直接说结论：A股免费行情数据源里，Tushare 属于绕不开的那一个。做 Python 量化、搞策略回测、做个股筛选，第一步就是解决数据问题。你如果不想花钱买 Wind 或者聚宽的数据终端，也不想定期手工去爬东财、新浪的接口，那 Tushare 基本是最省心的方案——注册免费、接口稳定、覆盖面广，日线、分钟线、基本面、指数成分、资金流向都能拿。这篇就把我从注册到跑通全套接口的过程完整拆出来，包括 token 怎么拿、接口报错怎么处理、积分不够怎么办、本地怎么缓存，里面全是实操中踩过的坑。

1. Tushare 到底是什么，免费额度够不够用

先说清楚 Tushare 在量化数据链路上的定位。它本质是一个聚合式的金融数据 API 服务，提供了 HTTP 接口和 Python SDK 包，你通过注册账号拿到一个 token，之后所有请求都带这个 token 去调数据。数据覆盖股票、指数、基金、期货、期权、宏观、另类数据，对个人量化玩家来说，最常用的就是 A 股日线行情、复权因子、每日指标、财务报表和指数成分股这几块。

很多人一听“免费”就担心够不够用。我直接给结论：个人做日频策略、周频调仓、筛选股票池，免费档位完全够；做高频、做分钟级 T+0、做全市场 tick 级回测，不够，得靠积分升级。Tushare 的积分体系是它区别于其他免费数据源的关键——你注册以后默认有 120 积分左右（具体以官网当前规则为准），能调用的是基础接口的基础频率。积分怎么赚？充值是一方面，但更多人是通过社区贡献、发布优质内容、邀请注册来攒积分。实际体验下来，日线接口在免费档下每分钟调用次数有限制，但只要你不是疯狂循环请求，正常写策略回测不会触发限流。

1.1 为什么强烈建议用 Tushare 而不是自己爬网页

自己爬行情数据不是不行，但成本非常高。东财、新浪的网页接口格式说变就变，而且接口返回的字段经常是拼凑的，缺复权因子、缺停牌标记、除权除息数据不完整。我曾经用爬虫方案跑了两个多月，某天接口调整，整个股票池的复权价全部错位，回测出来的盈亏曲线直接没法看。后来切换到 Tushare，最直观的感受是字段统一、文档清晰、数据源头稳定。

另一个关键点是复权处理。做策略回测必须要用复权价格，否则分红除权那天K线会跳空，导致虚假的收益信号。Tushare 的pro_bar接口直接支持qfq（前复权）和hfq（后复权），底层帮你算好复权因子，这是网页爬虫很难做到的——你爬回来的原始价格必须自己处理除权除息事件，财务数据、送转比例、分红公告要自己匹配时间点，工作量巨大。

1.2 需要避开的认知误区：Tushare 不是纯免费到底

在社区里常看到有人吐槽“Tushare 不是真正免费，高积分接口要钱”。这个说法对也不对。实际情况是：基础接口免费且无积分门槛，比如股票日线、复权因子、基础信息；高积分接口需要积分达到一定阈值才能调用，比如分钟数据、资金流向、龙虎榜这些。对新手来说，日线回测和选股已经覆盖 80% 的入门需求，用不着上来就追高频数据。

我的建议是：先把非积分接口用到极致，搞清楚数据字段含义，跑通回测流程，再根据策略需求决定要不要升级积分。而且积分可以慢慢攒，社区任务、文章贡献、邀请都是渠道，不必一上来就花钱。

2. 注册、装包、拿 Token：10 分钟跑通第一个请求

Tushare 的使用流程非常固定，你只要跑通一次，后面就是填参数调接口的事情。我按顺序过一遍完整流程，包括我实际遇到的坑。

2.1 注册账号和获取 Token

打开 Tushare 官网，用手机号注册，登录后进入“个人主页”，在“接口TOKEN”页面可以看到一串字符，这就是你调用接口的凭证。切记：Token 不要提交到公开仓库，不要写在博客代码里，不要复制到聊天工具中。我有一次不小心把 token 写进一个公开的 Jupyter Notebook，不到两小时就收到异常访问提醒，吓得我当场重置。现在我都用环境变量或本地配置文件来存。

Token 相当于你身份认证的钥匙，所有数据请求都会带上它，泄露了别人就能消耗你的调用额度，甚至访问你的权限范围内的数据。建议拿到后立刻存到本机环境变量里：

export TUSHARE_TOKEN="你的token字符串"

