企业官网建设流程全解析

做量化分析、写复盘脚本、跟踪龙虎榜资金动向的时候，最痛苦的不是写策略，而是搞数据。早期我手动从行情软件导出Excel，格式乱七八糟还得自己清洗；后来试着写爬虫去抓网页接口，人家一改参数就全线崩盘。后来换了Tushare Pro，用Python直接拉A股行情、财务、龙虎榜数据，几行代码搞定，再也不用到处找数据了。这篇就把我实际用下来的接口选择、代码实现、坑位排查一次性讲清楚，附完整代码。

1. 为什么是Tushare Pro：数据源选型那点事

1.1 常见的A股数据获取方式，为什么最后选了Tushare

市面上获取A股数据大概这么几条路：

手动导出。通达信、同花顺、东方财富Choice都能导出日线、财务数据。适合一次性分析，但要做时间序列回测、批量拉几百只股票就完全不现实。而且导出的字段固定，想要自定义指标组合，得先在Excel里折腾半天。

爬虫抓网页接口。技术上是可行的，但痛点很明显：目标网站的前端接口经常调整，爬虫代码的生命周期可能只有几周；还要处理请求频率限制、IP封禁、动态加载参数加密等问题。投入产出比很低，尤其当你只是想拿到干净的数据做分析，而不是想研究逆向工程。

开源免费API。Baostock、AkShare、Tushare这几类是目前社区用得比较多的。AkShare侧重从公开网页聚合数据，接口数量多但字段命名和稳定性参差不齐。Baostock数据免费且不需要token，但接口功能相对基础，没有龙虎榜这类特色数据。Tushare Pro是结构化接口设计，行情、财务、龙虎榜、宏观经济等分类清晰，文档规范，字段命名统一，对需要长期稳定数据源的人来说是最省心的选择。

当然Tushare Pro也不是没有门槛，它的积分机制决定了一部分高级接口需要攒积分才能用。但基础行情和财务数据，注册后基本就能覆盖大部分需求，后面我会专门讲积分这件事怎么低成本应对。

1.2 Tushare Pro的核心设计：token、接口权限与积分机制

用过Tushare的人应该知道，它的使用流程是：注册账号 → 获取token → 调用接口。token相当于你的身份凭证，每个接口都会校验你的权限等级。这个设计的核心是积分体系：

• 120积分：注册后完成基本资料、绑定手机等操作就能获得，可调用daily（日线行情）、basic（股票列表）等基础接口。
• 2000积分：可开放财务三大报表、港股、美股等数据权限。
• 5000积分：可解锁龙虎榜、两融、期货等更细分的接口。

积分通过每日登录、社区发帖、推荐用户等方式累积，不是非得花钱充值。对我这种轻度使用者来说，最开始120积分就够把行情数据跑通了，后面慢慢攒积分逐步解锁更多接口，其实是一个很平滑的学习曲线。

从一个开发者角度看，token + 权限校验的设计比完全免费的接口更可靠，因为它在服务端做了限流和配额管理，正常频率调用很少出问题，数据质量和稳定性有保障。这个设计思路值得做技术架构的人借鉴：数据服务不怕有权限门槛，怕的是没有门槛导致被滥用，最后所有人都用不了。

2. 环境准备：从零到能跑通第一个接口

2.1 Python环境检查与tushare库安装

老规矩，先确认你的Python环境。我用的是Python 3.9以上版本，Windows和Linux都跑过，tushare的依赖只有pandas和requests，安装非常简单：

pip install tushare

如果安装速度慢，换国内镜像源：

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

装完验证一下版本：

import tushare as ts print(ts.__version__)

