Tushare 获取股票实时数据

 
自己实现了一个能获取股票实时交易数据的脚本，功能是每3秒钟获取当前大盘涨跌，和自己添加股票的价格和涨跌幅
 原理是通过获取Tushare 平台提供的api，来获取股票数据，可以通过
 https://tushare.pro/register?reg=376628
 访问平台，第一次访问需要注册
 运行前需要安装python包
 使用以下命令：
 pip install tushare -i https://pypi.tuna.tsinghua.edu.cn/simple
 
codes就表示要实时监控的股票代码，sh表示上证指数，sz表示深成指数，cyb就是创业板的指数，后面是我加的两个自选股，如果想加其他的，在后边依次添加代码就好
 
codes = ['sh', 'sz', 'cyb', '000100', '002958']
 
运行后会显示如下：
 
 
完整代码如下：
 
import tushare as ts
import time
import os

codes = ['sh', 'sz', 'cyb', '000100', '002958']

while 1:
    data = ts.get_realtime_quotes(codes)
    # print(len(data))
    sh_price = round(float(data['price'].values[0]), 2)
    sh_pre_close = round(float(data['pre_close'].values[0]), 2)
    sz_price = round(float(data['price'].values[1]), 2)
    sz_pre_close = round(float(data['pre_close'].values[1]), 2)
    cyb_price = round(float(data['price'].values[2]), 2)
    cyb_pre_close = round(float(data['pre_close'].values[2]), 2)
    sh = round(sh_price - sh_pre_close, 2)
    sz = round(sz_price - sz_pre_close, 2)
    cyb = round(cyb_price - cyb_pre_close, 2)
    sh_percent = round(sh / sh_pre_close * 100, 2)
    sz_percent = round(sz / sz_pre_close * 100, 2)
    cyb_percent = round(cyb / cyb_pre_close * 100, 2)
    # print('(', sh_price, sh, sh_percent, ')', '(', sz_price, sz, sz_percent, ')', '(', cyb_price, cyb, cyb_percent, ')')
    print('(%.2f %.2f %.2f) (%.2f %.2f %.2f) (%.2f %.2f %.2f)'%(sh_price, sh, sh_percent, sz_price, sz, sz_percent, cyb_price, cyb, cyb_percent))
    for i in range(3, len(data)):
        price = float(data['price'].values[i])
        pre_close = float(data['pre_close'].values[i])
        print(data.name.values[i], data.open.values[i], data.price.values[i], round((price-pre_close)/pre_close*100, 2))
    time.sleep(3)

学Python的都知道做量化投资的*步就是获取金融数据，今天我们就讨论一下python获取金融数据的方法，主要讲述如何通过tushare包获取金融数据。
TuShare是一个着名的免费、开源的python财经数据接口包。其官网主页为：TuShare
-财经数据接口包。该接口包如今提供了大量的金融数据，涵盖了股票、基本面、宏观、新闻的等诸多类别数据（具体请自行查看官网），并还在不断更新中。目前股票的数据长度为三年，虽然有点短，但也可以基本满足量化初学者的回测需求。
使用教程
1.安装加载
安装tushare包很简单，我使用的是pycharm，可以用其中的包管理器安装。然后通过import加载：
import tushare as ts;
2.简单函数使用
下面我们用几个简单的函数查看tushare的基本功能，想要了解的更多的功能还是建议仔细阅读官方文档，里面将可提供的数据与调用函数写的的很清楚。
1.股票数据
我们主要还是应该掌握如何用tushare获取股票行情数据，使用的是ts.get_hist_data()函数，其
输入参数为：

返回值说明：

具体例子：

也可以设定历史数据的起始时间：

其他：

2.获取基本面数据
通过tushare我们还可以通过ts.get_stock_basics()获取基本面数据（返回结果部分展示）：

3.宏观数据
我们以居民消费指数为例，可以通过ts.get_cpi()函数获取（一次会获取322条，部分展示）：

4.查看zui近新闻
tushare包可以使用ts.get_latest_news()函数可以查看*近的新闻，会返回80条，篇幅原因我们这里只展现前面15条。我们可以看到，都是新浪财经的新闻数据。

由于文章篇幅有限，故而只能做一个简单的概述，其是tushare包还有着丰富的功能，等待着大家去开发，想要了解更多来融跃，我们融跃精心打造一款《Python实操课程》，该课程是利用Python的语言的智能性、简洁性、高效性与金融的专业实战相结合，使学习该语言的学员，具备语言汇编能力，将错综复杂的金融数据进行模块化梳理，进而建立科学的金融模型，协助做出*的投资决策，旨在帮助金融从业人员增强行业竞争力。希望大家可以养成良好的学习习惯，不断进步。

