yfinance 是用于从雅虎财经获取金融数据的 Python 库，无需 API 密钥且免费。支持股票、加密货币等数据，内置数据修复功能，返回 Pandas DataFrame。提供批量获取、异步请求及缓存配置能力。适用于投资组合分析、技术指标计算、市场情绪监控及机器学习建模。涵盖安装、API 用法、应用场景及最佳实践，助力构建金融数据分析系统。
你是否曾为获取股票、加密货币等金融数据而烦恼？想象一下，当你需要分析市场趋势、构建投资组合或进行量化研究时，却因为数据获取困难而停滞不前。金融数据分析的第一步总是最令人头疼的——数据从哪里来？如何保证数据质量？有没有既免费又可靠的解决方案？
yfinance是你的答案！这是一个功能强大的 Python 库，让你能够轻松地从雅虎财经获取高质量的金融数据，无需任何 API 密钥，完全免费使用。无论你是金融分析师、数据科学家还是量化交易爱好者，yfinance 都能为你提供稳定可靠的数据支持。
在金融分析的道路上，我们常常遇到这些挑战：
yfinance 正是为了解决这些问题而生。它通过模拟浏览器请求从雅虎财经获取数据，不仅完全免费，还内置了强大的数据修复功能，确保你获得的数据准确可靠。
yfinance 的设计哲学是'简单但强大'。整个项目围绕几个核心组件构建：
yfinance 内置了多种数据修复算法，能自动识别并修正价格数据中的异常值，比如图中显示的 100 倍错误数据。这种智能修复功能确保了数据分析的准确性。
与许多收费的金融数据 API 不同，yfinance 完全免费使用。你不需要注册账号，不需要申请 API 密钥，安装后立即开始使用。
yfinance 内置了多种数据修复算法。无论是缺失的行数据、异常的股价波动，还是分红拆股后的价格调整，yfinance 都能自动处理。
如图中所示，当股票发放股息时，yfinance 会自动调整历史价格数据，确保前后数据的一致性。
作为纯 Python 库，yfinance 与 NumPy、Pandas 等数据科学库无缝集成。返回的数据直接是 Pandas DataFrame 格式，你可以立即开始分析。
通过智能缓存机制和多线程支持，yfinance 在获取大量数据时依然保持高效。它还支持异步请求，让你能够同时获取多个股票的数据。
安装 yfinance 只需要一行命令：
pip install yfinance
然后，你就可以开始获取数据了：
import yfinance as yf
# 获取微软股票数据
msft = yf.Ticker("MSFT")
# 查看基本信息
print(f"公司：{msft.info['longName']}")
print(f"当前价格：${msft.info['currentPrice']}")
print(f"市值：${msft.info['marketCap']:,}")
# 获取历史价格
history = msft.history(period="1y")
print(f"近一年数据量：{len(history)} 条")
就是这么简单！几行代码，你就能获取到完整的股票数据。
假设你管理着一个包含苹果、微软、谷歌的投资组合，想要分析整体表现：
# 创建多股票对象
portfolio = yf.Tickers("AAPL MSFT GOOGL")
# 获取所有股票的历史数据
data = portfolio.history(period="1y")
# 计算投资组合收益
portfolio_return = data['Close'].pct_change().mean().mean() * 252
print(f"投资组合年化收益率：{portfolio_return:.2%}")
技术分析需要计算各种指标，yfinance 提供的基础数据让你可以轻松实现：
# 计算移动平均线
aapl = yf.Ticker("AAPL")
data = aapl.history(period="6mo")
# 计算 20 日和 50 日移动平均
data['MA20'] = data['Close'].rolling(window=20).mean()
data['MA50'] = data['Close'].rolling(window=50).mean()
# 识别金叉死叉
data['Signal'] = data['MA20'] > data['MA50']
通过批量获取数据，你可以监控整个行业或市场的表现：
# 监控科技股表现
tech_stocks = yf.Tickers("AAPL MSFT GOOGL AMZN META NVDA")
tech_data = tech_stocks.history(period="1mo")['Close']
# 计算相对强度
relative_strength = tech_data.pct_change().mean(axis=1)
成交量是技术分析的重要指标，yfinance 确保即使在某些日期成交量数据缺失时，也能通过智能算法进行修复。
yfinance 默认会缓存数据，但你可以根据需求自定义缓存策略：
import yfinance as yf
import os
# 设置自定义缓存目录
cache_dir = os.path.expanduser("~/.yfinance_cache")
yf.set_tz_cache_location(cache_dir)
# 对于实时性要求高的数据，可以禁用缓存
ticker = yf.Ticker("TSLA")
realtime_data = ticker.history(period="1d", interval="1m", prepost=True)
当需要获取大量股票数据时，异步请求可以显著提升效率：
import asyncio
import yfinance as yf
async def fetch_multiple_tickers(ticker_list):
"""异步获取多个股票数据"""