我当前用的是1.4.x版本，不同版本接口差异不大，但建议保持更新，有些历史版本在财务数据字段上会有细微差别。

2.2 注册、获取token与初始化连接

去Tushare Pro官网注册账号，登录后在“个人主页”里找到“接口TOKEN”，复制那串字符。这就是你调用所有接口的钥匙。

初始化方式有两种，我推荐第一种：

import tushare as ts # 方式一：全局配置token（推荐） ts.set_token('你复制的那串token') # 方式二：每次请求时手动带上token pro = ts.pro_api('你复制的那串token')

set_token只需要设置一次，后续的pro_api()调用会自动携带token。注意token是敏感的认证信息，如果代码要提交到GitHub或者分享给别人，建议用环境变量或者配置文件管理，不要硬编码在脚本里。

2.3 第一个数据请求：先拿日线行情试试手

环境就绪后，写第一行数据请求代码。以平安银行（000001.SZ）为例，拉取2024年1月的日线行情：

import tushare as ts ts.set_token('你的token') pro = ts.pro_api() df = pro.daily(ts_code='000001.SZ', start_date='20240101', end_date='20240131') print(df.head())

输出长这样：

ts_code trade_date open high close pre_close change pct_chg vol amount 0 000001.SZ 20240131 9.55 9.67 9.51 9.75 -0.24 -2.46 1090545.62 10368038.16 1 000001.SZ 20240130 9.69 9.75 9.75 9.70 0.05 0.52 750471.99 7314522.24 ...

简单解释一下核心字段：

• ts_code：股票代码，带后缀。.SZ代表深交所，.SH代表上交所，.BJ代表北交所。
• trade_date：交易日期，注意是字符串格式，不是Excel里的日期序列。
• open/high/low/close：开盘价、最高价、最低价、收盘价，单位是元。
• pre_close：前收盘价，用于计算涨跌幅的基准。
• change：涨跌额，等于close - pre_close。
• pct_chg：涨跌幅百分比。
• vol：成交量（手），注意这里不是股数，A股1手=100股。
• amount：成交金额（千元），不是元。

看到这里，你的第一份行情数据就到手了。这也是我最常用的一条接口，后面做策略回测、画K线图都靠它。

3. 三类核心数据的完整实操

3.1 行情数据：日线、周线与复权价格

日线接口的基本玩法

daily接口除了按ts_code单个股票拉取，还支持按trade_date拉取全市场某一天的行情：

# 获取2024年3月1日全市场行情 df = pro.daily(trade_date='20240301') print(df.shape) # 输出大概5000+行

这个功能在做“全市场扫描选股”场景下非常有用。举个例子，我要找当天涨幅超过5%的所有股票，一行代码搞定：

hot_stocks = df[df['pct_chg'] > 5] print(hot_stocks[['ts_code', 'close', 'pct_chg']].head(20))

周线和月线

daily接口给的是原始日频数据。要做周线、月线分析，有两种办法：一种是自己用pandas的resample聚合，另一种是直接用tushare封装好的weekly和monthly接口：

# 周线 df_w = pro.weekly(ts_code='000001.SZ', start_date='20240101', end_date='20240301') # 月线 df_m = pro.monthly(ts_code='000001.SZ', start_date='20240101', end_date='20240301')

这两个接口返回的字段和daily基本一致，省去了自己聚合代码的麻烦。

复权价格：为什么不能直接用原始价格做回测

做回测的人最容易踩的一个坑，就是直接拿原始价格计算收益率。A股上市公司动不动就分红送转，比如一只股票10派5元，除息日股价会直接下跌，这不是市场下跌，而是公司把利润分配给了股东。如果直接用原始价格算收益率，会得出一个巨大的“假亏损”。

Tushare针对这个问题提供了复权工具：

# 前复权数据 df_qfq = ts.pro_bar(ts_code='000001.SZ', adj='qfq', start_date='20240101', end_date='20240301') # 后复权数据 df_hfq = ts.pro_bar(ts_code='000001.SZ', adj='hfq', start_date='20240101', end_date='20240301')

简单类比一下：前复权是以当前价格为基准，把历史价格往下调整，保证价格连续，适合看最新的走势形态；后复权是以上市首日价格为基准，把后续价格往上调整，反映真实的累计涨幅，适合长期收益分析。如果做量化回测，建议用后复权数据，因为它的收益率计算不会受除权除息的影响。

