#mermaid-svg-M2ATzL2dPUHBpjQq .marker.cross{stroke:#333333;}#mermaid-svg-M2ATzL2dPUHBpjQq svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-M2ATzL2dPUHBpjQq p{margin:0;}#mermaid-svg-M2ATzL2dPUHBpjQq .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq .cluster-label text{fill:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq .cluster-label span{color:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq .cluster-label span p{background-color:transparent;}#mermaid-svg-M2ATzL2dPUHBpjQq .label text,#mermaid-svg-M2ATzL2dPUHBpjQq span{fill:#333;color:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq .node rect,#mermaid-svg-M2ATzL2dPUHBpjQq .node circle,#mermaid-svg-M2ATzL2dPUHBpjQq .node ellipse,#mermaid-svg-M2ATzL2dPUHBpjQq .node polygon,#mermaid-svg-M2ATzL2dPUHBpjQq .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-M2ATzL2dPUHBpjQq .rough-node .label text,#mermaid-svg-M2ATzL2dPUHBpjQq .node .label text,#mermaid-svg-M2ATzL2dPUHBpjQq .image-shape .label,#mermaid-svg-M2ATzL2dPUHBpjQq .icon-shape .label{text-anchor:middle;}#mermaid-svg-M2ATzL2dPUHBpjQq .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-M2ATzL2dPUHBpjQq .rough-node .label,#mermaid-svg-M2ATzL2dPUHBpjQq .node .label,#mermaid-svg-M2ATzL2dPUHBpjQq .image-shape .label,#mermaid-svg-M2ATzL2dPUHBpjQq .icon-shape .label{text-align:center;}#mermaid-svg-M2ATzL2dPUHBpjQq .node.clickable{cursor:pointer;}#mermaid-svg-M2ATzL2dPUHBpjQq .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-M2ATzL2dPUHBpjQq .arrowheadPath{fill:#333333;}#mermaid-svg-M2ATzL2dPUHBpjQq .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-M2ATzL2dPUHBpjQq .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-M2ATzL2dPUHBpjQq .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-M2ATzL2dPUHBpjQq .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-M2ATzL2dPUHBpjQq .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-M2ATzL2dPUHBpjQq .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-M2ATzL2dPUHBpjQq .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-M2ATzL2dPUHBpjQq .cluster text{fill:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq .cluster span{color:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-M2ATzL2dPUHBpjQq .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-M2ATzL2dPUHBpjQq rect.text{fill:none;stroke-width:0;}#mermaid-svg-M2ATzL2dPUHBpjQq .icon-shape,#mermaid-svg-M2ATzL2dPUHBpjQq .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-M2ATzL2dPUHBpjQq .icon-shape p,#mermaid-svg-M2ATzL2dPUHBpjQq .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-M2ATzL2dPUHBpjQq .icon-shape .label rect,#mermaid-svg-M2ATzL2dPUHBpjQq .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-M2ATzL2dPUHBpjQq .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-M2ATzL2dPUHBpjQq .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-M2ATzL2dPUHBpjQq :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

HTTP / WebSocket API

解析 & 封装

🏢 数据源头（交易所 / 财经网站 / 数据商）

🐍 Python 库（yfinance / akshare / tushare）

🐼 Pandas DataFrame（规整的表格数据）

🧪 你的策略与研究

所有金融数据库做的事情本质上相同：它们把数据服务商提供的 HTTP API（或 WebSocket）封装成一行 Python 代码即可调用的函数，然后返回一个规整的 Pandas DataFrame。你不需要关心底层网络请求、JSON 解析、重试机制等细节，只需传入股票代码和时间范围，就能拿到可直接分析的数据。

4.2 yfinance 快速上手 🚀

yfinance 是当前最流行的免费金融数据 Python 库之一，尤其适合美股和全球市场。安装只需一行：

pip install yfinance

其最核心的函数是 yf.download()，用于下载历史行情数据。下面以贵州茅台（600519.SS）为例：

import yfinance as yf

# 上海证券交易所，贵州茅台
symbol = "600519.SS"

# 下载指定时间范围的数据
maotai_data = yf.download(symbol, start="2022-01-01", end="2023-11-01")

# 查看前几行
print(maotai_data.head())

4.3 yf.download() 参数手册 📋

yf.download() 的完整签名如下：

yf.download(tickers, start=None, end=None, actions=False, threads=True)

各参数详解如下表：

💡 快捷方式：你也可以用 period 参数代替 start / end，例如 yf.download("SPY AAPL", period="1mo") 会下载最近一个月的数据。period 支持 '1d'、'5d'、'1mo'、'3mo'、'6mo'、'1y'、'2y'、'5y'、'10y'、'ytd'、'max' 等。

