# 金融数据下载及管理 本示例展示了如何使用qteasy模块下载、管理及提取本地存储的金融数据 QTEASY提供了一套比较完善的金融数据下载及管理工具，可以通过tushare服务器下载相当广泛的金融数据，将数据存储在本地，并在需要的时候自动从本地提取数据用于策略的回测或策略运行。 ## 本地数据源对象`DataSource` 在`qteasy`中定义了一个`DataSource`对象，这个对象定义了一个本地金融数据源，并提供了一系列内置的本地金融数据表和数据类型，用户可以直接通过各种数据类型的ID来直接读取相应的金融数据（前提是这些金融数据已经从网上下载并保存到了本地数据源中）。 大量常用的金融数据，例如'close' 'pe'都是预先定义并内置在`qteasy`中的，这些数据涵盖了相当广泛的范围，包括： - 量价数据，如开盘价open、收盘价close、最高价high，交易量vol等等 - 财务指标数据，如市盈率pe，市净率pb - 财务报表数据，如ebidta、ebit等等 - 公司基本信息数据，如管理层姓名、公司行业信息 上面的数据都是以“数据表”的形式内置并定义在系统中的，如果需要使用这些数据，必须首先下载数据至本地。`DataSource`对象定义了数据存储的方式和位置。`qteasy`定义了一个默认的数据源对象`QT_DATA_SOURCE`，在不特殊指明的情况下，`qteasy`所操作及使用的数据都在这个数据源中。 `DataSource`对象可以将数据保存为文件格式（csv、fth等），也可以将数据保存在mysql数据库中，鉴于金融数据的体量，建议将数据保存在数据库中。数据存储方式及存储位置可以在`qteasy`的`configuration`中设置。 ### DataSource的两种数据源类型 ### `qt.DataSource(source_type, file_type='fth', file_loc='qteasy/data/', host='localhost', port=3306, user=None, password=None, db='qt_db')` 对于一个`DataSource`对象，用户可以选择将数据存储为不同的形式，也叫数据源。`DataSource`目前支持两种不同的数据源： - db: 数据库，数据存储在mysql/Maria DB数据库中，通过建立数据库连接来访问 - file: 文件，数据以文件的形式存储在指定的文件夹中，支持csv、hdf5以及feather三种文件格式 鉴于金融数据的数据量较大（例如，所有股票的日K线历史数据有超过一千万行数据，分钟级K线的数据量更加庞大），推荐使用`mysql`数据库来存储数据，如果使用本地文件存储数据，数据交换的效率将会很低。 使用下面的参数建立一个连接到本地数据库的DataSource对象： ```python import qteasy as qt ds_db = qt.DataSource(source_type='db', host='localhost', port=3306, user='user', password='password', db='qt_db') ``` 可以通过connection_type属性了解DataSource对象的连接性质 ```python print(ds_db.connection_type) ds_db ``` db:mysql://localhost@3306/qt_db DataSource('db', 'localhost', 3306) 使用下面的参数可以建立一个使用本地文件夹的`DataSource`对象 ```python import qteasy as qt ds_csv = qt.DataSource(source_type='file', file_loc='src/data', file_type='csv') print(ds_csv.connection_type) ds_csv ``` file://csv@qt_root/qteasy/data DataSource('file', 'qteasy/data', 'csv') 使用`qt.configuration`可以查看当前的配置变量，使用`qt.QT_DATA_SOURCE`可以查看当前数据源的类型和参数 ```python qt.configuration(config_key='local_data_source, local_data_file_type, local_data_file_path', default=False) qt.QT_DATA_SOURCE ``` No. Config-Key Cur Val ----------------------------------------- 1 local_data_source database 2 local_data_file_type csv 3 local_data_file_path qteasy/data/ DataSource('db', 'localhost', 3306) ## 历史数据类型 qteasy可以管理多种不同的数据类型，自动下载这些类型的数据并储存在本地，供交易策略调用。每一种数据都有一个内置的数据id（data_id），根据这个data_id，用户可以查看、读取、下载相应的数据。 ### `qt.find_history_data(s, match_description=False, fuzzy=False, freq=None, asset_type=None, match_threshold=0.85,)` `qt.find_history_data()`可以查找qteasy内置的所有数据类型，列出数据的id，资产类型和频率，以及数据的详细说明。 