3.2 财务数据：三大报表与关键财务指标

财务数据是我觉得Tushare做得比很多免费数据源更扎实的部分。它把财务数据拆成了多个接口，每个接口负责一类数据：

财务指标总览：fina_indicator

这个接口适合做快速筛选。它把ROE、毛利率、净利率、资产负债率等核心指标都聚合在一个表里：

df = pro.fina_indicator(ts_code='000001.SZ', start_date='20230101', end_date='20240301') print(df[['ts_code', 'end_date', 'roe', 'grossprofit_margin', 'debt_to_assets']])

字段很多，重点看这几列：

• roe：净资产收益率，衡量股东资金的赚钱效率。
• grossprofit_margin：销售毛利率，反映产品或服务的盈利能力。
• debt_to_assets：资产负债率，衡量财务杠杆水平。

利润表、资产负债表、现金流量表

如果需要更细的三张报表科目，分别用income（利润表）、balancesheet（资产负债表）、cashflow（现金流量表）：

# 利润表：营业收入、净利润等 df_income = pro.income(ts_code='000001.SZ', period='20231231') # 资产负债表：总资产、总负债、股东权益 df_balance = pro.balancesheet(ts_code='000001.SZ', period='20231231') # 现金流量表：经营/投资/筹资活动现金流 df_cashflow = pro.cashflow(ts_code='000001.SZ', period='20231231')

period参数的取值非常关键，它是YYYYMMDD格式的报告期。A股财报有季报、半年报、年报，period填20231231表示2023年年报数据。如果你填20230331，拿到的就是2023年一季报数据。

这里有一个细节处理：财务数据是按单季披露还是累计披露？Tushare的income接口返回的是报告期累计值。也就是说period=20231231的利润表，营业收入是全年累计数，不是单季数。如果你要做单季分析，比如只看2023年第四季度单独的收入，需要自己用年报减三季报：

annual = pro.income(ts_code='000001.SZ', period='20231231', fields='ts_code, revenue') q3 = pro.income(ts_code='000001.SZ', period='20230930', fields='ts_code, revenue') q4_revenue = annual['revenue'] - q3['revenue']

为什么同一家公司财报出来了，查询不到数据

这是财务接口最典型的问题：财报披露存在滞后性。年报最晚可以拖到次年4月底，所以你不能指望在1月份就查到上年年报数据。我通常是先拉一份公司公告列表，或者直接用fina_indicator接口查存在的报告期，确认数据披露后再去拉报表，避免白跑一次。

3.3 龙虎榜数据：每日明细、机构席位与资金动向

龙虎榜是很多短线选手盯数据的重点，Tushare把它做了接口化，比从交易所网站手动翻页方便太多了。

先搞清楚龙虎榜是什么

沪深交易所每天收盘后会公布当日满足特定条件的股票交易明细，这些股票会被列入龙虎榜，包括：

• 日涨跌幅偏离值达到±7%的前N只股票
• 连续三个交易日涨跌幅偏离值累计达到±20%
• 日换手率达到20%的股票
• 异常波动等其他情形

榜单会披露买入金额前五的营业部、卖出金额前五的营业部，以及机构专用席位的买卖情况。所以龙虎榜本质上是“异常交易公开信息披露”，对研究游资动向、机构行为很有价值。

每日明细接口：top_list

# 获取2024年3月1日全部龙虎榜股票明细 df = pro.top_list(trade_date='20240301') print(df.columns.tolist()) print(df[['ts_code', 'name', 'close', 'pct_change', 'l_buy', 'l_sell', 'net_amount', 'reason']].head())

重点字段：

• l_buy：龙虎榜买入总额（元）
• l_sell：龙虎榜卖出总额（元）
• net_amount：净买入额（元）
• reason：上榜原因，比如“日涨幅偏离值达到7%”

机构席位数据：top_inst

龙虎榜里最值得深挖的是机构专用席位。普通营业部可能是游资或大户，但“机构专用”四个字通常意味着公募基金、保险等大型机构在操作：

# 获取龙虎榜机构买卖明细 df_inst = pro.top_inst(trade_date='20240301') print(df_inst[['ts_code', 'name', 'buy', 'sell', 'net_buy']].head())

