Python学习之tushare模块的应用！

发布时间：2025-11-04 00:18:28 来源：云智核 作者：系统运维

　　一.TuShare简介和环境安装

　　TuShare是学习一个著名的免费、开源的模块python财经数据接口包。其官网主页为：TuShare -财经数据接口包。学习该接口包如今提供了大量的模块金融数据，涵盖了股票、学习基本面、模块宏观、学习新闻的模块等诸多类别数据(具体请自行查看官网)，并还在不断更新中。学习TuShare可以基本满足量化初学者的模块回测需求

　　环境安装：pip install tushare。如果是学习老版本升级，可以用升级命令pip install tushare --upgrade3，模块在python中导入包：import tushare as ts

　　二.Tushare的学习应用

　　我们主要还是应该掌握如何用tushare获取股票行情数据，使用的模块是ts.get_hist_data()函数或者ts.get_k_data()函数。输入参数为：

　　code：股票代码，学习即6位数字代码，或者指数代码(sh=上证指数 sz=深圳成指 hs300=沪深300指数 sz50=上证50 zxb=中小板 cyb=创业板)

　　start：开始日期，格式YYYY-MM-DD

　　end：结束日期，格式YYYY-MM-DD

　　ktype：数据类型，D=日k线 W=周 M=月 5=5分钟 15=15分钟 30=30分钟 60=60分钟，默认为D

　　retry_count：当网络异常后重试次数，默认为3

　　pause:重试时停顿秒数，默认为0

　　返回值说明：

　　date：日期

　　open：开盘价

　　high：最高价

　　close：收盘价

　　low：最低价

　　volume：成交量

　　price_change：价格变动

　　p_change：涨跌幅

　　ma5：5日均价

　　ma10：10日均价

　　ma20:20日均价

　　v_ma5:5日均量

　　v_ma10:10日均量

　　v_ma20:20日均量

　　turnover:换手率[注：指数无此项]

　　案例应用_1：

　　o使用tushare包获取某股票的网站模板历史行情数据。

　　#获取k线数据，加载至DataFrame中

　　df = ts.get_k_data("600519",start="1988-01-01")

　　#将从Tushare中获取的数据存储至本地

　　df.to_csv("600519.csv")

　　#将原数据中的时间作为行索引，并将字符串类型的时间序列化成时间对象类型

　　df = pd.read_csv("600519.csv", index_col=date,parse_dates=[date])[[open,close,high,low]]

　　o输出该股票所有收盘比开盘上涨3%以上的日期。

　　#指定条件

　　condition = (df[close]-df[open])/df[open]>=0.03

　　#获取满足条件的行索引

　　df[condition].index

　　执行后结果为：

　　DatetimeIndex([2001-08-27, 2001-08-28, 2001-09-10, 2001-12-21,

　　2002-01-18, 2002-01-31, 2003-01-14, 2003-10-29,

　　2004-01-05, 2004-01-14,

　　...

　　2018-06-20, 2018-08-09, 2018-08-21, 2018-08-27,

　　2018-09-18, 2018-09-26, 2018-10-19, 2018-10-31,

　　2018-11-13, 2018-12-28],

　　dtype=datetime64[ns], name=date, length=291, freq=None)