Tushare金融数据实践
 
    目前来看，除了爬虫玩的很好，又有精力自己去爬取数据并清洗的，要用到免费的数据源，有两个比较不错的推荐，tushare和baostock。这里介绍一下tushare的使用。
 
    Tushare是一个免费、开源的python财经数据接口包。主要实现对股票等金融数据从数据采集、清洗加工到数据存储的过程，并对外提供多种开放接口供使用。目前升级成金融大数据社区，即pro版，向下兼容老版本的一些api。
 
 
 
 
 
（具体可以到官网了解详细使用方法 https://tushare.pro/register?reg=282123 ）
 
安装
 
先安装一些依赖库
 
# pip install anaconda
 
# pip install pandas
 
# pip install lxml
 
# pip install tushare  （安装tushare）
 
 
 
安装好可以直接使用：
 
获取历史数据：
 
# ts.get_hist_data('600183')
 
 
另外方法 ： ts.get_k_data('600183') 也一样，可以加时间段限制
 
 
 
新版接口（建议使用）：
 
pro = ts.pro_api()
 
df = pro.daily(ts_code='600183.SZ', start_date='20190920', end_date='20190930')
 
 
建议使用pro版本，老版本不再维护。Pro版本接口更加丰富
 
获取列表：pro.stock_basic 写成配置文件 codes
 
 
获取交易日期：pro.trade_cal 写成配置文件 dates
 
 
可以结合其他网络数据，合成后保存到数据平台供后续分析使用
 
 
 
 
统计后的数据可以再存到关系数据库oracle等，这里不做详细说明，欢迎留言交流

一直使用tushare数据，感谢米哥的提供，由于一些计算需要用复权数据，最近使用中发现了一些问题，说明如下。
 
1. tushare数据接口的问题
 
tushare日线数据有两个接口，一个是日线行情接口daily，一个是复权行情pro_bar。
 
# 日线行情接口daily
pro = ts.pro_api()
df = pro.daily(ts_code='000001.SZ')

# 日线复权行情pro_bar
qfq_df = ts.pro_bar(ts_code='000001.SZ', adj='qfq')
 
关于接口，说明的很详细，基础积分每分钟内最多调取500次，每次5000条数据，相当于23年历史。现在问题来了，如果这个股票上市时间超过了23年，那么前复权数据是什么样子的呢？测试代码如下。
 
	ts.set_token(TOKEN)
    pro = ts.pro_api()
    df_qfq = ts.pro_bar(ts_code='000001.SZ', start_date='19910403', end_date='19981030', adj='qfq')  # 前复权接口
    df_daily_now = pro.daily(ts_code='000001.SZ', start_date='19910403', end_date='19981030')  # 日线接口

    df_qfq_close_list = df_qfq['close'].values.tolist()
    df_daily_close_list = df_daily_now['close'].values.tolist()

    is_equal = df_qfq_close_list[:20] == df_daily_close_list[:20]
    print(is_equal)
 
以上代码可以看到，复权接口和日线接口返回的收盘价一样，那么问题来了，从1998年到现在这个时间段，其实已经复权N次了，那时候的前复权数据，应该比不复权的数据，价格低很多。
 
2.改进方法
 
因为有如上的问题，所以需要我对代码进行改进。可以通过复权因子接口adj_factor来获取复权值，然后自己计算前复权数据。前复权的算法也很简单：当日收盘价 * 当日复权因子 / 最新复权因子
 
	'''
    获取000001.SZ的所有历史数据
    '''
    df_daily_now = pro.daily(ts_code='000001.SZ')
    end_date = df_daily_now.iloc[-1]['trade_date']
    df_daily_before = pro.daily(ts_code='000001.SZ', start_date='19910403', end_date=end_date)  # 由于接口返回数据的限制，分两次获取股票的历史数据
    df_daily_before_remove_one = df_daily_before[1:]
    df_daily = pd.merge(df_daily_now, df_daily_before_remove_one, how='outer')

    df_adj = pro.adj_factor(ts_code='000001.SZ', trade_date='')[['trade_date', 'adj_factor']]
    df_daily_with_adj = pd.merge(df_daily, df_adj, on='trade_date')
    now_adj_factor = df_adj.iloc[0]['adj_factor']  # 最新复权因子
    df_daily_with_adj['close_qfq'] = df_daily_with_adj['close'] * df_daily_with_adj['adj_factor'] / now_adj_factor  # 前复权 当日收盘价 × 当日复权因子 / 最新复权因子
 
上述代码close_qfq，就是对收盘价计算的前复权数据，通过这个方法，可以计算开盘价，最高价，最低价。