Python 拉 A 股历史数据：两个现行免费接口的可运行代码，和复权口径差 1.42% 的实测

这类文章最大的问题是接口早就停了、文章还挂着。所以下面两段代码是 2026 年 9 月 12 日在本机实际执行过、确认返回了数据的版本，连返回的字段名和第一行数值都贴出来了。两个接口都不需要注册、不需要 token、不需要积分。先给代码，再说最容易出事的复权口径。

一、接口一：AKShare

安装：pip install akshare。实测版本 1.18.56。

import akshare as ak

df = ak.stock_zh_a_hist(
    symbol="600519",          # 六位代码，不带交易所前缀
    period="daily",           # daily / weekly / monthly
    start_date="20240101",    # 八位数字，不带横杠
    end_date="20240131",
    adjust="qfq",             # qfq 前复权 / hfq 后复权 / 空字符串 不复权
)
print(df.shape)
print(df.head(3).to_string())

实测返回 22 行 12 列，列名是中文：日期、股票代码、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额、换手率。第一行（2024-01-02，前复权）开盘 1580.66，收盘 1550.67，成交量 32156。

成交量的单位是手，不是股。 这一点后面会再提一次。

AKShare 的数据来自公开财经网站，所以它有一个特性：上游网站改版或者限流的时候，接口会临时失效。 实测过程中就遇到了连续请求之后被拒绝的情况。生产环境里必须带重试：

import akshare as ak
import time

def fetch_daily(symbol, start, end, adjust="hfq", retries=5, wait=3):
    for i in range(retries):
        try:
            return ak.stock_zh_a_hist(symbol=symbol, period="daily",
                                      start_date=start, end_date=end,
                                      adjust=adjust)
        except Exception as e:
            print(f"第 {i+1} 次失败：{type(e).__name__}")
            time.sleep(wait)
    raise RuntimeError(f"{symbol} 拉取失败")

df = fetch_daily("600519", "20240101", "20241231")

批量拉数据时一定要加间隔，连续几百次高频请求会被上游拒绝，间隔 0.5 到 1 秒是比较安全的起点。

二、接口二：Baostock

安装：pip install baostock。同样不需要注册。

import baostock as bs
import pandas as pd

lg = bs.login()
print("login:", lg.error_code, lg.error_msg)      # 实测返回 0 success

rs = bs.query_history_k_data_plus(
    "sh.600519",                                   # 必须带 sh. 或 sz. 前缀
    "date,code,open,high,low,close,volume,amount,turn,pctChg",
    start_date="2024-01-01",                       # 带横杠，和 AKShare 不一样
    end_date="2024-01-31",
    frequency="d",                                 # d 日 / w 周 / m 月 / 5,15,30,60 分钟
    adjustflag="2",                                # 1 后复权 / 2 前复权 / 3 不复权
)

rows = []
while (rs.error_code == "0") and rs.next():
    rows.append(rs.get_row_data())

df = pd.DataFrame(rows, columns=rs.fields)
bs.logout()
print(df.shape)
print(df.head(3).to_string())

实测返回 22 行 10 列。注意三个坑： 返回的所有字段都是字符串，要自己转成数值；adjustflag 的取值是 1 后复权、2 前复权、3 不复权，和直觉相反，很容易记错；拉完一定要 logout()，否则会话会挂着。

三、实测发现：同一天，两个源差 1.42%

这是这篇最想提醒的一件事。同一只股票、同一天、两个接口都设成前复权，结果是这样：

接口	2024-01-02 开盘价	成交量数值	成交量单位
AKShare（adjust=“qfq”）	1580.66	32156	手
Baostock（adjustflag=“2”）	1558.48	3215644	股

价格差 1.42%，成交量数值差 100 倍。

价格差来自复权算法不同：一种按价格差额复权，一种按涨跌幅复权，前复权的基准日取法也可能不同。两种都不算错，但它们是两套数。

成交量差 100 倍来自单位：一手等于 100 股。如果你的策略里有「成交量超过某个绝对值」这类条件，换个数据源结果会完全不同。

得出三条规则：

规则一，一个项目从头到尾只用一个数据源。 混用两个源做同一套统计，结论没有意义。

规则二，拿到数据的第一件事是统一列名和单位。 下面这段做的就是这件事：

def normalize(df, source):
    """把两个源的输出统一成同一套列名和单位（成交量统一为股）"""
    if source == "akshare":
        out = df.rename(columns={
            "日期": "date", "开盘": "open", "最高": "high",
            "最低": "low", "收盘": "close", "成交量": "volume",
        })[["date", "open", "high", "low", "close", "volume"]].copy()
        out["volume"] = out["volume"].astype(float) * 100      # 手转股
    else:  # baostock
        out = df[["date", "open", "high", "low", "close", "volume"]].copy()
        for c in ["open", "high", "low", "close", "volume"]:
            out[c] = out[c].astype(float)
    out["date"] = out["date"].astype(str)
    return out.sort_values("date").reset_index(drop=True)