Windows 用户可以在系统环境变量里加，也可以在代码里读本地配置文件。

2.2 安装 Tushare 并验证连通性

用 pip 安装，一条命令搞定：

pip install tushare

装完以后在 Python 里初始化并验证：

import tushare as ts import os ts.set_token(os.environ.get("TUSHARE_TOKEN")) pro = ts.pro_api() # 拉取某只股票最近5个交易日日线行情 df = pro.daily(ts_code="000001.SZ", start_date="20240101", end_date="20240110") print(df.head())

第一次跑通你会看到一行行包含 open、high、low、close、pre_close、change、pct_chg、volume、amount 的表格数据。这里ts_code的格式是“代码.交易所后缀”，深交所是SZ，上交所是SH。这个格式跟你在行情软件里看到的纯数字代码不一样，是 Tushare 全市场统一风格，别搞混。北交所的股票后缀是BJ，注意这一点，很多新手拿北交所代码去查日线，接口直接返回空 DataFrame。

2.3 我的实际建议：先写个通用查询封装

不要每次调用都直接pro.daily(...)，建议自己包装一层，统一管理 token、超时重试、返回空数据的处理。我自己的封装核心大概是这样的：

import time import tushare as ts import pandas as pd from functools import lru_cache ts.set_token("从环境变量读取") pro = ts.pro_api() @lru_cache(maxsize=256) def fetch_daily(ts_code, start_date, end_date): for attempt in range(3): try: df = pro.daily(ts_code=ts_code, start_date=start_date, end_date=end_date) if df is None or df.empty: return pd.DataFrame() return df.sort_values("trade_date") except Exception as e: print(f"请求失败，重试 {attempt + 1}/3: {e}") time.sleep(1) return pd.DataFrame()

lru_cache在这里很重要。回测里面同一只股票同一时间段会被反复查询，缓存能直接把内存命中提升几十倍。网络请求是 IO 密集操作，每次调用大概几十到几百毫秒，循环 3000 只股票全量拉取时，缓存和不缓存的耗时差距是分钟级和小时级的区别。

3. 核心接口逐个拆解：日线、复权、每日指标、财务数据

这一部分是整篇的重头戏。Tushare 的接口很多，但量化用得最密集的就那么几个。我把它们按使用频率排序，逐个讲清楚参数、返回字段和实战注意点。

3.1pro.daily日线行情接口，最基础但最常用

这是最核心的接口。参数很简单：ts_code（股票代码）、trade_date（交易日期）或start_date+end_date（日期区间）。注意日期的格式是YYYYMMDD纯数字字符串，不是YYYY-MM-DD，这个我曾经转换格式弄错，查了半天才发现接口返回空。

返回字段包括：

这里有一个容易踩坑的地方：vol的单位是“手”，不是“股”。1 手 = 100 股。如果你算换手率或者流动性指标，得先换算。另外amount的单位是“千元”，不是“元”。我第一次统计某只票的成交额，直接用amount.sum()，算出来数字比实际大了 1000 倍，后来检查单位说明才发现问题。

pro.daily默认返回的是未复权价格。做策略回测必须处理复权，见下一步。

3.2ts.pro_bar复权行情，回测必用

ts.pro_bar是 Tushare 封装好的高级接口，可以在一个函数里完成复权计算，比先拉原始数据再自己算复权因子方便得多。

df = ts.pro_bar(ts_code="000001.SZ", adj="qfq", start_date="20230101", end_date="20240101")

参数adj有三个取值：None（不复权）、qfq（前复权）、hfq（后复权）。回测一般用前复权qfq，因为前复权价格能直接反映当前价格水平，跟真实交易价格接近。如果用后复权，价格会非常大，只适合计算收益率序列，不适合直接对比当前股价。

有一点值得说明：前复权数据是动态的，每次新增除权除息事件，前面的历史价格都会跟着变化。所以做研究时一旦确定了数据抓取时间，最好把复权数据落盘存下来，避免以后重新计算结果不一样导致回测结果没法复现。我自己是每次回测跑批前固定用同一个数据快照，研究记录里注明“数据截至某日”。

3.3pro.daily_basic每日指标，选股必备

除了行情价格，选股策略还需要每天变化的指标：市盈率、市净率、换手率、总市值、流通市值、量比等等。这就是daily_basic接口的用途。

df = pro.daily_basic(ts_code="000001.SZ", start_date="20240101", end_date="20240110", fields="ts_code,trade_date,pe_ttm,pb,ps_ttm,turnover_rate,total_mv,circ_mv")

常用字段：

• pe_ttm：滚动市盈率，比静态市盈率更及时
• pb：市净率
• turnover_rate：换手率，单位是百分比
• total_mv：总市值，单位是万元
• circ_mv：流通市值，单位是万元

