AKShare（开源金融数据API库）
AKShare 是一个全面的免费Python金融数据API库，覆盖A股、港股、美股、期货、期权、基金、债券、外汇和宏观经济数据。无需注册或API Key，所有函数返回 pandas.DataFrame。
文档：https://akshare.akfamily.xyz/
安装
pip install akshare --upgrade需要 Python 3.9+（64位）。
基本用法
import akshare as ak
# 获取平安银行日K线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20240101", end_date="20240630")
print(df)函数命名规则
{asset_type}_{market}_{data_type}_{data_source}- Asset type:
stock(stocks),futures(futures),fund(funds),bond(bonds),forex(foreign exchange),option(options),macro(macroeconomics),index(indices) - Market:
zh(China),us(United States),hk(Hong Kong), or exchange codes - Data type:
spot(real-time),hist(historical),daily(daily bars),minute(minute bars) - Data source:
em(East Money),sina(Sina Finance), exchange abbreviations
股票数据（A股）
实时行情 — 全部A股
import akshare as ak
# 获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 返回字段: 序号、代码、名称、最新价、涨跌幅、涨跌额、成交量、成交额、振幅、最高、最低、今开、昨收、量比、换手率、市盈率、市净率 ...历史K线数据
# 获取指定股票历史日K线数据
df = ak.stock_zh_a_hist(
symbol="000001", # 股票代码（不带前缀）
period="daily", # 周期: "daily"(日), "weekly"(周), "monthly"(月)
start_date="20240101", # 开始日期，格式YYYYMMDD
end_date="20240630", # 结束日期
adjust="" # 复权: ""(不复权), "qfq"(前复权), "hfq"(后复权)
)
# 返回字段: 日期、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额、换手率分钟级K线数据
# 获取分钟级K线数据
df = ak.stock_zh_a_hist_min_em(
symbol="000001",
period="5", # 分钟间隔: "1", "5", "15", "30", "60"
start_date="2024-01-02 09:30:00",
end_date="2024-01-02 15:00:00",
adjust="" # 复权类型
)个股基本信息
# 获取个股基本信息
df = ak.stock_individual_info_em(symbol="000001")
# 返回字段: 总市值、流通市值、行业、上市时间、股票代码、股票简称、总股本、流通股 ...港股数据
# 港股实时行情
df = ak.stock_hk_spot_em()
# 港股历史K线数据
df = ak.stock_hk_hist(
symbol="00700", # 腾讯控股
period="daily", # 日线
start_date="20240101",
end_date="20240630",
adjust="qfq" # 前复权
)美股数据
# 美股日线数据
df = ak.stock_us_daily(symbol="AAPL", adjust="qfq")
# 美股实时行情
df = ak.stock_us_spot_em()指数数据
# A股指数历史数据 (e.g., Shanghai Composite Index 000001)
df = ak.stock_zh_index_daily_em(symbol="sh000001")
# 指数成分股 (e.g., CSI 300)
df = ak.index_stock_cons_csindex(symbol="000300")基金数据
# ETF实时行情
df = ak.fund_etf_spot_em()
# ETF历史K线数据
df = ak.fund_etf_hist_em(
symbol="510300", # 沪深300ETF
period="daily",
start_date="20240101",
end_date="20240630",
adjust="qfq"
)
# 开放式基金每日净值
df = ak.fund_open_fund_daily_em(symbol="000001")
# 基金评级
df = ak.fund_rating_all()期货数据
# 期货日线数据（按交易所汇总）
from akshare import get_futures_daily
df = get_futures_daily(start_date="20240101", end_date="20240102", market="CFFEX")
# 交易所选项: "CFFEX"(中金所), "SHFE"(上期所), "DCE"(大商所), "CZCE"(郑商所), "INE"(上海国际能源交易中心), "GFEX"(广期所)
# 期货实时行情
df = ak.futures_zh_spot()