tasks = []
for ticker in ticker_list:
task = asyncio.create_task(
yf.Ticker(ticker).history_async(period="1y")
)
tasks.append(task)
results = await asyncio.gather(*tasks)
return results
# 使用示例
tickers = ["AAPL", "MSFT", "GOOGL", "AMZN", "META"]
data_list = asyncio.run(fetch_multiple_tickers(tickers))
虽然 yfinance 会自动修复数据，但了解数据质量检查方法仍然很重要：
def check_data_quality(data):
"""检查数据质量"""
issues = []
# 检查缺失值
missing_pct = data.isnull().sum().sum() / data.size
if missing_pct > 0.05:
issues.append(f"缺失值比例过高：{missing_pct:.2%}")
# 检查异常价格
price_cols = ['Open', 'High', 'Low', 'Close']
for col in price_cols:
if col in data.columns:
zero_prices = (data[col] == 0).sum()
if zero_prices > 0:
issues.append(f"{col}列有{zero_prices}个零值")
return issues
# 使用示例
aapl_data = yf.Ticker("AAPL").history(period="1y")
quality_issues = check_data_quality(aapl_data)
当股票发生拆分时，历史价格需要相应调整。yfinance 会自动处理这种调整，确保拆分前后的数据具有可比性。
yfinance 返回的数据就是 Pandas DataFrame，你可以直接使用 Pandas 的所有功能：
import pandas as pd
import yfinance as yf
import numpy as np
# 获取数据
data = yf.Ticker("AAPL").history(period="1y")
# 使用 Pandas 进行高级分析
# 计算滚动波动率
data['Rolling_Volatility'] = data['Close'].pct_change().rolling(20).std() * np.sqrt(252)
# 重采样到周频率
weekly_data = data.resample('W').agg({
'Open': 'first',
'High': 'max',
'Low': 'min',
'Close': 'last',
'Volume': 'sum'
})
金融数据可视化是分析的重要环节：
import matplotlib.pyplot as plt
import seaborn as sns
# 设置样式
sns.set_style("whitegrid")
# 创建子图
fig, axes = plt.subplots(2, 2, figsize=(15, 10))
# 价格走势图
axes[0, 0].plot(data.index, data['Close'])
axes[0, 0].set_title('AAPL 收盘价走势')
axes[0, 0].set_ylabel('价格 ($)')
# 成交量柱状图
axes[0, 1].bar(data.index, data['Volume'], alpha=0.7)
axes[0, 1].set_title('成交量变化')
axes[0, 1].set_ylabel('成交量')
# 收益率分布
returns = data['Close'].pct_change().dropna()
axes[1, 0].hist(returns, bins=50, edgecolor='black')
axes[1, 0].set_title('日收益率分布')
axes[1, 0].set_xlabel('收益率')
# 相关性热图（多股票）
portfolio_data = yf.Tickers("AAPL MSFT GOOGL").history(period="1y")['Close']
corr_matrix = portfolio_data.pct_change().corr()
sns.heatmap(corr_matrix, annot=True, ax=axes[1, 1])
axes[1, 1].set_title('股票相关性')
plt.tight_layout()
plt.show()
yfinance 为机器学习模型提供高质量的训练数据：
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
import pandas as pd
# 准备特征数据
def prepare_features(data):
"""准备机器学习特征"""
features = pd.DataFrame()
# 技术指标
features['Returns'] = data['Close'].pct_change()
features['MA20'] = data['Close'].rolling(20).mean()
features['MA50'] = data['Close'].rolling(50).mean()
features['Volatility'] = data['Close'].pct_change().rolling(20).std()
