2. 数据获取：如何用Python获取实时股票和可转债行情数据？

做量化交易，第一步就是搞定数据。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把这「菜」买得又快又新鲜。

2.1 数据源的选择：免费还是付费？

先说说数据源。市面上能拿行情数据的渠道不少，我列几个常用的：

数据源	类型	实时性	费用	我的评价
akshare	开源库	准实时（延迟1-3秒）	免费	入门首选，够用
tushare	开源库	准实时	免费/付费	老牌，但积分限制多
baostock	开源库	日线为主	免费	历史数据不错，实时不行
券商API	官方接口	实时	开户即可	最稳，但有门槛
聚宽/米筐	量化平台	实时	付费	专业级，适合机构

我个人最常用的是 akshare。为什么？因为它免费、接口统一、文档还算友好。我在项目中遇到过几次数据源突然挂掉的情况，akshare 的社区响应速度是最快的。

2.2 安装与基础配置

先装库。打开终端，一行命令搞定：

pip install akshare pandas

嗯，这里要注意。akshare 依赖的库比较多，如果遇到安装报错，多半是网络问题。我建议用国内镜像：

pip install akshare -i https://pypi.tuna.tsinghua.edu.cn/simple

装好之后，在Python里导入：

import akshare as ak
import pandas as pd

搞定。就这么简单。

2.3 获取实时股票行情

股票行情数据，akshare 提供了 stock_zh_a_spot_em 这个接口。名字有点长，但功能很直接——获取A股实时行情。

看代码：

# 获取全市场A股实时行情
df_stock = ak.stock_zh_a_spot_em()
print(df_stock.head())

跑一下，你会看到类似这样的输出：

    代码      名称  最新价   涨跌幅   涨跌额   成交量    成交额
0  600000  浦发银行  7.12   0.42%   0.03   12.3万  8765万
1  600004  白云机场  12.35 -0.56%  -0.07   8.7万  1.07亿
...

数据量很大，全市场5000多只股票。但我们做正股联动，通常只关注少数几只。怎么筛选？

比如我只想看「贵州茅台」和「宁德时代」：

# 筛选指定股票
target_stocks = ['600519', '300750']
df_filtered = df_stock[df_stock['代码'].isin(target_stocks)]
print(df_filtered[['代码', '名称', '最新价', '涨跌幅']])

2.4 获取实时可转债行情

可转债的接口类似，叫 bond_zh_cov_spot_em。名字里多了个 cov，代表可转债（Convertible Bond）。

# 获取全市场可转债实时行情
df_bond = ak.bond_zh_cov_spot_em()
print(df_bond.head())

输出长这样：

    代码      转债名称  最新价   涨跌幅   正股代码  转股价值  溢价率
0  110044  大秦转债  112.50  0.18%  601006  108.20  3.97%
1  113050  南银转债  118.30 -0.22%  601009  120.15 -1.54%
...

注意看，这里直接包含了「正股代码」和「溢价率」字段。这对我们做正股联动分析来说，简直是天赐之物。

我曾经踩过一个坑：可转债的代码和股票代码格式不一样。股票是6位数字，可转债也是6位，但前两位是11、12、13开头。筛选的时候千万别搞混。

2.5 合并股票与可转债数据

做正股联动，核心就是把正股和转债的数据拼在一起。怎么拼？用「正股代码」作为桥梁。

看代码：

# 1. 获取股票数据
df_stock = ak.stock_zh_a_spot_em()
# 只保留需要的字段
df_stock = df_stock[['代码', '名称', '最新价', '涨跌幅']]
df_stock.columns = ['stock_code', 'stock_name', 'stock_price', 'stock_pct']

# 2. 获取转债数据
df_bond = ak.bond_zh_cov_spot_em()
# 只保留需要的字段
df_bond = df_bond[['代码', '转债名称', '最新价', '涨跌幅', '正股代码', '溢价率']]
df_bond.columns = ['bond_code', 'bond_name', 'bond_price', 'bond_pct', 'stock_code', 'premium']

# 3. 合并
df_merged = pd.merge(df_bond, df_stock, on='stock_code', how='left')
print(df_merged.head())

合并之后，每一行就是一只可转债，同时带着正股的最新行情。这样你就能一眼看出：正股涨了3%，转债才涨0.5%，溢价率是不是在扩大？

2.6 实时刷新与定时任务

行情是动态的。你不可能手动一遍遍跑代码。怎么办？加个定时器。

最简单的做法：

import time

def fetch_realtime_data():
    """获取实时数据并打印"""
    df_stock = ak.stock_zh_a_spot_em()
    df_bond = ak.bond_zh_cov_spot_em()
    # ... 合并逻辑同上 ...
    print(f"数据更新时间：{pd.Timestamp.now()}")
    return df_merged

# 每30秒刷新一次
while True:
    data = fetch_realtime_data()
    # 这里可以加你的策略判断逻辑
    time.sleep(30)

嗯，这里要注意。akshare 的免费接口有频率限制。我实测下来，每秒请求不要超过2次，否则会被封IP。30秒刷新一次，对套利策略来说完全够用。

你想想看，正股联动偏离度的变化，通常是以分钟为单位的。30秒刷新一次，已经比大多数散户反应快了。

2.7 本章知识体系

说了这么多，咱们用一张图把核心逻辑串起来：

这张图把整个流程分成了四层：数据源、获取、处理、输出。每一层都有对应的代码实现。你照着这个框架搭，基本不会出错。

2.8 写在最后

数据获取这块，说白了就是三板斧：选对源、调对接口、拼好数据。代码量不大，但细节不少。

我个人习惯把数据获取封装成一个类，每天开盘前自动跑一次，然后每30秒刷新。这样既保证了实时性，又不会把API搞崩。

好了，数据到手了。下一章咱们聊聊怎么用这些数据计算「正股联动偏离度」，以及怎么捕捉套利机会。

---