使用`qt.get_history_data()`并将找到的数据id作为参数传入，则可以直接查看已经下载的历史数据 ```python import qteasy as qt qt.find_history_data('pe') ``` 输出如下： ``` text matched following history data, use "qt.get_history_data()" to load these historical data by its data_id: ------------------------------------------------------------------------ freq asset table desc data_id initial_pe d E new_share 新股上市信息 - 发行市盈率 pe d IDX index_indicator 指数技术指标 - 市盈率 pe d E stock_indicator 股票技术指标 - 市盈率（总市值/净利润， 亏损的PE为空） pe_2 d E stock_indicator2 股票技术指标 - 动态市盈率 ======================================================================== ``` ```python import qteasy as qt qt.get_history_data('pe', '000001.SZ', start="20220101", end="20220201") ``` ``` text Out[16]: {'000001.SZ': pe 2022-01-04 11.1761 2022-01-05 11.5048 2022-01-06 11.4847 2022-01-07 11.5384 2022-01-10 11.5317 2022-01-11 11.6792 2022-01-12 11.4042 2022-01-13 11.3908 2022-01-14 10.9547 2022-01-17 10.8809 2022-01-18 11.0822 2022-01-19 11.0688 2022-01-20 11.6256 2022-01-21 11.6390 2022-01-24 11.5384 2022-01-25 11.3036 2022-01-26 11.1694 2022-01-27 10.9346 2022-01-28 10.6193 2022-01-31 10.6193 2022-02-01 10.6193} ``` ## 检查本地数据源的数据 使用`qt.get_table_overview()`可以查看当前数据源中已经下载的数据量 当数据量较大时，需要花费几分钟时间分析所有的数据，并打印本地数据源中数据表的数据量、占用磁盘空间以及数据范围 本地数据存储在若干张数据表中，也可以通过`qt.get_table_info()`来获取某一张数据表的详细信息 包括数据表的主键类型和取值范围以外，还包括各数据列的名称、含义和数据类型 ### `qt.get_table_info(table_name, data_source=None, verbose=True)` 获取一张数据表的信息，包括数据量（数据行数），占用磁盘空间大小、数据主键的名称及数据范围 如果设置`verbose=True`，还可以查看数据表中的数据列完整信息，包括列名、数据类型和说明 ### `qt.get_table_overview(data_source=None)` 统计数据源中所有数据表的数据量并打印总览 使用`qt.get_table_info()`可以获取一张数据表的信息： ```python qt.get_table_info('stock_15min', verbose=True) ``` , 15.85GB/100.9M records on disc primary keys: ----------------------------------- 1: ts_code: ** entries starts: 000001.SZ, end: 689009.SH 2: trade_time: entries starts: 20090105, end: 20220323 columns of table: ------------------------------------ columns dtypes remarks 0 ts_code varchar(20) 证券代码 1 trade_time datetime 交易日期时间 2 open float 开盘价 3 high float 最高价 4 low float 最低价 5 close float 收盘价 6 vol double 成交量(股) 7 amount double 成交额(元) 使用`qt.get_table_overview()`可以检查并显示DataSource中保存的所有本地数据的总览 ```python qt.get_table_overview() ``` Analyzing local data source tables... depending on size of tables, it may take a few minutes [########################################]62/62-100.0% Analyzing completed!or>>>>>ht>or>> db:mysql://localhost@3306/ts_db Following tables contain local data, to view complete list, print returned DataFrame Has_data Size_on_disk Record_count Record_start Record_end table trade_calendar True 2.5MB 76K 1990-10-12 2022-12-31 stock_basic True 1.5MB 5K None None stock_names True 2.4MB 13K 1990-12-10 2022-03-21 index_basic True 4.5MB 11K None None fund_basic True 8.3MB 17K None None future_basic True 2.5MB 7K None None opt_basic True 