一、背景个人研究者的第一关是数据做个人量化研究最先碰到的不是策略问题而是数据问题。我维护着一个本地 sqlite 行情库日线为主服务自己的回测和策略研究。免费数据源各有各的毛病——有的字段口径不统一有的接口说变就变有的对程序化访问不友好。折腾一圈之后我的结论是多源互补 本地落库而 tushare 在里面扮演“规范稳定的补齐员”角色。二、两个真实使用场景场景 1全市场日线补漏。关键经验按trade_date循环一次请求返回全市场当天数据不要按ts_code逐只循环——5000 多次请求既慢又容易触发限频。import tushare as ts pro ts.pro_api(YOUR_TOKEN) df pro.daily(trade_date20260926) # 全市场一天一次搞定场景 2后复权价计算。tushare 的daily是不复权行情复权需要配合adj_factorpx pro.daily(ts_code600519.SH, start_date20240101, end_date20260926) adj pro.adj_factor(ts_code600519.SH, start_date20240101, end_date20260926) m px.merge(adj, on[ts_code, trade_date]) m[close_hfq] m[close] * m[adj_factor] # 后复权前复权再除以最新因子即可三、踩坑与经验限频是真限制低积分档adj_factor每分钟只能调 1 次我批量任务没做间隔控制直接被限流。后来统一改成请求间隔加随机抖动、失败指数退避重试、加 socket 超时看门狗防止请求静默卡死。幂等 断点续传写入用INSERT OR REPLACE业务主键ts_code trade_date任务中断重跑不会重复入库。先单条验证再全量先抓一只股票核对列结构和数值口径——尤其成交量单位是“手”还是“股”我在不同数据源之间踩过单位不一致的坑核对了再放全量。接口是通道不是仓库取到的数据立刻落本地库回测只读本地——快也不反复消耗请求。四、使用感受规范统一所有接口返回 pandas DataFrame字段文档齐全ts_code编码规则一致封装一次到处复用稳定日线收盘后定时可取字段口径不漂移这在免费爬虫类数据源里很难得积分机制起初觉得门槛烦用久了理解这是社区数据生产的可持续方式频次随积分提升是合理设计。五、下一步计划我准备基于 tushare 搭一个个人股票数据看板用daily_basic换手率、量比看个股与板块活跃度用limit_list_d连板数、炸板次数、封单金额研究涨停板与板块轮动的量价规律。等看板成型再来写一篇续篇。六、结语对个人研究者来说tushare 的价值不在于“又一个数据源”而在于它是少数按工程师方式设计的金融数据接口稳定、规范、文档清楚。感谢 tushare 社区维护者的付出。