2、数据获取入门：使用Tushare/Akshare获取沪深两市日度资金流向数据

做量化投资，数据就是你的弹药库。

没有数据，再牛的策略也是纸上谈兵。我个人习惯把数据获取比作「做饭前的买菜」——菜买不好，厨艺再高也白搭。今天咱们就聊聊怎么用 Python 把沪深两市的资金流向数据「买」回来。

2.1 为什么选 Tushare 和 Akshare？

市面上能拿 A 股数据的库不少，但我最常用的就这俩。原因很简单：

• Tushare：老牌、稳定、数据全。我 2018 年入行时就在用，社区活跃，文档也还算清晰。不过现在部分接口需要积分，门槛稍微高了点。
• Akshare：开源、免费、更新快。说白了就是「穷人的 Tushare」。它直接从各大财经网站爬数据，接口经常变，但胜在零成本。

嗯，这里要注意：两个库的数据源不同，同一只股票同一天的资金流向数据可能会有细微差异。我在项目中遇到过这种情况，后来统一用 Tushare 做主力，Akshare 做备选校验。

2.2 环境准备与安装

先把工具装上。打开你的终端，敲下面两行：

pip install tushare
pip install akshare

如果你用的是 Anaconda，建议先建个虚拟环境。我曾经因为依赖冲突折腾了一下午，后来学乖了：

conda create -n fund_flow python=3.9
conda activate fund_flow
pip install tushare akshare pandas

import tushare as ts
ts.set_token('你的token')
pro = ts.pro_api()

2.3 用 Tushare 获取资金流向数据

Tushare 的资金流向接口叫 moneyflow。它返回的是个股级别的日度数据，包含主力净流入、超大单、大单、中单、小单等字段。

看代码：

import tushare as ts
import pandas as pd

# 初始化
pro = ts.pro_api()

# 获取贵州茅台 2024年1月 的资金流向
df = pro.moneyflow(
    ts_code='600519.SH',
    start_date='20240101',
    end_date='20240131'
)

print(df.head())

返回的数据长这样：

ts_code	trade_date	buy_sm_vol	buy_md_vol	buy_lg_vol	buy_elg_vol	net_mf_vol
600519.SH	20240131	123456	234567	345678	456789	1234567

字段说明：

• buy_sm_vol：小单买入量（手）
• buy_md_vol：中单买入量
• buy_lg_vol：大单买入量
• buy_elg_vol：超大单买入量
• net_mf_vol：主力净流入量（手）

2.4 用 Akshare 获取资金流向数据

如果你不想花钱，Akshare 是绝佳替代。它的接口叫 stock_individual_fund_flow，用法更直接：

import akshare as ak

# 获取贵州茅台 2024年1月 的资金流向
df = ak.stock_individual_fund_flow(
    stock='600519',
    market='sh',
    start_date='20240101',
    end_date='20240131'
)

print(df.head())

返回的数据结构略有不同：

日期	主力净流入	小单净流入	中单净流入	大单净流入	超大单净流入
2024-01-31	1.23亿	-0.45亿	-0.78亿	0.89亿	0.34亿

你想想看，Akshare 的数据是直接从东方财富网爬的，所以字段名和 Tushare 不一样。但核心逻辑一致——主力净流入 = 超大单净流入 + 大单净流入。

2.5 核心逻辑：资金流向的计算方式

搞懂数据怎么来的，比拿到数据更重要。资金流向的计算其实不复杂：

1. 把每一笔交易按金额大小分成四类：超大单（≥100万）、大单（20万-100万）、中单（4万-20万）、小单（≤4万）
2. 计算每类的买入金额和卖出金额
3. 净流入 = 买入金额 - 卖出金额
4. 主力净流入 = 超大单净流入 + 大单净流入

说白了，主力资金就是「大钱」的动向。散户看小单，机构看大单，这就是核心逻辑。

2.6 实战：批量获取全市场资金流向

单只股票的数据不够用。我建议你一次性拉全市场的，然后筛选。下面是我常用的批量获取脚本：

import tushare as ts
import pandas as pd
from datetime import datetime, timedelta

pro = ts.pro_api()

# 获取所有A股列表
stock_list = pro.stock_basic(
    exchange='',
    list_status='L',
    fields='ts_code'
)

# 获取昨天日期
yesterday = (datetime.now() - timedelta(days=1)).strftime('%Y%m%d')

# 批量获取资金流向
all_data = []
for code in stock_list['ts_code'].head(50):  # 先试50只
    try:
        df = pro.moneyflow(
            ts_code=code,
            start_date=yesterday,
            end_date=yesterday
        )
        if not df.empty:
            all_data.append(df)
    except:
        continue

# 合并数据
result = pd.concat(all_data, ignore_index=True)
print(result.head())

2.7 数据清洗与存储

拿到的数据通常需要清洗。我一般做三步：

1. 去空值：有些股票当天没有交易，数据是空的，直接删掉
2. 类型转换：把字符串日期转成 datetime，方便后续分析
3. 计算衍生指标：比如「主力净流入占比 = 主力净流入 / 成交额」

代码示例：

# 清洗函数
def clean_fund_flow(df):
    # 去空
    df = df.dropna(subset=['net_mf_vol'])
    
    # 日期转换
    df['trade_date'] = pd.to_datetime(df['trade_date'])
    
    # 计算占比
    df['net_mf_ratio'] = df['net_mf_vol'] / df['amount']
    
    return df

result_clean = clean_fund_flow(result)

存储的话，我习惯存 CSV 或直接入 MySQL。小规模用 CSV 就够了：

result_clean.to_csv('fund_flow_20240131.csv', index=False)

2.8 本章知识体系

下面这张图帮你理清本章的核心逻辑：

2.9 常见问题与避坑

• 数据对不上？ 不同平台的数据源不同，差异正常。我一般以 Tushare 为准，Akshare 做交叉验证。
• 接口报错？ 检查 token 是否过期，或者网络是否稳定。Akshare 偶尔会因网站改版而失效，关注 GitHub 更新。
• 速度太慢？ 用多线程或异步请求。但注意别被封 IP。

好了，数据获取这块就聊到这儿。工具只是手段，理解数据背后的逻辑才是关键。下一章咱们聊聊怎么把这些数据变成真正的交易信号。

---

公众号:蓝海资料掘金营，微信deep3321