🎯 今日核心问题

  1. A股日线数据,到底用 akshare、tushare 还是券商接口?三者各自会在哪个环节把你坑死?
  2. 免费数据源的数据"看起来对"和"回测能用"差在哪里?怎么在半小时内验证一个数据源是否可信?

📖 精读提纲

【一】三个主流数据源的工程属性对比

akshare:免费、无需 token、直接爬取东方财富/新浪/同花顺等公开页面。接口覆盖最全(日线、财务、指数成分、龙虎榜、行业分类都有),安装即用,是你这个阶段的最优解。代价是:它是"爬虫集合"而非数据库,字段偶尔变动、单接口限速、历史数据偶有缺失,不能当唯一真实来源,必须做校验。

tushare pro:需 token 和积分门槛。字段规范,有官方复权因子表与交易日历,质量明显高于爬虫。daily(未复权)、pro_bar(adj='qfq') 是标准做法。缺点是免费调用次数有上限,拉全A股10年数据要攒积分。

券商接口(QMT、Ptrade 等):质量最好、有交易通道,但需权限(多为50万资产门槛),各家 API 不通用。等要实盘时再碰。

结论:akshare 起步,tushare 交叉验证,券商接口留到实盘。一开始追"最专业数据源",只会卡在开户权限上,策略一行没写。

【二】免费源真正的坑,不在"有没有数据",而在"数据长什么样"

免费源的坑有四类,每类都足以让回测结论反转:

【三】实战应用:半小时验证一个数据源的可信度

别凭感觉信任数据源,建一套最小验证集,换源就跑:

第一步,交易日历对齐:拉沪深300指数2019-2024日线,统计每年交易日数,正常约242-244天,某年只有230天说明源在丢数据。

第二步,涨跌幅分布:主板±10%、ST±5%、创业板科创板±20%,统计 abs(pct_chg) > 21% 的记录,正常为0(未复权除外)。

第三步,跨源核对:抽002472、601111各5个交易日,akshare 与 tushare 的收盘价差异应小于0.01元。

第四步,检查极端值:筛 close <= 0、volume < 0、high < low 的行,回测遇到会直接算出 NaN 净值。

【四】常见误区

💻 代码示例

import akshare as ak
import pandas as pd
import numpy as np

# ---------- 1. 拉一只股票的日线(前复权) ----------
df = ak.stock_zh_a_hist(
    symbol="002472",          # 双环传动,不带交易所前缀
    period="daily",
    start_date="20190101",
    end_date="20241231",
    adjust="qfq",             # qfq前复权 / hfq后复权 / ""不复权
)
df = df.rename(columns={
    "日期": "date", "开盘": "open", "收盘": "close", "最高": "high",
    "最低": "low", "成交量": "volume", "成交额": "amount", "涨跌幅": "pct_chg",
})
df["date"] = pd.to_datetime(df["date"])
df = df.sort_values("date").reset_index(drop=True)
print(df.shape, df["date"].min(), df["date"].max())

# ---------- 2. 数据质量体检函数 ----------
def audit(df: pd.DataFrame, name: str) -> dict:
    r = {"name": name, "rows": len(df)}
    # 交易日覆盖(A股年均约242天)
    r["days_per_year"] = df.groupby(df["date"].dt.year).size().to_dict()
    # 越界涨跌幅:主板±10%,留余量到21%以兼容创业板
    r["pct_outlier"] = int((df["pct_chg"].abs() > 21).sum())
    # 非法值
    r["bad_rows"] = int(
        (df["close"] <= 0).sum()
        + (df["volume"] < 0).sum()
        + (df["high"] < df["low"]).sum()
    )
    # 重复日期
    r["dup_dates"] = int(df["date"].duplicated().sum())
    # 零成交占比(停牌填充的迹象)
    r["zero_vol_ratio"] = round(float((df["volume"] == 0).mean()), 4)
    return r

print(audit(df, "002472"))

# ---------- 3. 指数交易日历检查 ----------
idx = ak.index_zh_a_hist(symbol="000300", period="daily",
                         start_date="20190101", end_date="20241231")
idx["日期"] = pd.to_datetime(idx["日期"])
cal = idx.groupby(idx["日期"].dt.year).size()
print("沪深300每年交易日数:")
print(cal)

# ---------- 4. 三个复权口径并列,看除权日差异 ----------
frames = {}
for adj in ["", "qfq", "hfq"]:
    d = ak.stock_zh_a_hist(symbol="002472", period="daily",
                           start_date="20240101", end_date="20241231",
                           adjust=adj)[["日期", "收盘"]]
    d = d.rename(columns={"收盘": f"close_{adj or 'none'}"})
    d["日期"] = pd.to_datetime(d["日期"])
    frames[adj] = d.set_index("日期")
cmp = pd.concat(frames.values(), axis=1)
print(cmp.head())
print("不复权 vs 前复权 最大偏离:",
      round(((cmp["close_none"] / cmp["close_qfq"]) - 1).abs().max(), 4))

✏️ 今日动手

建一个项目目录 ~/quant/,里面放 data_audit.py。今天要交付的东西:

  1. 装好环境:pip install akshare pandas numpy,跑通上面代码,确认能拉到002472和000300的数据。
  2. 把 audit() 函数跑在三个标的上:双环传动002472、中国国航601111、沪深300(用 index_zh_a_hist)。把三份体检结果打印出来并保存成 audit_report.txt。
  3. 记录你观察到的异常:哪只股票哪一年交易日数明显偏离242?有没有涨跌幅超过21%的行?零成交占比是多少?
  4. 如果手上有 tushare token,用 ts.pro_bar(ts_code="002472.SZ", adj="qfq") 拉同一区间,和 akshare 的收盘价对齐,算出最大相对偏差,写在报告最后一行。

今天的产出不是"能拉数据",而是一份带结论的数据源评估报告——哪个源用哪个字段,误差多大,哪里必须清洗。这个判断会贯穿你后面8周。

🔖 明日预告

明天把范围从1只股票扩到全A股5000+只:批量拉取日线、控制请求频率不被封、把数据落成本地 parquet,并且彻底搞清楚前复权、后复权、不复权三者在"算收益率"和"算股数"时分别该用哪个。