4.4 股票代码规则：A股必须加后缀！🇨🇳

这是新手最容易踩的坑：在 yfinance 中，中国 A 股的代码必须加上交易所后缀，否则会查无此股或返回空数据。

⚠️ 常见报错：只写 600519 不加 .SS，yfinance 会返回空 DataFrame 或报错“No data found”。请务必检查代码是否带上了正确的后缀。

4.5 Ticker 类：一只股票的“档案柜” 🗄️

yf.download() 适合批量获取历史价格，但若你想查询某只股票的全方位信息（基本面、财务报表、股东结构、期权、新闻等），就需要使用 Ticker 类。

ticker = yf.Ticker('AAPL') # 创建一个代表苹果公司的 Ticker 对象

Ticker 对象提供了丰富的属性和方法，下面列出最常用的成员：

综合实例：给微软做一次“全身体检” 🩺

import yfinance as yf

# 创建 Ticker 对象，表示对 Microsoft 公司的股票数据进行操作
msft = yf.Ticker("MSFT")

# 获取所有的股票信息
msft.info

# 获取历史市场数据，这里是过去一个月的数据
hist = msft.history(period="1mo")

# 显示历史数据的元信息（需要先调用 history() 函数）
msft.history_metadata

# 显示公司行为信息（股利、拆股、资本收益）
msft.actions
msft.dividends
msft.splits
msft.capital_gains # 仅适用于共同基金和 ETF

# 显示股票股数
msft.get_shares_full(start="2022-01-01", end=None)

# 显示财务报表：
msft.income_stmt # 收入表（年度）
msft.quarterly_income_stmt # 收入表（季度）
msft.balance_sheet # 资产负债表
msft.cashflow # 现金流量表

# 显示股东信息
msft.major_holders
msft.institutional_holders
msft.mutualfund_holders

# 显示未来和历史的盈利日期（默认未来4个季度 + 过去8个季度）
msft.earnings_dates

# 显示国际证券识别码（ISIN，实验性功能）
msft.isin

# 显示期权到期日期，以及特定到期日的期权链
msft.options
opt = msft.option_chain('YYYY-MM-DD') # 数据可通过 opt.calls / opt.puts 获取

# 显示新闻
msft.news

4.6 批量操作：多只股票一起拿下 📡

实际策略往往涉及多只股票，yfinance 提供了两种高效方式：

方式一：Tickers 对象（类似字典）

import yfinance as yf

tickers = yf.Tickers('msft aapl goog')

# 单独访问每只股票的信息
msft_info = tickers.tickers['MSFT'].info
aapl_hist = tickers.tickers['AAPL'].history(period="1mo")
goog_actions = tickers.tickers['GOOG'].actions

方式二：download 一次下载多个标的

# 一次性下载多只股票，返回多级列 DataFrame
data = yf.download("SPY AAPL", period="1mo")
print(data.head())

返回的 DataFrame 列结构为 (Price, Ticker) 的多级索引，例如 ('Close', 'SPY')、('Volume', 'AAPL') 等。如需扁平化，可使用：

data.columns = ['_'.join(col).strip() for col in data.columns.values]

这样就能得到 Close_SPY、Volume_AAPL 这样的单级列名。

4.7 数据源横向评测：选哪个库？🏪

除了 yfinance，Python 生态中还有很多优秀的金融数据库。下表从安装命令、数据覆盖和适用场景三方面做了对比，帮你快速决策：

🧭 选型建议（按需求场景）

• 🌍 玩美股 / 全球市场、跑教程示例 → yfinance（最省心）
• 🇨🇳 认真做 A 股研究 → Tushare（基本面）或 AKShare（全数据）
• ₿ 加密货币策略 → ccxt（功能最强）
• 🎓 学术研究、需多源数据对比 → pandas-datareader + 上述组合

小结 ✨

• 金融数据获取的本质是调用 API → 解析 → 生成 DataFrame。
• yfinance 是入门首选，提供 download() 和 Ticker 两种核心接口。
• A 股代码必须加后缀（.SS / .SZ），否则查询失败。
• 批量操作可用 Tickers 对象或 download 多标的。
• 根据你的市场和研究方向，灵活选择最适合的数据源。

数据是量化策略的根基，掌握好数据获取，就为后续的分析与回测铺平了道路。

本文档中所有代码均在 Python 3.12 + yfinance 1.7.0 环境下实测通过。如有版本差异，请参考官方文档调整。