新闻详情

新闻详情

首页 / 资讯中心 / 详情

Tushare 使用心得:个人量化数据管线中的实践与踩坑

发布时间:2026/11/20 8:16:43来源:尧图网络
Tushare 使用心得:个人量化数据管线中的实践与踩坑
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。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