# 成交量特征
features['Volume_MA'] = data['Volume'].rolling(20).mean()
features['Volume_Ratio'] = data['Volume'] / features['Volume_MA']
return features.dropna()
# 获取数据并准备特征
aapl_data = yf.Ticker("AAPL").history(period="5y")
features = prepare_features(aapl_data)
target = (aapl_data['Close'].shift(-1) > aapl_data['Close']).astype(int)
target = target[features.index]
# 训练模型
X_train, X_test, y_train, y_test = train_test_split(
features, target, test_size=0.2, shuffle=False
)
model = RandomForestRegressor(n_estimators=100)
model.fit(X_train, y_train)
即使 yfinance 提供了高质量的数据，建立数据验证流程仍然是必要的：
class DataValidator:
"""数据验证器"""
@staticmethod
def validate_price_data(data):
"""验证价格数据合理性"""
checks = []
# 检查价格非负
price_columns = ['Open', 'High', 'Low', 'Close']
for col in price_columns:
if col in data.columns:
negative_prices = (data[col] < 0).sum()
if negative_prices > 0:
checks.append(f"⚠️ {col}列有{negative_prices}个负值")
# 检查高低价关系
if all(col in data.columns for col in ['High', 'Low']):
invalid_high_low = (data['High'] < data['Low']).sum()
if invalid_high_low > 0:
checks.append(f"⚠️ 有{invalid_high_low}行最高价低于最低价")
# 检查成交量合理性
if 'Volume' in data.columns:
zero_volume = (data['Volume'] == 0).sum()
if zero_volume > len(data) * 0.1: # 超过 10% 的零成交量
checks.append(f"⚠️ 零成交量比例过高：{zero_volume/len(data):.2%}")
return checks
网络请求可能失败，建立健壮的错误处理机制很重要：
import time
from functools import wraps
def retry_on_failure(max_retries=3, delay=1):
"""失败重试装饰器"""
def decorator(func):
@wraps(func)
def wrapper(*args, **kwargs):
for attempt in range(max_retries):
try:
return func(*args, **kwargs)
except Exception as e:
if attempt == max_retries - 1:
raise
print(f"第{attempt+1}次尝试失败：{e}")
time.sleep(delay * (2 ** attempt)) # 指数退避
return None
return wrapper
return decorator
@retry_on_failure(max_retries=3, delay=2)
def safe_fetch_data(ticker_symbol, period="1y"):
"""安全获取数据"""
ticker = yf.Ticker(ticker_symbol)
return ticker.history(period=period)
处理大量数据时，这些技巧可以提升性能：
Tickers 对象一次性获取多个股票数据yfinance 采用严格的开发流程管理，确保了项目的稳定性和持续改进能力。这种专业的开发模式也是 yfinance 能够保持高质量的原因之一。
虽然目前主要依赖雅虎财经，但未来可能会集成更多数据源，提供更全面的金融数据覆盖。
随着 WebSocket 技术的成熟，yfinance 的实时数据功能将变得更加强大，支持更低延迟的数据流。
未来版本可能会内置更多机器学习相关的功能，如自动特征工程、模型训练等。
yfinance 拥有活跃的开发者社区，未来会有更多第三方扩展和插件出现，形成更完善的金融数据分析生态系统。
yfinance 不仅仅是一个数据获取工具，它是你进入金融数据分析世界的钥匙。无论你是想进行简单的股票分析，还是构建复杂的量化交易系统，yfinance 都能为你提供坚实的基础。
记住，最好的学习方式就是实践。现在就安装 yfinance，开始你的第一个金融分析项目吧！从简单的数据获取开始，逐步探索更复杂的分析技术，你会发现金融数据分析并没有想象中那么困难。
官方文档提供了完整的使用指南和 API 参考。测试用例展示了各种使用场景的示例代码，是学习高级用法的好材料。
金融市场的机会总是留给有准备的人。有了 yfinance 这个强大的工具，你现在就可以开始准备，抓住属于你的投资机会！
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online