哪里可以获取免费的股票交易数据？

Question

如何通过Python稳定获取免费的A股历史交易数据？使用Tushare、AkShare等开源库时，常遇到接口限流、数据不全或返回异常等问题，尤其是在高频调用或获取多只股票数据时。此外，部分平台需注册获取Token，且免费额度有限，难以满足回测需求。如何选择稳定可靠的免费数据源，并设计缓存与重试机制以提升数据获取效率与稳定性？

Answer 1

一、常见免费A股数据源及其特性分析

在Python生态中，获取A股历史交易数据的常用开源库主要包括 Tushare、AkShare、baostock 和 jqdatasdk（聚宽）。以下是各平台的核心特点对比：

数据源	是否需要Token	免费额度	限流策略	数据完整性	更新频率
Tushare	是	基础版有限（如500次/日）	严格按Token配额限制	高（含复权、财务等）	T+1
AkShare	否	无显式额度限制	依赖IP或行为检测	较高（多源聚合）	T+1 ~ T
BaoStock	否	基本无限制	较宽松	中等（缺少部分衍生指标）	T+1
JQDataSDK	是（需注册）	新用户赠送积分	按调用消耗积分	极高（专业级）	T+0（实时）

从上表可见，AkShare 因其无需认证、多源聚合架构，在免费场景下具备较强鲁棒性；而 Tushare 虽数据质量高，但免费用户常面临接口调用瓶颈。

二、典型问题与根源剖析

• 接口限流：Tushare 对免费用户设置每日请求上限，高频获取多只股票时易触发限制。
• 返回异常：网络波动或服务器端不稳定导致 HTTP 500 或空响应。
• 数据不全：部分库未覆盖ST股、科创板或历史停牌期间的数据缺失。
• 速率控制缺失：同步批量请求时缺乏节流机制，易被封IP。

这些问题的根本原因在于：外部API服务资源有限，且未针对大规模回测优化。因此，仅依赖单一接口难以实现“稳定获取”目标。

三、构建多源冗余数据获取策略

为提升稳定性，应设计优先级 fallback 机制，当主源失败时自动切换备用源。以下为推荐的调用顺序：

1. 首选 AkShare（无Token，社区维护活跃）
2. 次选 BaoStock（稳定，适合长期运行）
3. 备选 Tushare（高质量，用于关键字段补全）

import akshare as ak
import baostock as bs
import tushare as ts
import time

def fetch_from_akshare(symbol, start, end):
    try:
        data = ak.stock_zh_a_hist(symbol=symbol, period="daily", 
                                 start_date=start, end_date=end)
        return data[['日期', '开盘', '最高', '最低', '收盘', '成交量']]
    except Exception as e:
        print(f"AkShare failed for {symbol}: {e}")
        return None

def fetch_from_baostock(symbol, start, end):
    lg = bs.login()
    if lg.error_code != '0':
        return None
    rs = bs.query_history_k_data_plus(symbol,
        "date,open,high,low,close,volume",
        start_date=start, end_date=end, frequency="d")
    data = rs.get_data()
    bs.logout()
    return data if not data.empty else None

四、缓存机制设计：减少重复请求

使用本地文件系统缓存已获取数据，可显著降低对外部API的依赖。推荐采用 pickle 或 parquet 格式存储。

import os
import pandas as pd

CACHE_DIR = "./data_cache"
os.makedirs(CACHE_DIR, exist_ok=True)

def get_cache_key(symbol, start, end):
    return f"{symbol}_{start}_{end}.parquet"

def load_from_cache(symbol, start, end):
    path = os.path.join(CACHE_DIR, get_cache_key(symbol, start, end))
    if os.path.exists(path):
        return pd.read_parquet(path)
    return None

def save_to_cache(df, symbol, start, end):
    path = os.path.join(CACHE_DIR, get_cache_key(symbol, start, end))
    df.to_parquet(path, index=False)

五、重试与退避机制实现

结合指数退避（exponential backoff），防止因瞬时故障导致永久失败。

import random import time def with_retry(func, retries=5, delay=1, backoff=2): for i in range(retries): result = func() if result is not None and not result.empty: return result sleep_time = delay * (backoff ** i) + random.uniform(0, 1) time.sleep(sleep_time) return None

六、整体流程图：稳健数据获取管道

graph TD A[开始获取数据] --> B{检查本地缓存} B -- 命中 --> C[返回缓存数据] B -- 未命中 --> D[调用AkShare] D -- 成功 --> E[保存至缓存] D -- 失败 --> F[调用BaoStock] F -- 成功 --> E F -- 失败 --> G[调用Tushare] G -- 成功 --> E G -- 失败 --> H[记录错误并重试] H --> I[指数退避后重试] I --> D E --> J[返回最终数据]