# 期货库存数据
df = ak.futures_inventory_99(symbol="豆一")期权数据
# 交易所期权历史数据
df = ak.option_hist_dce(symbol="豆粕期权")
# 上证50ETF期权
df = ak.option_sse_spot_price(symbol="510050")债券数据
# 可转债列表
df = ak.bond_zh_cov()
# 可转债历史K线数据
df = ak.bond_zh_hs_cov_daily(symbol="sz123456")
# 中国债券现货报价
df = ak.bond_spot_quote()外汇数据
# 外汇实时行情（东方财富）
df = ak.forex_spot_em()
# 外汇即期报价（中国外汇交易中心）
df = ak.fx_spot_quote()
# 外汇掉期报价
df = ak.fx_swap_quote()宏观经济数据
# 中国CPI年度数据
df = ak.macro_china_cpi_yearly()
# 中国GDP年度数据
df = ak.macro_china_gdp_yearly()
# 中国PMI数据
df = ak.macro_china_pmi()
# 美国非农就业数据
df = ak.macro_usa_non_farm()
# 美国CPI月度数据
df = ak.macro_usa_cpi_monthly()新闻与舆情
# 个股财经新闻（东方财富）
df = ak.stock_news_em(symbol="000001")
# 央视新闻
df = ak.news_cctv(date="20240101")完整示例：下载数据并绘制K线图
import akshare as ak
import pandas as pd
import mplfinance as mpf # pip install mplfinance
# 获取贵州茅台前复权日K线数据
df = ak.stock_zh_a_hist(
symbol="600519",
period="daily",
start_date="20240101",
end_date="20240630",
adjust="qfq"
)
# 设置日期索引并重命名列为英文（mplfinance要求）
df.index = pd.to_datetime(df["日期"]) # 设置日期为索引
df.rename(columns={
"开盘": "Open", # 开盘价
"收盘": "Close", # 收盘价
"最高": "High", # 最高价
"最低": "Low", # 最低价
"成交量": "Volume" # 成交量
}, inplace=True)
# 绘制K线图（含5/10/20日均线和成交量）
mpf.plot(df, type="candle", mav=(5, 10, 20), volume=True)使用技巧
- 无需API Key或注册 — 开箱即用。
- 所有函数返回 pandas DataFrame — 可直接用于分析、导出和可视化。
- A股数据列名为中文；美股/港股数据列名为英文。
- 使用
--upgrade保持akshare最新版 — 由于上游数据源变化，接口更新频繁。 - 非Python用户可使用 AKTools HTTP API封装。
- 数据仅供学术研究使用 — 不构成投资建议。
- 完整API参考：https://akshare.akfamily.xyz/data/index.html
进阶示例
批量下载多只股票
import akshare as ak
import pandas as pd
# 定义要下载的股票列表
stock_list = ["000001", "600519", "300750", "601318", "000858"]
all_data = {}
for symbol in stock_list:
# 下载每只股票的前复权日K线数据
df = ak.stock_zh_a_hist(
symbol=symbol,
period="daily",
start_date="20240101",
end_date="20240630",
adjust="qfq"
)
df["股票代码"] = symbol # 添加股票代码列，便于后续合并
all_data[symbol] = df
print(f"已下载 {symbol}，共 {len(df)} 条记录")
# 合并所有股票数据为一个大的DataFrame
combined = pd.concat(all_data.values(), ignore_index=True)
combined.to_csv("multi_stock_data.csv", index=False)
print(f"合并总计: {len(combined)} 条记录")计算技术指标（均线、MACD、RSI）
import akshare as ak
import pandas as pd
import numpy as np
# 获取贵州茅台前复权日K线数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
start_date="20240101", end_date="20241231", adjust="qfq")
# 将收盘价转换为浮点数 (收盘 = close price)
df["收盘"] = df["收盘"].astype(float)
# 计算均线
df["MA5"] = df["收盘"].rolling(window=5).mean() # 5日均线
df["MA10"] = df["收盘"].rolling(window=10).mean() # 10日均线
