基于 AKShare 的 Python 批量下载 A 股历史行情数据实践

• 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

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

1. 因子计算：基于 OHLCV 计算 MACD、RSI、布林带等技术指标
2. 行业分析：按申万行业分类聚合，观察板块轮动
3. 异常检测：识别涨停、跌停、巨量成交等事件
4. 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。