　　o输出该股票所有开盘比前日收盘跌幅超过2%的日期。

　　condition = (df[open]-df[close].shift(1))/df[close].shift(1)<=-0.02

　　df[condition].index

　　执行结果为：

　　DatetimeIndex([2001-09-12, 2002-06-26, 2002-12-13, 2004-07-01,

　　2004-10-29, 2006-08-21, 2006-08-23, 2007-01-25,

　　2007-02-01, 2007-02-06, 2007-03-19, 2007-05-21,

　　2007-05-30, 2007-06-05, 2007-07-27, 2007-09-05,

　　2007-09-10, 2008-03-13, 2008-03-17, 2008-03-25,

　　2008-03-27, 2008-04-22, 2008-04-23, 2008-04-29,

　　2008-05-13, 2008-06-10, 2008-06-13, 2008-06-24,

　　2008-06-27, 2008-08-11, 2008-08-19, 2008-09-23,

　　2008-10-10, 2008-10-15, 2008-10-16, 2008-10-20,

　　2008-10-23, 2008-10-27, 2008-11-06, 2008-11-12,

　　2008-11-20, 2008-11-21, 2008-12-02, 2009-02-27,

　　2009-03-25, 2009-08-13, 2010-04-26, 2010-04-30,

　　2011-08-05, 2012-03-27, 2012-08-10, 2012-11-22,

　　2012-12-04, 2012-12-24, 2013-01-16, 2013-01-25,

　　2013-09-02, 2014-04-25, 2015-01-19, 2015-05-25,

　　2015-07-03, 2015-07-08, 2015-07-13, 2015-08-24,

　　2015-09-02, 2015-09-15, 2017-11-17, 2018-02-06,

　　2018-02-09, 2018-03-23, 2018-03-28, 2018-07-11,

　　2018-10-11, 2018-10-24, 2018-10-25, 2018-10-29,

　　2018-10-30],

　　dtype=datetime64[ns], name=date, freq=None)

　　o假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何?

　　price_last = df[open][-1]

　　df = df[2010-01:2019-01] #剔除首尾无用的数据

　　#Pandas提供了resample函数用便捷的方式对时间序列进行重采样，根据时间粒度的变大或者变小分为降采样和升采样：

　　df_monthly = df.resample("M").first()

　　df_yearly = df.resample("A").last()[:-1] #去除最后一年

　　cost_money = 0

　　hold = 0 #每年持有的股票

　　for year in range(2010, 2019):

　　cost_money -= df_monthly.loc[str(year)][open].sum()*100

　　hold += len(df_monthly[str(year)][open]) * 100

　　if year != 2019:

　　cost_money += df_yearly[str(year)][open][0] * hold

　　hold = 0 #每年持有的股票

　　cost_money += hold * price_last

　　print(cost_money)

　　案例应用_2：

　　o使用tushare包获取某股票的历史行情数据

　　df = pd.read_csv("600519.csv",index_col=date, parse_dates=[date])[[open,close,low,high]]

　　o使用pandas包计算该股票历史数据的5日均线和60日均线

　　df[ma5]=df[open].rolling(5).mean()

　　df[ma30]=df[open].rolling(30).mean()

　　什么是均线?

　　对于每一个交易日，都可以计算出前N天的移动平均值，然后把这些移动平均值连起来，成为一条线，就叫做N日移动平均线。移动平均线常用线有5天、10天、香港云服务器30天、60天、120天和240天的指标。

　　5天和10天的是短线操作的参照指标，称做日均线指标;

　　30天和60天的是中期均线指标，称做季均线指标;

　　120天和240天的是长期均线指标，称做年均线指标。

　　均线计算方法：MA=(C1+C2+C3+...+Cn)/N C:某日收盘价 N:移动平均周期(天数)

　　o使用matplotlib包可视化历史数据的收盘价和两条均线

　　plt.plot(df[[close,ma5,ma30]].iloc[:100])

　　o分析输出所有金叉日期和死叉日期

　　sr1 = df[ma5] < df[ma30]

　　sr2 = df[ma5] >= df[ma30]

　　death_cross = df[sr1 & sr2.shift(1)].index

　　golden_cross = df[~(sr1 | sr2.shift(1))].index

　　股票分析技术中的金叉和死叉，可以简单解释为：

　　分析指标中的两根线，一根为短时间内的指标线，另一根为较长时间的指标线。

　　如果短时间的指标线方向拐头向上，并且穿过了较长时间的指标线，这种状态叫“金叉”;

　　如果短时间的指标线方向拐头向下，并且穿过了较长时间的指标线，这种状态叫“死叉”;

　　一般情况下，服务器托管出现金叉后，操作趋向买入;死叉则趋向卖出。当然，金叉和死叉只是分析指标之一，要和其他很多指标配合使用，才能增加操作的准确性。

　　o如果我从假如我从2010年1月1日开始，初始资金为100000元，金叉尽量买入，死叉全部卖出，则到今天为止，我的炒股收益率如何?

　　first_money = 100000

　　money = first_money

　　hold = 0#持有多少股

　　sr1 = pd.Series(1, index=golden_cross)

　　sr2 = pd.Series(0, index=death_cross)

　　#根据时间排序

　　sr = sr1.append(sr2).sort_index()

　　for i in range(0, len(sr)):

　　p = df[open][sr.index[i]]

　　if sr.iloc[i] == 1:

　　#金叉

　　buy = (money // (100 * p))

　　hold += buy*100

　　money -= buy*100*p

　　else:

　　money += hold * p

　　hold = 0

　　p = df[open][-1]

　　now_money = hold * p + money

　　print(now_money - first_money)

相关文章