这个接口在选股策略里非常关键，比如低市盈率选股、小市值策略、换手率过滤等。注意市值单位是“万元”，不是“元”。如果你要跟其他数据源对数字，先统一单位。

3.4 财务报表数据，基本面策略核心

做基本面量化，三大报表数据是刚需。Tushare 提供了income（利润表）、balancesheet（资产负债表）、cashflow（现金流量表），还有fina_indicator（财务指标，已经算好 ROE、毛利率、负债率等）。

df = pro.fina_indicator(ts_code="000001.SZ", start_date="20230101", end_date="20240101")

这个接口返回的字段特别多，包括几十个指标。新手容易犯的错误是直接用最新一期报表数据而忽略“公告日期”和“报告期”的区别。end_date是报告期（比如 20231231 表示三季报还是年报要看实际公告），ann_date是公告日期。你在回测时要用的是“当时能拿到的最新数据”，也就是ann_date小于交易日的报表，而不是期末日期小于交易日的报表。这叫做point-in-time 回测，避免未来函数。Tushare 里两份数据都有，但需要你自己在代码里做按公告日对齐的操作。

3.5 指数成分和权重，组合构建必备

做组合策略、行业轮动，需要知道指数成分股和权重。Tushare 提供index_weight接口：

df = pro.index_weight(index_code="000300.SH", start_date="20240101", end_date="20240131")

沪深 300 的代码是000300.SH，中证 500 是000905.SH，上证 50 是000016.SH。这个接口返回成分股代码和权重，注意权重是百分比数值，不是小数。我在一次计算指数收益时直接用权重乘以个股收益求和，结果偏了 100 倍，就是这地方出的问题。

还有一个建议：指数成分股会定期调整，如果你想严格模拟指数，应该用每个调样日对应的最新权重，并且调样前后的切换日期要与实际一致。Tushare 的index_weight是按公告日返回某个日期的权重快照，具体日期选择在做历史回测时要想清楚。

4. 单次拉全市场数据的高效实操：循环、限流、缓存三板斧

当你开始写真正的策略，不可能是只针对一两只股票。你需要的是某个时间截面全市场的行情、指标、财务数据，然后做横截面筛选。这时候就涉及“如何高效拉取全市场数据”的问题。

4.1 先拿股票列表，再逐票拉数据

第一步永远是拿到全市场的股票基础列表：

stock_list = pro.stock_basic(exchange="", list_status="L", fields="ts_code,symbol,name,area,industry,list_date")

list_status="L"表示当前上市状态的股票，D表示已退市，P表示暂停上市。如果你做回测需要包含已退市股票以避免幸存者偏差，就得把L和D都拉上，再按list_date筛选。这里如果只拉当前存在的股票，回测结果会“幸存者偏差”拉满——你只会看到活下来的票，那些退市暴跌的票根本没参与历史模拟，策略收益会虚高。

4.2 控制请求频率，避免触发限流

Tushare 免费档位对不同接口有权限范围限制，官网“积分说明”页面写得很清楚。我们不能贴具体数值，因为规则会更新，但经验法则是：连续请求时加 0.3 到 1 秒的 sleep，单次批量任务总请求数控制在几百以内比较安全。我自己的策略是每一次循环之间time.sleep(0.5)，拉 1000 只股票大约需要 8-10 分钟，这个时间完全可以接受。

触发限流的表现有两种。一种是直接抛异常提示“抱歉，您每分钟最多访问该接口X次”；另一种是返回空数据，不报错。第二种特别坑，你以为这只股票停牌了，其实是限流。所以我的封装函数会检查返回 DataFrame 的行数，如果多只股票连续出现空数据，主动放慢速度。

4.3 增量更新与本地缓存，越跑越快的核心思路

全量拉数据只做一次，以后就做增量。你不需要每天把几千只股票从头拉一遍，只需要拉最近几个交易日的增量数据，然后合并进本地持久化存储里。最简单的方式是用to_csv或to_parquet落盘，也可以用 SQLite。我常用 Parquet 格式，读取速度快，占用空间小。

# 拉增量数据并合并到本地 new_df = fetch_daily("000001.SZ", start_date="20240101", end_date="20240115") old_df = pd.read_parquet("daily_000001.parquet") merged = pd.concat([old_df, new_df]).drop_duplicates(subset=["ts_code", "trade_date"]).sort_values("trade_date") merged.to_parquet("daily_000001.parquet")

去重逻辑是关键，drop_duplicates必须按ts_code和trade_date两个字段同时去重，不能只按 trade_date。跑久了你会发现数据更新策略的核心思路就两句话：全量初始化一次，增量每日更新，历史数据永不重拉。

5. 实战：基于 Tushare 数据写一个最简单的双均线策略回测

前面讲了一堆接口，现在串起来跑一个完整的例子。不做复杂的风控、不做仓位优化，只展示“从 Tushare 拿数据 -> 算信号 -> 模拟交易 -> 算收益”这一条完整链路。