4.5MB 10K None None stock_15min True 15.85GB 100.9M 20090105 20220323 stock_30min True 6.66GB 38.9M 20090105 20220321 stock_hourly True 3.41GB 38.3M 20090105 20220318 stock_daily True 1.57GB 12.1M 1990-12-19 2022-03-22 stock_weekly True 217.9MB 2.4M 1990-12-21 2022-03-18 stock_monthly True 87.7MB 638K 1990-12-31 2022-02-28 index_15min True 2.07GB 17.6M 20090105 20220323 index_30min True 1.12GB 7.6M 20090105 20220318 index_hourly True 602.0MB 7.1M 20090105 20220113 index_daily True 357.0MB 2.2M 1990-12-19 2022-03-23 index_weekly True 56.6MB 611K 1991-07-05 2022-03-18 index_monthly True 22.5MB 139K 1991-07-31 2022-02-28 fund_hourly True 16KB 0 None None fund_daily True 165.3MB 1.6M 1998-04-07 2022-03-22 fund_nav True 973.0MB 15.0M 2000-01-07 2022-03-22 fund_share True 69.7MB 1.1M 1998-03-27 2022-03-18 fund_manager True 84.7MB 40K 2000-02-22 2022-03-18 future_daily True 384.0MB 2.0M 1995-04-17 2022-03-23 options_daily True 753.0MB 5.3M 2015-02-09 2022-03-23 stock_adj_factor True 688.0MB 11.0M 1990-12-19 2022-03-23 fund_adj_factor True 112.7MB 1.9M 1998-04-07 2022-03-23 stock_indicator True 2.31GB 11.6M 1999-01-01 2022-03-23 stock_indicator2 True 988.0MB 4.8M 2017-06-14 2022-03-23 index_indicator True 5.5MB 45K 2004-01-02 2022-03-23 index_weight True 841.9MB 10.5M 2005-04-08 2022-03-17 income True 94.8MB 189K 1990-12-31 2021-12-31 balance True 130.0MB 172K 1989-12-31 2021-12-31 cashflow True 111.9MB 186K 1998-12-31 2021-12-31 financial True 373.0MB 152K 1989-12-31 2021-12-31 forecast True 50.6MB 86K 1998-12-31 2022-12-31 express True 4.5MB 23K 2004-12-31 2021-12-31 ## HistoryPanel 与 `get_history_data` 在 qteasy 2.x 中，`qt.get_history_data()` 的推荐用法是直接返回 `HistoryPanel`： ```python import qteasy as qt hp = qt.get_history_data( htypes='open, high, low, close, vol', shares='000300.SH,000905.SH', start='20230101', end='20231231', ) print(hp) ``` `HistoryPanel` 是一个三维数据容器，维度含义为： - **axis 0（shares）**：标的列表，例如股票或指数代码； - **axis 1（hdates）**：时间轴，每一行对应一个时间点（如交易日或分钟）； - **axis 2（htypes）**：历史数据类型，例如 `open`、`high`、`low`、`close`、`vol` 等。 使用 `hp[...]` 按轴切片时，结果类型为 **子 `HistoryPanel`**（带正确的轴标签），不再直接得到 `ndarray`。需要裸矩阵时请使用 **`hp['close'].values`** 或 **`hp['close'].to_numpy(copy=True)`**；具名切片与默认拷贝行为见 **`hp.subpanel(..., copy=True)`**。 研究向布尔掩码与后续带 **`mask=`** 的 API 可使用 **`hp.where(condition)`**：返回与 **`hp.values`** 同形的 **`dtype=bool`** 数组（不改变 `hp`），详见 [HistoryPanel API 参考](../api/HistoryPanel.rst) 与教程 [使用 HistoryPanel 操作和分析历史数据](../tutorials/2.5-historypanel-data-analysis.md)。 自 **2.2.8** 起还可：**合法标识符列名**用只读属性（如 **`hp.close`**，等价 **`hp['close']`**）；**比较运算**（如 **`hp.close > 100`**、两列子面板比较）得到 **`numpy` 布尔数组**，可直接作为 **`hp.where(...)