df["MA20"] = df["收盘"].rolling(window=20).mean() # 20日均线
df["MA60"] = df["收盘"].rolling(window=60).mean() # 60日均线
# 计算MACD指标
ema12 = df["收盘"].ewm(span=12, adjust=False).mean() # 12日指数移动平均
ema26 = df["收盘"].ewm(span=26, adjust=False).mean() # 26日指数移动平均
df["DIF"] = ema12 - ema26 # 快线（DIF）
df["DEA"] = df["DIF"].ewm(span=9, adjust=False).mean() # 慢线（DEA）
df["MACD"] = 2 * (df["DIF"] - df["DEA"]) # MACD柱
# 计算RSI指标（14日）
delta = df["收盘"].diff()
gain = delta.where(delta > 0, 0) # 上涨幅度
loss = -delta.where(delta < 0, 0) # 下跌幅度
avg_gain = gain.rolling(window=14).mean()
avg_loss = loss.rolling(window=14).mean()
rs = avg_gain / avg_loss
df["RSI14"] = 100 - (100 / (1 + rs)) # RSI值
# 计算布林带（20日）
df["BOLL_MID"] = df["收盘"].rolling(window=20).mean() # 中轨
df["BOLL_UP"] = df["BOLL_MID"] + 2 * df["收盘"].rolling(window=20).std() # 上轨
df["BOLL_DN"] = df["BOLL_MID"] - 2 * df["收盘"].rolling(window=20).std() # 下轨
# 展示：日期、收盘价及各技术指标
print(df[["日期", "收盘", "MA5", "MA20", "DIF", "DEA", "MACD", "RSI14"]].tail(10))筛选涨停股
import akshare as ak
# 获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 筛选涨幅>9.5%的股票（接近涨停）
df["涨跌幅"] = df["涨跌幅"].astype(float) # 涨跌幅 = change percentage
limit_up = df[df["涨跌幅"] >= 9.5].sort_values("涨跌幅", ascending=False)
print(f"今日涨停/接近涨停股票: 共 {len(limit_up)} 只")
# 展示：代码、名称、最新价、涨跌幅、成交额、换手率
print(limit_up[["代码", "名称", "最新价", "涨跌幅", "成交额", "换手率"]].head(20))获取龙虎榜数据
import akshare as ak
# 获取龙虎榜详细数据
df = ak.stock_lhb_detail_em(start_date="20240101", end_date="20240131")
print(df.head())
# 获取龙虎榜营业部排名
df_dept = ak.stock_lhb_hyyyb_em(start_date="20240101", end_date="20240131")
print(df_dept.head())获取融资融券数据
import akshare as ak
# 获取沪深融资融券汇总数据
df = ak.stock_margin_sse(start_date="20240101", end_date="20240630")
print(df.head())
# 获取个股融资融券明细
df_detail = ak.stock_margin_detail_sse(date="20240102")
print(df_detail.head())获取北向资金（陆港通）数据
import akshare as ak
# 获取北向资金历史数据
df = ak.stock_hsgt_hist_em(symbol="北向资金") # 北向资金 = Northbound capital
print(df.tail(10))
# 获取北向资金持股明细
df_hold = ak.stock_hsgt_hold_stock_em(market="北向", indicator="今日排行") # 北向 = Northbound, 今日排行 = Today's ranking
print(df_hold.head(20))获取股东数据
import akshare as ak
# 获取前十大股东
df = ak.stock_gdfx_top_10_em(symbol="600519", date="20231231")
print(df)
# 获取前十大流通股东
df_float = ak.stock_gdfx_free_top_10_em(symbol="600519", date="20231231")
print(df_float)获取板块行情数据
import akshare as ak
# 获取行业板块行情
df_industry = ak.stock_board_industry_name_em()
print(df_industry.head(20))
# 获取概念板块行情
df_concept = ak.stock_board_concept_name_em()
print(df_concept.head(20))
# 获取特定板块成分股
df_stocks = ak.stock_board_industry_cons_em(symbol="银行") # 银行 = Banking
