为什么需要本地化 A 股历史数据？
在量化投资、策略回测、因子挖掘等场景中，高质量、完整、本地存储的历史行情数据是不可或缺的基础。然而：
- 商业数据接口（如 Wind、Tushare Pro）往往收费或有调用限制；
- 免费接口（如早期 Tushare）可能不稳定或字段不全；
- 网页爬虫易被反爬，维护成本高。
幸运的是，开源项目 AKShare 提供了免费、稳定、覆盖全面的中国金融市场数据接口，包括：
- A 股日线、分钟线
- 指数、基金、期货、期权
- 宏观经济、新闻舆情等
本文将带你用不到 70 行代码，实现： ✅ 自动获取全部 A 股列表 ✅ 批量下载 2018 年至今的日线数据（前复权） ✅ 支持断点续传，避免重复下载 ✅ 合并为统一 CSV 文件，便于后续分析
技术栈与依赖
| 库 | 作用 |
|---|---|
akshare | 核心数据源，提供 A 股行情接口 |
pandas | 数据处理与合并 |
tqdm | 进度条，提升体验 |
os, time | 文件操作与请求节流 |
安装命令
pip install akshare pandas tqdm
建议使用国内镜像加速安装。
核心代码解析
1. 获取 A 股股票列表
def get_stock_list():
df = ak.stock_info_a_code_name()
df.columns = ["symbol", "name"]
df.to_csv("all_a_stocks.csv", index=False)
return df
ak.stock_info_a_code_name()返回所有 A 股代码与名称（不含交易所后缀，如600519）- 保存为 CSV，便于后续审计或手动筛选
2. 下载单只股票日线数据
def download_stock(symbol):
df = ak.stock_zh_a_hist(
symbol=symbol, period="daily", start_date="20180101", end_date="20251231", adjust="qfq"
)
if not df.empty:
df["symbol"] = symbol
return df[["日期", "symbol", "开盘", "最高", "最低", "收盘", "成交量"]]
return None
- 前复权（qfq） 是量化回测的标准选择，确保价格连续性
- 字段精简，仅保留 OHLCV（开盘、最高、最低、收盘、成交量）
3. 批量下载 + 断点续传
def download_all(stock_df):
all_data = []
for _, row in tqdm(stock_df.iterrows(), total=len(stock_df)):
symbol = row["symbol"]
file_path = f"stock_history_ak/{symbol}.csv"
# 断点续传：若已存在则跳过
if os.path.exists(file_path):
all_data.append(pd.read_csv(file_path))
continue
df_hist = download_stock(symbol)
if df_hist is not None:
df_hist.to_csv(file_path, index=False)
all_data.append(df_hist)
time.sleep(0.3) # 礼貌请求，避免触发限流
- 断点续传：程序中断后可继续运行，不重复下载已完成的股票
- 进度条：
tqdm实时显示下载进度（共约 5000+ 只股票） - 请求节流：
time.sleep(0.3)避免高频请求被临时封禁
4. 合并与标准化输出
final = pd.concat(all_data, ignore_index=True)
final.rename(columns={"日期": "Date", "开盘": "Open", "最高": "High", "最低": "Low", "收盘": "Close", "成交量": "Volume"}, inplace=True)
final.to_csv("all_stock_history_ak.csv", index=False)
- 输出为标准英文列名，兼容主流量化框架（如
backtrader,zipline） - 单文件包含所有股票、所有日期，便于 Pandas 分组分析
数据规模预估
| 指标 | 数值 |
|---|---|
| A 股数量 | ~5200 只（含主板、创业板、科创板、北交所） |
| 时间跨度 | 2018–2025（约 7 年 × 250 交易日 ≈ 1750 行/股） |
| 总行数 | ≈ 5200 × 1750 ≈ 900 万行 |
| 文件大小 | CSV 约 800MB–1.2GB（取决于压缩与字段） |
建议使用 SSD 存储，并确保内存 ≥ 8GB（pd.concat 会加载全量数据）。
注意事项与优化建议
1. AKShare 的稳定性
- AKShare 依赖网页解析，接口可能随网站改版失效
- 建议定期关注 AKShare 官方文档 更新
- 如遇大规模失败，可尝试升级：
pip install --upgrade akshare
2. 性能优化（进阶）
- 多线程下载：使用
concurrent.futures.ThreadPoolExecutor加速（注意 AKShare 非线程安全，需加锁） - 数据库存储：将 CSV 替换为 SQLite / MySQL，支持按股票/日期快速查询
- 增量更新：仅下载最新 N 天数据，而非全量重拉
3. 合规提醒
- AKShare 数据来源于公开网站，仅限个人学习研究使用
- 商业用途请确认数据来源合法性，避免侵权风险
扩展应用场景
- 因子计算：基于 OHLCV 计算 MACD、RSI、布林带等技术指标
- 行业分析：按申万行业分类聚合，观察板块轮动
- 异常检测：识别涨停、跌停、巨量成交等事件
- 机器学习：构建时间序列预测模型（如 LSTM 预测股价）
总结
通过 akshare + pandas + tqdm，我们实现了：
- 零成本获取全量 A 股历史行情
- 自动化、可复现、可中断恢复 的下载流程
- 标准化输出，无缝对接量化分析 pipeline
这不仅是数据采集脚本，更是量化研究基础设施的第一块基石。无论你是想回测一个简单均线策略，还是构建复杂的多因子模型，拥有一份干净、完整的本地数据集，都是成功的第一步。
