Tushare Pro 上手心得：从拿到 Token 到均线与收益统计

Tushare Pro 上手心得：从拿到 Token 到均线与收益统计

标签：TusharePython量化金融数据

摘要：这是一份学习笔记，记录我作为一个对量化感兴趣的学习者使用 Tushare Pro 的过程。内容包括注册和获取 Token、安装与初始化、三个实战代码示例（个股日线、指数行情与每日指标、均线和收益统计并画图），以及积分与频次限制的说明、踩过的坑，还有 Tushare 在理论验证和量化入门中帮到我的地方。

一、为什么我会用 Tushare

作为一个对量化感兴趣的学习者，我在学习 CAPM、有效市场假说、时间序列模型这些内容时，总想拿真实的 A 股数据亲手验证一下，而不是只看书本里的结论。

问题是数据从哪里来。手动从行情软件导出 Excel 很麻烦，格式也不统一；自己写爬虫又不稳定，还有合规风险。后来有朋友推荐了Tushare Pro（tushare.pro）。它是一个面向量化研究的金融数据平台，提供 Python SDK 和 HTTP 接口，覆盖股票、指数、基金、期货、宏观经济等数据，返回结果直接就是pandas.DataFrame，和我平时的数据分析流程无缝衔接。对个人学习者来说，最大的价值是：省去数据清洗和采集的时间，把精力放在研究问题本身上。

二、注册与获取 Token

1. 打开 tushare.pro，用手机号注册账号（新用户注册会获得基础积分）。
2. 登录后进入「个人主页」→「接口TOKEN」，就能看到自己的 Token。
3. 建议顺手完善个人资料，按官方积分规则，完善资料还能额外获得少量积分。

Token 相当于你的账号密码，千万不要提交到 GitHub 或者贴在博客里。下文所有代码都用占位符YOUR_TOKEN_HERE表示。

我的做法是把 Token 放在环境变量里：

# Linux / macOS，写入 ~/.bashrc 或 ~/.zshrcexportTUSHARE_TOKEN="YOUR_TOKEN_HERE"

三、安装与初始化

pipinstalltushare# 如需升级到最新版pipinstalltushare--upgrade

初始化有两种常见方式：

importosimporttushareasts# 方式一：直接传入 token（推荐配合环境变量，避免硬编码）pro=ts.pro_api(os.environ.get("TUSHARE_TOKEN","YOUR_TOKEN_HERE"))# 方式二：先 set_token（会在本地用户目录保存一份），之后可直接 ts.pro_api()# ts.set_token("YOUR_TOKEN_HERE")# pro = ts.pro_api()

set_token只需要执行一次，之后在同一台电脑上ts.pro_api()就能直接用。不过我经常在不同电脑和服务器之间切换，所以更习惯用环境变量。

四、实战示例

示例 1：获取个股日线行情（pro.daily）

daily是最基础的接口，基础积分就能调用。日期参数统一用YYYYMMDD字符串格式。

df=pro.daily(ts_code="000001.SZ",start_date="20240101",end_date="20241231")print(df.head())print(df.columns.tolist())

返回的 DataFrame 包含ts_code, trade_date, open, high, low, close, pre_close, change, pct_chg, vol, amount等字段。有几点要注意：

• 数据默认按日期倒序排列（最新的在最前面），做时间序列分析前一定要先排序；
• vol的单位是「手」，amount的单位是「千元」；
• daily返回的是未复权行情，停牌期间不提供数据。

如果需要复权数据，可以用通用行情接口ts.pro_bar：

# 前复权日线，adj 可选 None / 'qfq' / 'hfq'df_qfq=ts.pro_bar(ts_code="000001.SZ",adj="qfq",start_date="20240101",end_date="20241231")

拉全市场数据时，官方建议按交易日循环（pro.daily(trade_date="20240102")一次取当天所有股票），而不是循环股票代码，这样请求次数少得多。

示例 2：指数行情与每日指标（index_daily / daily_basic）

做市场比较或计算 Beta 的时候，需要基准指数，比如沪深300：

idx=pro.index_daily(ts_code="000300.SH",start_date="20240101",end_date="20241231")# 每日指标：市盈率、市净率、换手率、市值等basic=pro.daily_basic(ts_code="000001.SZ",start_date="20240101",end_date="20241231",fields="ts_code,trade_date,close,turnover_rate,pe_ttm,pb,total_mv",)

这两个接口很实用，但按官方文档，index_daily和daily_basic都需要累计 2000 积分才能调用。注册送的基础积分是不够的，这也是我想提升积分的主要原因：因子分析、估值对比几乎都绕不开这些数据。