print(df_stocks)获取限售解禁数据
import akshare as ak
# 获取限售解禁数据
df = ak.stock_restricted_release_queue_em(symbol="全部A股") # 全部A股 = All A-shares
print(df.head(20))获取市场资金流向
import akshare as ak
# 获取大盘资金流向
df = ak.stock_market_fund_flow()
print(df.tail(10))
# 获取个股资金流向
df_stock = ak.stock_individual_fund_flow(stock="000001", market="sz")
print(df_stock.tail(10))完整示例：多因子选股
import akshare as ak
import pandas as pd
# 步骤1：获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 步骤2：转换数据类型
for col in ["市盈率-动态", "市净率", "换手率", "涨跌幅", "成交额"]:
df[col] = pd.to_numeric(df[col], errors="coerce")
# 步骤3：多因子筛选
# 条件1：PE 在5-30之间（排除亏损和高估值）
# 条件2：PB 在0.5-5之间
# 条件3：换手率 > 1%（合理流动性）
# 条件4：涨跌幅在-3%到3%之间（排除异常波动）
filtered = df[
(df["市盈率-动态"] > 5) & (df["市盈率-动态"] < 30) &
(df["市净率"] > 0.5) & (df["市净率"] < 5) &
(df["换手率"] > 1) &
(df["涨跌幅"] > -3) & (df["涨跌幅"] < 3)
].copy()
# 步骤4：按PE排序，选取最低PE的前20只股票
result = filtered.sort_values("市盈率-动态").head(20)
print(f"筛选出 {len(result)} 只股票:")
print(result[["代码", "名称", "最新价", "市盈率-动态", "市净率", "换手率", "涨跌幅"]])🤖 AI Agent 高阶使用指南
对于 AI Agent，在使用 AKShare 时应遵循以下高阶策略和最佳实践，以确保数据的准确性和任务的高效完成：
1. 数据校验与错误处理
在获取数据后，AI 应当主动检查数据格式是否符合预期，以及是否存在缺失值（NaN）。
import akshare as ak
import pandas as pd
def safe_get_stock_data(symbol="600519"):
try:
df = ak.stock_zh_a_hist(symbol=symbol, period="daily", start_date="20230101", adjust="qfq")
if df.empty:
return "获取的数据为空，请检查股票代码或日期范围。"
# 填充或丢弃缺失值
df = df.dropna()
return df.head()
except Exception as e:
return f"获取数据时发生错误: {str(e)}"
print(safe_get_stock_data())2. 跨市场数据聚合分析
AI 经常需要进行宏观经济分析或跨市场对比。以下演示如何组合多接口数据进行分析：
import akshare as ak
import pandas as pd
# 1. 获取 A股 指数数据（上证指数）
df_sh = ak.stock_zh_index_daily_em(symbol="sh000001")
df_sh = df_sh[['date', 'close']].rename(columns={'close': 'SH_Close', 'date': 'Date'})
# 2. 获取 美股 指数数据（标普500）
df_spx = ak.index_us_stock_sina(symbol=".INX")
df_spx = df_spx[['date', 'close']].rename(columns={'close': 'SPX_Close', 'date': 'Date'})
# 3. 合并数据进行趋势对比
df_merged = pd.merge(df_sh, df_spx, on='Date', how='inner')
print("中美股市指数对比:")
print(df_merged.tail())3. 构建动态监控指标
AI 可以定期调用以下代码来获取实时的异动信息（如涨跌停板），从而做出及时的策略响应：
import akshare as ak
# 获取当日涨停板数据
df_limit_up = ak.stock_zt_pool_em(date="20231010") # 可替换为当日日期，如 "20240101"
if not df_limit_up.empty:
print(f"发现 {len(df_limit_up)} 只涨停股票！")
# 筛选连板数大于等于3的强势股
strong_stocks = df_limit_up[df_limit_up['连板数'] >= 3]
print("强势连板股：")
print(strong_stocks[['代码', '名称', '最新价', '连板数']])
else:
print("未获取到涨停板数据，可能是非交易日。")社区与支持
由 大佬量化 维护 — 量化交易教学与策略研发团队。
微信客服: bossquant1 · Bilibili · 搜索 大佬量化 — 微信公众号 / Bilibili / 抖音