第三章 数据获取：股票数据源选择、Tushare/AkShare接口使用、数据清洗与预处理、数据存储方案

做量化回测，数据就是你的原材料。原材料不行，再好的策略也白搭。我见过太多人花几个月写策略，最后发现数据有坑，回测结果全是假的。今天咱们就把数据获取这件事聊透。

3.1 股票数据源怎么选？

国内主流的数据源，说白了就这几家：Tushare、AkShare、Wind、聚宽、米筐。我个人习惯把数据源分成两类：免费的和收费的。

数据源	费用	特点	适合场景
Tushare Pro	免费+积分制	数据全面，文档规范	个人研究、小规模回测
AkShare	完全免费	接口丰富，更新快	快速原型、学习练手
Wind	收费（年费几万）	数据质量最高	机构、实盘级应用
聚宽/米筐	部分免费	自带回测平台	不想自己搭系统

我建议初学者先从AkShare入手。为什么呢？零成本，接口多，踩坑了也不心疼。等你的策略跑通了，再考虑升级到Tushare或者Wind。

3.2 Tushare接口使用实战

Tushare Pro需要注册获取token。注册地址我就不贴了，百度一下就有。拿到token后，先初始化：

import tushare as ts

# 初始化
pro = ts.pro_api('你的token')

# 获取日线数据
df = pro.daily(
    ts_code='000001.SZ',
    start_date='20230101',
    end_date='20231231'
)
print(df.head())

嗯，这里要注意。Tushare的股票代码格式是「6位代码+交易所后缀」。上交所是.SH，深交所是.SZ。我见过有人把平安银行的代码写成000001，结果啥也查不到。

除了日线，Tushare还提供分钟线、财务数据、资金流向等。我个人最常用的是这几个：

• daily() - 日线行情
• fundamental() - 财务指标
• moneyflow() - 个股资金流向
• trade_cal() - 交易日历

3.3 AkShare接口使用实战

AkShare的用法更直接。它不需要token，直接pip安装就能用：

import akshare as ak

# 获取A股日线数据
df = ak.stock_zh_a_hist(
    symbol="000001",
    period="daily",
    start_date="20230101",
    end_date="20231231",
    adjust="qfq"  # 前复权
)
print(df.head())

AkShare的接口命名有点随性。比如获取龙虎榜数据，接口名叫stock_lhb_detail_em()。我第一次用的时候找了半天，后来发现它的命名规则是「功能+数据源缩写」。em代表东方财富，sina代表新浪，thsm代表同花顺。

为什么会这样？因为AkShare本质上是把各个网站的数据接口封装了一下。好处是数据源多，坏处是接口不稳定——万一对方网站改版，你的代码可能就挂了。

3.4 数据清洗与预处理

数据拿到手，别急着用。先做清洗。我总结了一套标准流程：

1. 去重 - 检查是否有重复行
2. 补空 - 处理缺失值
3. 对齐 - 统一时间索引
4. 复权 - 处理分红送股
5. 异常值 - 剔除涨跌停等极端数据

举个例子，缺失值处理：

# 前向填充（用上一个交易日的数据补）
df.fillna(method='ffill', inplace=True)

# 或者直接删除缺失行
df.dropna(inplace=True)

我曾经遇到过一个坑：某只股票停牌了三个月，复牌后直接跌停。如果用前向填充，那三个月的价格都是停牌前的价格，回测结果会严重失真。后来我加了一个判断：如果连续缺失超过5天，就标记为停牌，单独处理。

3.5 数据存储方案

数据清洗完了，得存起来。我推荐三种方案：

存储方式	优点	缺点	推荐场景
CSV文件	简单、可读性强	查询慢、占用空间大	小规模、个人研究
HDF5	压缩率高、读写快	不支持并发	中等规模、单机使用
SQLite/MySQL	支持查询、并发好	配置稍复杂	团队协作、生产环境

我个人习惯用HDF5。为什么呢？因为量化数据通常是时间序列，HDF5对这种结构化数据支持得很好。而且pandas直接支持to_hdf()和read_hdf()，代码写起来很顺手。

# 存储到HDF5
df.to_hdf('stock_data.h5', key='000001', mode='a')

# 读取
df = pd.read_hdf('stock_data.h5', key='000001')

如果你要存MySQL，记得建索引。我刚开始没建索引，查一次数据要好几秒，加了索引后毫秒级返回。索引建在日期和股票代码上就行。