小技巧：用fields参数只取需要的列，返回更快，代码也更干净。

示例 3：均线与收益统计 + 画图（pandas + matplotlib）

这是我在练习中最常用的一段流程：拿到日线，计算日收益率、累计收益、年化波动率，再画收盘价和均线。

importosimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimporttushareasts pro=ts.pro_api(os.environ.get("TUSHARE_TOKEN","YOUR_TOKEN_HERE"))df=pro.daily(ts_code="600519.SH",start_date="20230101",end_date="20241231")# 1. 预处理：日期转 datetime，按时间正序排列df["trade_date"]=pd.to_datetime(df["trade_date"],format="%Y%m%d")df=df.sort_values("trade_date").set_index("trade_date")# 2. 均线df["MA20"]=df["close"].rolling(20).mean()df["MA60"]=df["close"].rolling(60).mean()# 3. 收益统计（pct_chg 是百分数，需要除以 100）ret=df["pct_chg"]/100stats={"交易日数":len(ret),"日均收益率":ret.mean(),"日收益标准差":ret.std(),"年化波动率":ret.std()*np.sqrt(252),"区间累计收益":(1+ret).prod()-1,"最大单日涨幅":ret.max(),"最大单日跌幅":ret.min(),}print(pd.Series(stats))# 4. 简单的均线交叉信号（仅作学习演示，不构成投资建议）df["signal"]=(df["MA20"]>df["MA60"]).astype(int)df["strategy_ret"]=df["signal"].shift(1)*ret# 用前一日信号，避免未来函数# 5. 画图plt.rcParams["font.sans-serif"]=["SimHei"]# 中文显示，macOS 可改为 "Arial Unicode MS"plt.rcParams["axes.unicode_minus"]=Falsefig,axes=plt.subplots(2,1,figsize=(12,8),sharex=True)df[["close","MA20","MA60"]].plot(ax=axes[0])axes[0].set_title("600519.SH 收盘价与均线（未复权）")(1+ret).cumprod().plot(ax=axes[1],label="买入持有")(1+df["strategy_ret"].fillna(0)).cumprod().plot(ax=axes[1],label="MA20/MA60 策略")axes[1].set_title("累计净值对比")axes[1].legend()plt.tight_layout()plt.show()

运行后会打印一组区间收益统计指标，并得到两张图：上图是收盘价和 20/60 日均线的走势，下图是「买入持有」和「均线策略」的累计净值曲线。具体数值取决于你选的股票和区间，这里就不贴了，建议大家自己跑一遍感受一下。

需要说明的是，上面的示例用的是未复权价格，遇到分红除权时价格会出现跳空，计算均线会有偏差。认真做研究时建议换成ts.pro_bar(..., adj="qfq")的复权数据；收益率用pct_chg则问题不大，因为它是基于除权后的昨收计算的。

五、积分制度与频次限制

Tushare Pro 用积分来管理数据权限，这是新手最需要理解的一点：

• 积分决定能调用哪些接口：基础行情（如daily）门槛较低，指数行情、每日指标、财务数据等需要更高积分（如 2000 分），更高级的数据需要 5000 分以上；
• 积分也决定调用频次：例如daily接口文档说明基础积分下每分钟可调用 500 次，每次最多返回 6000 条；积分越高，频次越宽松；
• 积分获取途径：注册、完善资料、推荐用户、提交 bug、贡献代码、撰写 Tushare 使用文章等，在校学生和高校老师还可以按官方的高校计划申请相应权限；
• 具体每个接口的积分要求，以官网各接口文档页为准，平台会调整，不要只看网上的旧教程。

六、踩坑与小技巧

1. 日期格式：一律用"20240101"这样的字符串，写成"2024-01-01"会取不到数据。
2. 默认倒序：rolling、shift之前一定先sort_values，否则均线是「反着算」的，结果完全错误，而且不会报错。我第一次写分析脚本就栽在这里。
3. 单位换算：vol是手，amount是千元，total_mv是万元，pct_chg是百分数，跨表合并时尤其要小心。
4. 频次控制：循环批量拉取时加time.sleep()，并做好异常重试；拿到的数据落地成本地 CSV/Parquet，不要每次运行脚本都重新请求。
5. 代码后缀：股票是.SZ / .SH / .BJ，指数代码的后缀以index_basic返回的ts_code为准。
6. 避免未来函数：回测里用信号时记得shift(1)，这是量化入门最常见、我自己也确实犯过的错。
7. Token 安全：放进环境变量或.env文件，并加入.gitignore。

七、Tushare 对我学习的帮助

• 理论验证：学习投资学和计量方法时，我可以直接用真实 A 股数据做收益率分布检验、CAPM 回归和 Beta 估计，而不是用模拟数据；
• 量化入门：从均线策略到简单的多因子框架（估值、换手率、动量），Tushare 统一的数据格式让我能把更多时间花在因子逻辑、回测框架和风险控制上；
• 机器学习练习：我在学机器学习，Tushare 提供了结构化、长时间跨度的面板数据，正好用来练习特征工程和时间序列交叉验证，也让我更直观地体会到金融数据「低信噪比、非平稳」的特点。

八、总结

对学习者来说，Tushare Pro 是一个门槛低、文档清晰、和 Python 生态契合度很高的金融数据平台：pip install tushare，配置好 Token，几行代码就能拿到干净的 DataFrame。入门时把日期格式、排序、单位和积分权限这几个点搞清楚，就能少走很多弯路。接下来我计划用更高积分的财务数据和每日指标，继续整理多因子研究的学习笔记，也欢迎同样在学量化的朋友交流。

本文代码仅用于学习交流，不构成任何投资建议。