金融数据获取：使用yfinance、Tushare、AkShare等库获取股票历史行情数据，处理复权、缺失值

量化分析的第一步永远是数据。无论你的策略逻辑多么精妙、回测框架多么高效，如果底层行情数据存在复权错误、缺失值未处理或字段口径不一致，最终的回测结果都将失真，甚至得出完全相反的结论。本章将聚焦于Python生态中最常用的三个金融数据库——yfinance、Tushare和AkShare，深入讲解如何获取股票历史行情数据，并重点解决复权因子计算与缺失值处理这两个核心工程问题。我们将从数据源特性对比、API调用规范、数据清洗流程到实战案例拆解，构建一套完整、可复用的数据获取与预处理流水线。

核心原理：三大数据源与复权机制的本质

在开始编写代码之前，理解数据源的本质差异和复权机制的原理至关重要。yfinance、Tushare和AkShare虽然都能返回OHLCV（开盘、最高、最低、收盘、成交量）数据，但它们的底层数据来源、更新频率、字段定义和复权处理方式存在显著差异。

yfinance 非官方地抓取Yahoo Finance的数据，无需注册，适合快速原型验证和海外市场数据获取。其返回的DataFrame索引为DatetimeIndex，包含Adj Close列（前复权收盘价）。但Yahoo的复权因子计算逻辑不透明，且在中国大陆网络环境下访问不稳定。

Tushare Pro 是国内最专业的量化数据平台之一，需要注册并获取，积分制访问不同权限的数据。其pro_bar接口支持复权因子（qfq、hfq）的直接计算，数据质量高，字段规范，但积分门槛限制了高频或全量数据的获取。

AkShare 是一个开源爬虫库，聚合了东方财富、新浪财经等公开数据源。接口丰富、免费无限制，但数据格式因源而异，需要较多的清洗工作，且接口变动频繁。

复权机制的核心在于处理上市公司分红、送股、配股等事件对股价造成的非交易性跳空。前复权（qfq）以当前价格为基准，调整历史价格，保证价格连续性，适合技术分析；后复权（hfq）以上市首日价格为基准，适合计算真实收益率。不复权（raw）数据则保留原始价格，但会因除权除息产生价格缺口，直接用于回测会产生虚假的收益信号。

数据源	认证方式	复权支持	数据质量	适用场景
yfinance	无需Key	仅前复权(Adj Close)	中等，偶有缺失	海外市场、快速验证
Tushare Pro	+积分	qfq/hfq/raw	高，字段规范	国内A股、专业回测
AkShare	无需Key	需自行计算	中等，格式多样	免费爬取、多源对比

操作流程：从API调用到数据清洗的标准流水线

构建一个健壮的数据获取流程，需要遵循“配置-获取-校验-清洗-存储”的五步方法论。以下以获取贵州茅台（600519.SH）近一年的日线数据为例，展示三种库的标准调用方式。

# 1. yfinance 调用示例
import yfinance as yf
df_yf = yf.download("600519.SS", start="2023-01-01", end="2024-01-01", auto_adjust=True)
# auto_adjust=True 自动返回前复权数据，但会丢失原始OHLC

# 2. Tushare Pro 调用示例
import tushare as ts
ts.set_('你的')
pro = ts.pro_api()
df_ts = pro.daily(ts_code='600519.SH', start_date='20230101', end_date='20240101')
# 获取复权因子
adj_factor = pro.adj_factor(ts_code='600519.SH', start_date='20230101', end_date='20240101')
# 合并后自行计算前复权价格：qfq_close = close * (adj_factor / latest_adj_factor)

# 3. AkShare 调用示例
import akshare as ak
df_ak = ak.stock_zh_a_hist(symbol="600519", period="daily", start_date="20230101", end_date="20240101", adjust="qfq")
# adjust参数支持qfq/hfq/""，但返回的列名为中文

获取数据后，必须进行统一的格式标准化。首先将日期列转换为统一的DatetimeIndex，并按照时间升序排序。其次，统一列名为小写英文（open, high, low, close, volume）。最后，检查索引的连续性——A股市场有法定节假日和周末休市，需要与交易日历对齐，识别出因停牌或数据缺失导致的空值。

案例拆解：构建一个完整的A股数据管道

假设我们需要为沪深300成分股构建一个日线级别的回测数据库，要求包含前复权价格、成交量，并处理停牌导致的缺失值。我们选择Tushare Pro作为主数据源，因为其数据质量最稳定。

背景与约束： 本地服务器定时任务每日18:00运行，需要增量更新数据。网络带宽有限，单次请求限制5000行。策略回测需要至少3年的历史数据。

初始现象与目标： 直接使用pro.daily()获取的数据存在两个问题：一是停牌日数据缺失，导致DataFrame行数少于实际交易日；二是未复权价格在除权日出现跳空，直接计算收益率会产生虚假的负收益。

分析判断过程： 我们决定采用“先获取不复权数据+复权因子，再自行计算前复权价格”的策略。这样既保留了原始价格信息，又能灵活切换复权方式。对于缺失值，我们使用交易日历（pro.trade_cal()）生成完整的日期序列，然后对停牌日进行标记。

实际操作步骤：

1. 获取交易日历，生成2021-2024年的完整交易日列表。
2. 循环获取每只股票的daily数据和adj_factor数据，合并后计算前复权价格。
3. 使用df.reindex(full_trade_days)将数据对齐到完整交易日，缺失的OHLC填充为NaN，volume填充为0。
4. 对于停牌超过5个交易日的股票，在数据库中标记is_suspended=True，回测时跳过这些时段。
5. 将清洗后的数据追加写入Parquet文件，按股票代码分区存储。

结果对比与复盘： 处理前，直接使用原始数据回测一个简单的均线策略，年化收益率为-15%（因除权跳空导致虚假卖出信号）。处理后，同一策略的年化收益率为+8.5%，与Wind终端的数据核对一致。关键经验是：复权因子必须与价格数据同步更新，如果某日公司进行了大比例分红，而我们的因子表未更新，会导致后续所有价格计算错误。

常见误区与总结复盘

误区一：忽略复权因子的时效性。 复权因子是随时间变化的。今天获取的前复权数据，在明天公司分红后，历史价格会整体变化。因此，回测数据必须一次性生成并固化，不能每次回测时实时获取，否则结果不可复现。

误区二：将所有缺失值都填充为前值。 停牌和缺失是两回事。停牌期间不应有交易，填充前值会引入未来信息（look-ahead bias）。对于停牌，应保留NaN并标记；对于日内短暂缺失（如数据源返回空值），可以使用前值填充，但需在日志中记录。

误区三：忽视成交量与价格的匹配。 在除权日，成交量也会进行相应调整（如送股后成交量放大）。如果只复权价格不复权成交量，会导致量价关系失真。Tushare的daily接口返回的vol是手数，在复权时无需调整，但需注意单位一致性。

误区四：数据源切换导致的口径不一致。 不同数据源的OHLC定义可能不同（如是否包含集合竞价）。在构建多源备份时，必须定义统一的数据字典，并在写入数据库前进行字段映射和校验。