规则三，换数据源等于重新验证一遍系统。 不要在系统跑着的时候换源。

四、两个接口的限制对照

维度	AKShare	Baostock
是否需要注册或 token	不需要	不需要
覆盖范围	极广，股票之外还有期货、宏观、基金等	聚焦 A 股行情与基础财务
最小周期	日线之外也支持分钟级	支持 5、15、30、60 分钟
历史长度	视上游而定，日线可回溯很长	日线可回溯到上世纪九十年代
频率限制	受上游网站限流影响，需自己加间隔和重试	相对稳定，仍建议加间隔
稳定性风险	上游网站改版会导致个别接口失效	服务器偶有维护窗口
实时行情	有接口，但延迟和口径需自行核实	不提供实时
合规提示	数据来自公开网站，商业用途需自行评估	同样需自行评估

两个都装上，是最省事的容错方案。 理由见下一节。

五、一次真实的停运，和它的教训

2025 年 8 月，另一个被广泛使用的数据服务因为机房代理商与运营商之间的业务纠纷导致服务器被断电，服务中断约五天后才全部恢复。大量依赖单一数据源的量化用户在这五天里拿不到数据。事后该服务改成了双活架构。

这件事的教训不是「哪个数据源更靠谱」，而是：任何免费数据源都可能在你毫无准备的时候消失几天。

对应的做法有三条，做完成本很低：

第一，把历史数据落到本地。 每天增量更新，存成 Parquet 或者 CSV。你的回测应该读本地文件，不应该每次都去请求接口。

第二，两个接口都写好适配函数，主源挂了切备源，第三节那个 normalize 就是为此准备的。

第三，给所有网络请求加超时和重试，失败时写日志而不是静默跳过。静默跳过会让你的数据集悄悄缺几天，而缺的那几天可能正好是大行情。

六、复权三种口径，对回测的影响不一样

这一节决定你的回测结果对不对。

不复权。 除权除息那天价格会出现一个向下的跳空，这个跳空不是真实的下跌。任何均线、突破、创新高的判定都会被它毁掉。回测不要用不复权。

前复权。 把历史价格按现在的价格体系折算，最近的价格等于真实价格，越早的价格失真越多。它有一个关键特性：每次分红送转之后，整条历史价格都会被重算一遍。 也就是说你今天跑出来的回测结果，三个月后再跑一次，数字会不一样，因为底层数据变了。前复权适合看图和判断当前位置，不适合做需要复现的回测。

后复权。 以最早的价格为基准往后累积，早期价格等于真实价格，历史数据不会因为后续分红而变化。回测用后复权。 代价是价格数值会远高于真实价格，所以止损位不要写成绝对价格，要写成百分比或者 ATR 倍数。

口径	历史会不会变	适合做什么	不适合做什么
不复权	不变	核对真实成交价	一切技术分析
前复权	会变	看图、判断当前位置	需要复现的回测
后复权	不变	回测、长期统计	用绝对价位设止损

一个常被忽略的细节：高送转的股票，前复权之后早期价格会被压到很低，低到几毛钱的量级。这时候如果你的策略里有「股价低于 5 元不做」这类绝对值条件，回测会把这只票在早期全部排除掉，而实盘当年它并不便宜。凡是用到绝对价格的条件，在复权数据上都要重新想一遍。

这类问题属于回测里最难自己发现的一类，其他几种见回测常见的坑；拿到数据之后怎么组织成交易记录做统计，见Excel 统计交易的公式怎么写。

七、拿到数据之后的三个检查

写完代码先做这三个检查，能挡掉大部分后续的莫名其妙。

检查一，行数对不对。 A 股一年约 240 到 250 个交易日。拉一年拿回来 180 行，说明这只票停过牌或者接口漏了数据。

检查二，有没有重复日期和空值。 df["date"].duplicated().sum() 和 df.isna().sum() 各跑一次，都应该是 0。

检查三，用一只你熟悉的票对一遍。 挑一天，和券商软件上显示的价格核对。对不上先查复权设置，再查单位。

写在最后

这件事真正的难点不在代码，代码就上面那几行。难点在口径：复权用哪一种、单位是手还是股、数据源换了要不要重新验证。这些不对，代码跑得再顺，跑出来的也是错的结论。

给一个起步建议：先用后复权把一只票的十年日线拉下来存成本地文件，用第七节那三个检查过一遍，再去做回测。把数据落地这一步做扎实，后面所有事情都会容易很多。Excel 侧的最简回测框架见用 Excel 做最简回测，不写代码的路径见不写代码能不能做回测。

3秒免费测一下你的”管不住手指数”：journal.xtradingtime.com（记住 3316，就能找到我们）

本文内容仅供教育和参考用途，不构成任何投资建议。交易有风险，入市须谨慎。