5.1 拉数据并计算均线信号

import pandas as pd import numpy as np import tushare as ts ts.set_token("你的token") pro = ts.pro_api() # 1. 拉前复权日线 df = ts.pro_bar(ts_code="600519.SH", adj="qfq", start_date="20210101", end_date="20241201") df = df.sort_values("trade_date").reset_index(drop=True) # 2. 计算双均线 df["ma5"] = df["close"].rolling(5).mean() df["ma20"] = df["close"].rolling(20).mean() # 3. 生成交易信号：金叉买入，死叉卖出 df["signal"] = 0 df.loc[df["ma5"] > df["ma20"], "signal"] = 1 df["position"] = df["signal"].diff()

注意这里position取值为 1 表示“今天从空仓变成满仓”，-1 表示“从满仓变成空仓”。为什么用diff()而不是直接用 signal？因为回测模拟的是持仓状态的变化，不是每天的持仓建议。很多人第一次写回测就是在这里绕晕。

5.2 简单回测收益计算

# 4. 计算策略每日收益 df["ret"] = df["close"].pct_change() df["strategy_ret"] = df["position"].shift(1) * df["ret"] df["strategy_nav"] = (1 + df["strategy_ret"]).cumprod() df["benchmark_nav"] = (1 + df["ret"]).cumprod() # 5. 输出核心绩效指标 total_return = df["strategy_nav"].iloc[-1] - 1 annual_return = (1 + total_return) ** (252 / len(df)) - 1 print(f"策略累计收益: {total_return:.2%}") print(f"策略年化收益: {annual_return:.2%}")

position.shift(1)是防止未来函数的关键一步。今天收盘算出金叉信号，最快也要明天开盘才能买入，所以当天的收益不该被算进策略收益里，要把持仓信号滞后一天。不 shift 的回测结果会虚高，而且是那种看着很美、实盘必亏的回测。

5.3 这个例子的现实意义

上面这个例子虽然简单，但已经具备完整的数据流水线：复权行情 = 数据层，均线信号 = 因子层，持仓调整 = 策略层，净值计算 = 绩效层。你以后写任何更复杂的策略——多因子选股、行业轮动、统计套利——底层都是这一套流程的加强版。

6. 常见问题速查：接口报错、数据为空、积分不够

实操过程中会遇到一些高频问题，我按“问题-原因-解决”的方式整理成速查表。

6.1 问题速查表

6.2 关于积分升级，我的实际取舍经验

网上很多教程一上来就劝你充值升级积分，我的看法不同。最开始写策略，先用免费档把日线、日线指标、财务指标这些基础接口吃透，完全可以做出有实际意义的策略。等到你确实需要分钟线做日内策略，或者每天要拉全市场资金流、龙虎榜数据做事件驱动，再考虑升级也不迟。而且最高积分档位对个人玩家经常用不满，不如按需升级。

还有一个小技巧：部分接口有“基础版”和“增强版”之分，基础版字段少但免费，增强版字段全但要求积分。如果你只需要 close、volume 这些核心字段，基础版就够了，没必要死磕增强版。

6.3 数据质量问题：Tushare 也不是完美的

最后说句公道话。Tushare 免费数据在绝大多数场景下质量是可信的，但偶尔会出现个别股票某天数据缺失、复权因子更新滞后、财务数据调整后没有同步修改历史值的情况。我的经验是：不要默认数据是 100% 正确的，回测前抽查几只有代表性的股票，用行情软件人工核对一下价格和成交量。等你的策略上了实盘，数据核对应该进入日常流程，每天盘后跑一次数据完整性检查，发现异常及时定位。

7. 最后分享两个实用细节

基于我长期使用的体验，补两个对效率提升非常明显的细节。

第一个是建议你把常用的数据获取都封装到一个统一的数据模块里，然后所有策略脚本都 import 这个模块。这样当 Tushare 的接口参数或返回字段发生变化时，你只需要改一个文件，而不是翻遍所有策略代码去替换。接口升级是常态，我经历过几次字段改名，统一封装的收益非常明显。

第二个是建议每次批量拉取数据后，把数据快照的日期范围记录到一个 manifest 文件里，比如 JSON 格式。下次跑策略前先检查本地数据和当前日期的差距，如果缺口超过某阈值再触发增量更新。这样既省流量，又保证策略研究始终基于最新的可用数据。

A 股量化数据坑不少，Tushare 算是把门槛降得非常低的一条路。个人体会是：先把免费接口用透，做出一版完整的回测框架，后面所有策略迭代都建立在这个框架上，效率提升是几何级的。希望这篇能帮你少踩点坑。