akshare批量获取股票历史数据的方法
akshare是一个基于Python的开源金融数据接口库，提供股票、期货、基金等多类金融数据。针对批量获取多只股票历史数据的需求，akshare提供了多种接口和灵活的处理方式。
一、选择合适的数据接口
akshare中获取股票历史数据的核心接口是stock_zh_a_hist，该接口用于获取A股个股的历史行情。其参数包括symbol（股票代码）、period（周期，如日、周、月）、start_date和end_date（日期范围）、adjust（复权类型）等。该接口返回DataFrame，包含日期、开盘、收盘、最高、最低、成交量等字段。
对于多只股票，常见的做法是循环调用该接口，并将结果合并。但需要注意接口的调用频率限制，避免触发反爬机制。
二、批量获取的两种主流方式
1. 循环请求与数据合并
手动编写循环遍历股票代码列表，每次调用stock_zh_a_hist获取单只股票数据，然后利用pandas的concat函数纵向合并。合并时，可以在数据中添加一个“股票代码”列以区分不同股票。
import akshare as ak
import pandas as pd
# 股票代码列表
stock_list = ['000001', '600000', '000002']
# 存储所有数据的列表
alldata = []
for code in stock_list:
# 获取单只股票历史数据
df = ak.stock_zh_a_hist(symbol=code, period='daily', start_date='20230101', end_date='20231231', adjust='qfq')
# 添加股票代码列
df['股票代码'] = code
alldata.append(df)
# 简单延迟，避免请求过快
time.sleep(0.1)
# 合并所有数据
combined_df = pd.concat(alldata, ignore_index=True)
# 按日期和代码排序
combined_df.sort_values(['日期', '股票代码'], inplace=True)
这种方式简单直接，适用于股票数量较少（几十只）的情形。缺点是需要二次排序，且频繁请求可能被服务器拒绝。
2. 使用akshare的批量接口（如果存在）
akshare部分接口支持批量参数，比如stock_zh_a_hist本身不支持多代码同时获取，但其他接口如stock_zh_a_spot可以获取所有股票的实时快照，但历史数据则没有统一批量接口。因此，更高效的方式是使用异步请求或线程池来并发获取，但需注意akshare内部实现为同步请求，并发需自行实现。
三、高效批量获取的策略
对于大规模批量获取（数百只股票），建议采用以下策略：
增加休眠时间：在每次请求后设置适当的
time.sleep(0.5)左右，降低封IP风险。使用代理或更换IP：若需获取大量数据，可配置多个代理IP随机轮换。
缓存机制：设计本地缓存（如pickle或parquet），避免重复请求相同数据。
断点续传：记录已成功的股票，失败时重试，确保任务完成。
代码实现时，可以结合tqdm显示进度，便于监控。
from tqdm import tqdm
import time
# 增加进度条
for code in tqdm(stock_list):
try:
df = ak.stock_zh_a_hist(symbol=code, period='daily', start_date='20230101', end_date='20231231', adjust='qfq')
df['股票代码'] = code
alldata.append(df)
except Exception as e:
print(f"{code} 获取失败: {e}")
continue
time.sleep(0.2) # 合理休眠
四、处理数据的一致性和完整性
批量获取的数据可能存在缺失日期或停牌问题。对于合并后的数据，可进行以下处理：
检查缺失：每只股票的日期范围是否一致，可使用
pd.date_range生成交易日历检查。去重：若重试导致重复，需去重。
对齐：若需要面板数据（宽表），可使用
pivot操作将数据透视为以日期为索引、股票代码为列的形式。
# 透视成宽表：每个变量一个宽表
close_pivot = combined_df.pivot(index='日期', columns='股票代码', values='收盘')
五、一次获取多只股票的简化函数
封装一个函数以简化调用，该函数接受股票列表和日期参数，返回合并后的DataFrame。
def fetch_stock_history(stock_list, start_date, end_date, period='daily', adjust='qfq'):
data_list = []
for code in stock_list:
df = ak.stock_zh_a_hist(symbol=code, period=period, start_date=start_date, end_date=end_date, adjust=adjust)
if not df.empty:
df['股票代码'] = code
data_list.append(df)
time.sleep(0.1)
if data_list:
return pd.concat(data_list, ignore_index=True)
else:
return pd.DataFrame()
使用此函数，即可获取多只股票在指定时间段内的历史数据，后续可直接用于计算收益率、波动率等。
六、实际应用中的注意事项
数据源限制：akshare的数据源来自东方财富、新浪等，可能存在更新延迟或字段差异，需及时关注文档。
复权问题：使用前复权（qfq）更适合技术分析，后复权（hfq）用于收益计算，需根据需求选择。
频率限制：akshare没有官方QPS规定，但过快的请求可能被临时封禁，建议控制请求间隔。
内存占用：获取长期大规模数据时，注意合并后DataFrame所占内存，可使用
dtype压缩或分块保存。
七、案例分析：获取沪深300成分股历史数据
假设需要获取沪深300成分股过去一年的日线数据。第一步，通过akshare获取成分股列表index_stock_cons，然后批量请求。
# 获取沪深300成分股代码
stock_cons = ak.index_stock_cons(symbol='000300')
code_list = stock_cons['品种代码'].tolist()[:10] # 示例仅取前10只
data = fetch_stock_history(code_list, start_date='20230101', end_date='20231231', adjust='qfq')
运行后即可获得一个包含所有股票历史数据的大型DataFrame。
akshare库完全支持批量获取多只股票的历史数据，通过循环请求和pandas合并即可实现。关键在于控制请求频率、处理异常、优化合并方式。对于量化研究，此方法可快速构建个股历史数据库，为后续的分析奠定基础。
无论是个人投资者还是量化团队，利用akshare批量获取数据都能大幅提升数据准备效率。掌握该方法，即可轻松获取A股海量历史行情数据。
