第2章数据源与采集

第2章：数据源与采集：主流金融数据API（Tushare、AKShare）、数据清洗与预处理

做资金流向图分析，第一步不是写代码，而是找数据。

我见过太多人一上来就调包、画图，结果数据源选错了，后面全白干。说白了，数据质量决定了分析的天花板。这一章，我们就来聊聊怎么拿到靠谱的资金流向数据，以及拿到之后怎么处理成能用的样子。

2.1 主流金融数据API选型

国内做量化，绕不开两个库：Tushare 和 AKShare。我个人习惯两个都装，因为各有各的强项。

对比维度	Tushare Pro	AKShare
数据覆盖	A股、基金、期货、宏观	A股、港股、美股、期货、外汇、宏观
资金流向	主力资金、北向资金（需积分）	主力资金、北向资金（免费）
调用方式	Token认证，按积分限频	无需Token，直接调用
数据质量	高，字段规范	中高，部分字段需自行清洗
适合场景	专业量化、回测	快速原型、多市场分析

我的建议：如果你做的是A股资金流向分析，优先用Tushare Pro。它的「moneyflow」接口字段非常完整，省去很多清洗工作。AKShare适合做跨市场对比，或者你不想注册账号的时候用。

2.2 Tushare实战：获取个股资金流向

先看Tushare怎么用。你需要先注册拿到token，然后安装库：

pip install tushare

代码示例：

import tushare as ts

# 设置token（记得换成你自己的）
ts.set_token('你的token')
pro = ts.pro_api()

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

print(df.head())

返回的字段里，有几个关键指标：

buy_lg_amount：超大单买入金额
buy_elg_amount：大单买入金额
buy_sm_amount：小单买入金额
net_mf_amount：净流入金额（正数代表流入）

注意：我曾经踩过一个坑——Tushare的「净流入」是按「买入-卖出」计算的，但不同券商对「大单」的定义不一样。有的按金额阈值（比如100万），有的按成交量占比。所以做跨股票对比时，要确认口径一致。

2.3 AKShare实战：快速获取北向资金

AKShare的好处是免费，而且数据源直接来自东方财富。我经常用它来拉北向资金数据：

import akshare as ak

# 获取北向资金流入流出
df = ak.stock_hsgt_north_net_flow_in_em(symbol="沪股通")
print(df.tail())

这个接口返回的是每日累计净流入。如果你想看个股的北向资金持仓变化，可以用：

# 获取个股北向资金持股
df = ak.stock_hsgt_individual_em(
    market="沪股通",
    indicator="持股市值"
)
print(df.head())

嗯，这里要注意：AKShare的字段名是中文的，比如「持股数量」「持股市值」。做数据分析前，我习惯先统一转成英文列名，方便后续处理。

2.4 数据清洗与预处理

数据拿到手，别急着分析。我见过太多人直接拿原始数据画图，结果发现趋势线是反的——因为数据里有空值或者单位不一致。

清洗流程我总结为三步：

缺失值处理：资金流向数据偶尔会有空值，尤其是节假日前后。我一般用前向填充（ffill）或者直接删除。
数据类型转换：金额字段经常是字符串（比如"1.23亿"），需要转成数值。
异常值过滤：比如某天资金流入突然放大100倍，多半是数据错误，要剔除。

代码示例：

import pandas as pd

# 假设df是原始数据
# 1. 处理缺失值
df = df.dropna(subset=['net_mf_amount'])

# 2. 转换金额单位（从"亿"转为元）
def parse_amount(val):
    if isinstance(val, str):
        if '亿' in val:
            return float(val.replace('亿', '')) * 1e8
        elif '万' in val:
            return float(val.replace('万', '')) * 1e4
    return float(val)

df['net_mf_amount'] = df['net_mf_amount'].apply(parse_amount)

# 3. 过滤异常值（超过3倍标准差视为异常）
mean = df['net_mf_amount'].mean()
std = df['net_mf_amount'].std()
df = df[(df['net_mf_amount'] > mean - 3*std) & 
        (df['net_mf_amount'] < mean + 3*std)]

    核心要点：资金流向数据最怕「幸存者偏差」。比如你只分析有数据的股票，但那些停牌或者数据缺失的股票可能才是关键。我建议清洗时记录一下删除了多少行，做到心里有数。

2.5 知识体系总览

下面这张图，是我做资金流向分析时脑子里始终绷着的一根弦。数据源、清洗、存储，每一步都影响最终结果：

2.6 避坑指南

最后分享几个我实战中遇到的坑：

数据延迟：Tushare的日频数据一般在收盘后1-2小时更新。如果你在盘中调接口，拿到的是前一日数据。我曾经因为这个原因，在盘中策略里用错了数据，回测曲线漂亮，实盘一塌糊涂。
复权问题：资金流向数据通常不复权。但如果你要结合价格做分析，记得用后复权价格。否则分红送股后，资金流向和价格对不上。
接口限频：Tushare免费版每分钟只能调200次。批量拉数据时，我习惯加个time.sleep(0.5)，避免被封。

小技巧：如果你需要长期保存数据，建议每天收盘后拉一次，存到本地CSV或SQLite。这样下次分析时直接读本地，又快又稳。我自己的数据库里，已经攒了3年的资金流向数据了。

好了，数据源和清洗这块就聊到这儿。记住一句话：好数据是好分析的前提。下一章我们会用这些数据，真正开始画资金流向图。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录