如何使用AKShare获取和分析股票日线行情数据？

📅 2026-09-03 18:10👁️ 9685 阅读💬 0 评论

企业微信

AKShare获取股票日线数据的核心函数

AKShare的stock_zh_a_hist函数用于获取A股历史行情，参数包括symbol（股票代码）、period（周期）、start_date、end_date、adjust（复权类型）。返回DataFrame包含日期、开盘、收盘、最高、最低、成交量等字段。

代码示例：

如何使用AKShare获取和分析股票日线行情数据？


import akshare as ak

df = ak.stock_zh_a_hist(symbol='000001', period='daily', start_date='20230101', end_date='20231231', adjust='qfq')

print(df.head())

输出数据包含14列，如日期、股票代码、开盘、收盘、最高、最低、涨跌幅、换手率等。需注意，列名以中文输出，需进行标准化处理。

数据清洗与预处理步骤

获取原始数据后，需执行以下清洗步骤：

检查并处理缺失值，删除或填充NaN行。
将列名转换为英文或统一格式，便于后续分析。
将日期列转换为datetime类型，并设为索引，便于时间序列操作。
按日期排序，确保数据时间顺序正确。

预处理代码：


import pandas as pd

df.columns = ['date', 'code', 'open', 'close', 'high', 'low', 'volume', 'amount', 'amplitude', 'pct_change', 'change', 'turnover']

df['date'] = pd.to_datetime(df['date'])

df = df.set_index('date').sort_index()

df = df.dropna(subset=['open', 'close', 'high', 'low', 'volume'])

计算常用技术指标

技术指标是股票分析的基础，常计算移动平均线（MA）、指数平滑异同移动平均线（MACD）、相对强弱指数（RSI）等。

移动平均线（MA）

使用pandas的rolling函数计算5日、20日、60日均线。


df['MA5'] = df['close'].rolling(window=5).mean()

df['MA20'] = df['close'].rolling(window=20).mean()

MACD指标

MACD由快线（DIF）、慢线（DEA）和柱状图构成，可自定义函数计算。


def MACD(df, fast=12, slow=26, signal=9):

    df['EMA_fast'] = df['close'].ewm(span=fast, adjust=False).mean()

    df['EMA_slow'] = df['close'].ewm(span=slow, adjust=False).mean()

    df['DIF'] = df['EMA_fast'] - df['EMA_slow']

    df['DEA'] = df['DIF'].ewm(span=signal, adjust=False).mean()

    df['MACD_bar'] = 2 * (df['DIF'] - df['DEA'])

    return df

df = MACD(df)

RSI指标

相对强弱指数衡量价格变动速度与幅度，计算周期常用14日。


def RSI(df, period=14):

    delta = df['close'].diff()

    gain = delta.clip(lower=0)

    loss = -delta.clip(upper=0)

    avg_gain = gain.rolling(window=period).mean()

    avg_loss = loss.rolling(window=period).mean()

    rs = avg_gain / avg_loss

    df['RSI'] = 100 - (100 / (1 + rs))

    return df

可视化分析行情趋势

通过图表直观观察价格走势和指标信号，可使用matplotlib或plotly绘制。


import matplotlib.pyplot as plt

plt.figure(figsize=(12,8))

plt.plot(df.index, df['close'], label='Close Price')

plt.plot(df.index, df['MA5'], label='MA5')

plt.plot(df.index, df['MA20'], label='MA20')

plt.legend()

plt.title('Stock Price and Moving Averages')

plt.show()

构建简单交易策略

基于技术指标构建策略，如金叉买入、死叉卖出。


df['Position'] = 0

df.loc[df['MA5'] > df['MA20'], 'Position'] = 1

df['Signal'] = df['Position'].diff()

buy_signals = df[df['Signal'] == 1]

sell_signals = df[df['Signal'] == -1]

通过回测评估策略绩效，计算收益率、最大回撤等。

数据更新与批量处理

使用循环批量获取多只股票数据，并更新到本地文件或数据库。


stock_list = ['000001', '600000', '000002']

for code in stock_list:

    df_new = ak.stock_zh_a_hist(symbol=code, period='daily', start_date='20240101', end_date='20240301', adjust='qfq')

    # 处理并保存数据