这个接口的数据能帮我们回答一个问题：某只股票大涨的时候，机构是在买入还是在卖出？如果股价大涨但机构席位净卖出，这个上涨的持续性就要打一个问号。

三日累计榜单：top_floating

连续涨停的股票，单日榜单往往不够看，交易所还会有三日累计榜单：

df_float = pro.top_floating(trade_date='20240301')

这个接口展示的是过去三个交易日累计的买卖情况，适合跟踪连板股的游资接力链条。

一个实用的组合查询场景

我自己经常做的一件事：找出某只股票最近30天上过龙虎榜的次数，以及机构净买入额的变化：

import pandas as pd stock_code = '000001.SZ' all_days = pd.date_range('20240201', '20240301', freq='B').strftime('%Y%m%d') records = [] for day in all_days: try: tb = pro.top_list(trade_date=day) if tb is not None and not tb.empty: stock_data = tb[tb['ts_code'] == stock_code] if not stock_data.empty: records.append(stock_data) except Exception: continue if records: result = pd.concat(records) print(result[['trade_date', 'pct_change', 'net_amount', 'reason']])

注意这里我用工作日序列逐个去查，是因为top_list在非交易日会返回空，遍历日期时要做好容错处理。

4. 实际项目中的坑与排查技巧

4.1 “没有权限”报错的定位与应对

刚接触时最容易碰到的报错是这样的：

抱歉，您没有访问该接口的权限

这个提示的意思是：当前token对应的积分不够，请求的接口不在可用范围内。

排查思路很简单，分三步：

1. 确认接口名是否在Tushare文档的“积分说明”里标明了权限门槛。比如income、balancesheet这类财务接口一般需要2000积分，而daily只需要120积分。
2. 查看自己的当前积分。在个人主页能看到实时积分值。
3. 如果积分确实不够，两个选择：一是先调用同级的替代接口，二是通过每日登录、社区签到、发布内容等方式攒积分，也可以邀请朋友注册获得赠送积分。

还有一个容易忽略的点：某些接口即使权限到了，如果请求频率超限，也会返回类似的提示。Tushare对每分钟请求次数有限制，默认是每分钟500次左右，但批量循环调用时要留意，建议在循环里加个time.sleep(0.2)来控制节奏。

4.2 数据精度、日期格式与缺失值处理

数据精度

拿到的DataFrame，float类型打印出来可能会带很多位小数，这其实是浮点数存储精度问题。比如vol列精确到小数点后两位，处理前先用round处理一遍：

df['pct_chg'] = df['pct_chg'].round(2)

如果是单笔金额特别大的数据，要注意float64的精度极限。通常Tushare返回的数据在既有的精度范围内是够用的，不需要额外处理，但做加总核对的时候，建议统一用Decimal或者先做整数化，避免浮点累加误差。

trade_date为什么是字符串

Tushare的日期字段设计成了字符串，格式YYYYMMDD。这个设计对接口传输效率来说是合理的，但对后续处理不友好。排序、筛选时需要显式转换：

df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d') df = df.sort_values('trade_date')

缺失值

财务数据很容易出现NaN。因为不同的公司披露口径不同，某些指标只在一定条件下才会披露。不要一遇到NaN就直接dropna，可能把有用的行删没了。

我的做法是先区分缺失比例：

missing_ratio = df.isna().mean() print(missing_ratio[missing_ratio > 0.3])

对于缺失比例超过30%的字段，要么去另一个接口补数据，要么放弃这个字段；低于10%的，可以用行业均值填充或者不做处理，留给后续分析模型自己处理。

4.3 批量抓取时的频率控制与缓存策略

当你需要拉取全市场5000只股票的财务数据，如果一次性循环去请求，很容易触发频率限制甚至被临时封禁。我踩过这个坑，后来形成了两个习惯：

固定频率的sleep

import time for code in stock_list: df = pro.daily(ts_code=code, start_date='20240101', end_date='20240131') time.sleep(0.3) # 控制请求频率

本地缓存

对于行情、财务这种更新频率不高的数据，强烈建议在本地落一份缓存。用CSV还是SQLite，取决于数据量。我一般用SQLite，查询方便：

import sqlite3 conn = sqlite3.connect('a股数据.db') df.to_sql('daily_行情', conn, if_exists='append', index=False)

下次再要同一批数据，先查本地库，命中就直接用，避免重复请求。这一步能把整个项目的请求量降低70%以上。

5. 一个完整的整合示例

5.1 把行情、财务、龙虎榜串起来做成一个小看板

前面介绍了三种核心数据接口，现在我把它们整合成一个实用的小工具：输入一个股票代码和一个日期范围，输出这只股票这段时间的行情走势、最新一期财务指标、上榜记录汇总。这个看板适合做个股快速尽调，或者复盘时统一梳理信息。

5.2 完整代码与输出效果

import tushare as ts import pandas as pd import time ts.set_token('你的token') pro = ts.pro_api() def stock_analysis_board(ts_code, start_date, end_date): print(f"===== {ts_code} 数据看板 =====") # 1. 行情数据（前复权） print("\n【行情概览】最近5个交易日") df_price = ts.pro_bar(ts_code=ts_code, adj='qfq', start_date=start_date, end_date=end_date) df_price = df_price.sort_values('trade_date') latest_5 = df_price.tail(5) print(latest_5[['trade_date', 'close', 'pct_chg', 'vol']].to_string(index=False)) # 2. 财务数据（最新报告期） print("\n【财务摘要】最新披露报告期") df_ind = pro.fina_indicator(ts_code=ts_code, limit=1) if not df_ind.empty: row = df_ind.iloc[0] print(f"报告期: {row['end_date']}") print(f"ROE: {row.get('roe', 'N/A')}") print(f"销售毛利率: {row.get('grossprofit_margin', 'N/A')}") print(f"资产负债率: {row.get('debt_to_assets', 'N/A')}") # 3. 龙虎榜记录 print("\n【龙虎榜】期间上榜记录") trade_days = pd.date_range(start_date, end_date, freq='B').strftime('%Y%m%d') top_list_all = [] for day in trade_days: try: df_top = pro.top_list(trade_date=day) if df_top is not None and not df_top.empty: stock_top = df_top[df_top['ts_code'] == ts_code] if not stock_top.empty: top_list_all.append(stock_top) except Exception: pass time.sleep(0.2) # 控制频率 if top_list_all: df_top_result = pd.concat(top_list_all) print(df_top_result[['trade_date', 'close', 'pct_change', 'net_amount', 'reason']].to_string(index=False)) else: print("期间未上榜") stock_analysis_board('000001.SZ', '20240201', '20240301')

输出效果大致如下：

===== 000001.SZ 数据看板 ===== 【行情概览】最近5个交易日 trade_date close pct_chg vol 20240226 10.05 0.80 912345.55 20240227 10.12 0.70 856321.44 ... 【财务摘要】最新披露报告期 报告期: 20231231 ROE: 10.58 销售毛利率: 35.2 资产负债率: 78.3 【龙虎榜】期间上榜记录 trade_date close pct_change net_amount reason 20240229 10.35 9.98 123456789.0 日涨幅偏离值达到7%

这个看板虽然简单，但已经覆盖了行情、财务、龙虎榜三类核心数据的拉取和整合逻辑。你可以在此基础上扩展：加均线指标、加财务同比环比、把多个股票循环对比，基本就把Tushare Pro的日常用法掌握了个大概。

我个人的体会是，数据接口始终是工具，真正有价值的是你怎么用这些数据去验证思路、构建策略。拿龙虎榜数据来说，单纯看机构净买入没有意义，要结合股价所处位置、成交量能、后续几天的走势一起看，才能形成有效的决策链。数据到位了，接下来就要靠你的分析逻辑了。