`** 的输入；按 **交易日（时间轴）** 筛选可用 **`hp.loc[key]`**（等价 **`hp[:, :, key]`**，与 pandas 仅类比）。边界说明见 API 页「列属性访问、比较与 `loc`」与教程 §6.1。 这样，策略与可视化都可以在同一份结构化数据上工作，避免重复转换。 当你已有 `DataFrame` 或字典形式的数据时，可以使用 `qt.dataframe_to_hp()` 将其适配为 HistoryPanel，再复用同一套 API。 ## 从 HistoryPanel 到可视化 `HistoryPanel` 提供统一的可视化入口 `hp.plot()`，根据面板中已有的 htypes 自动选择合适的图表类型（K 线、成交量、MACD 或普通折线），并支持多标的对比： ```python import qteasy as qt hp = qt.get_history_data( htypes='open, high, low, close, vol', shares='000300.SH', start='20230101', end='20231231', ) # 静态 K 线 + 成交量 hp.plot(interactive=False) # 交互式 K 线（在 Jupyter 中体验更好） hp.plot(interactive=True) ``` ### HistoryPanel.plot 交互式可视化（Plotly） 当你使用 `hp.plot(interactive=True)` 时，qteasy 会使用 Plotly 生成交互式图表，支持缩放、平移与悬停查看数据。在 Notebook 中，如果你的环境支持 FigureWidget（通常需要安装 `ipywidgets` 与 `anywidget`），qteasy 会优先返回更完整的交互体验；否则会回退到 HTML 方式展示。你也可以通过 `plotly_backend_app='auto'|'FigureWidget'|'html'` 明确指定输出方式。 #### 依赖与安装 - **基础交互（Plotly Figure）**： ```bash pip install plotly ``` - **Notebook 更完整交互（FigureWidget + 回调）**： ```bash pip install ipywidgets anywidget ``` 注意：若未安装 Plotly，调用 `interactive=True` 会直接抛出英文错误提示（例如包含 “requires plotly” 的信息）；这是为了让依赖缺失问题尽早暴露，避免生成一个不可交互的“空图”。 #### `plotly_backend_app`：输出方式与回退 `plotly_backend_app` 仅在 `interactive=True` 时生效： - `plotly_backend_app='auto'`：在 Notebook 中优先使用 FigureWidget；否则回退到 HTML 包装；在脚本环境中也可能返回原始 Plotly Figure。 - `plotly_backend_app='FigureWidget'`：强制使用 FigureWidget；若当前不是 Notebook 或缺少依赖会直接报错（英文提示）。 - `plotly_backend_app='html'`：强制使用 HTML 包装；若当前不是 Notebook 也会直接报错（英文提示）。 #### 关键交互能力（用户视角） - **缩放/平移一致性**：HTML 与 FigureWidget 在缩放/平移时遵循同一套 x 轴约束：保持最少可见 bar 数、越界时按 pan 语义平移回数据域。 - **顶部 OHLC 摘要**：当面板中存在完整 OHLC 主图（蜡烛图）时，会显示顶部摘要；交互图初始为最后一根 bar，点击某根 bar 会更新摘要。无 K 线主图（例如仅 close 折线）时不显示该摘要区。 - **两标的 overlay**：当你用 `layout='overlay'` 对比两只标的时，点击某根 bar 会切换主次标的：主次透明度与线宽会联动更新；如果你启用了 `highlight`，高亮点默认仅对当前主标的可见，并随主次切换。 - **选中态十字交叉线**：点击后在主价格图上显示选中态十字交叉线；缩放/平移时保持同步；当选中 bar 滚动出可见区域时会隐藏。 #### 示例：最常用的两种交互调用 **示例 1：单标的交互式 K 线** ```python hp.plot(interactive=True, plotly_backend_app='auto') ``` **示例 2：两标的 overlay + 高亮** ```python hp2 = qt.get_history_data( htypes='open, high, low, close, vol', shares='000300.SH,000905.SH', start='20230101', end='20231231', ) hp2.plot( interactive=True, layout='overlay', highlight='max', plotly_backend_app='html', ) ``` 可视化层严格遵循“**有什么画什么**”原则： - 只使用 HistoryPanel 中**已经存在**的列，不在绘图层计算新的指标； - 是否绘制 K 线、成交量或 MACD，仅取决于面板中是否存在对应的 htypes。 典型 htypes 与默认图表类型的对应关系如下： | 图表类型 | 依赖的 htype 示例 | |----------|----------------------------------| | K 线 | `open, high, low, close` | | 成交量 | `vol` 或 `volume` | | MACD | `macd_*`, `macd_signal_*`, `macd_hist_*` | | 折线图 | 其它任意一维序列（如 `close`、`pe` 等） | 若需要 MA/布林带/MACD 等指标，应在 HistoryPanel 上调用相应方法 （例如 `hp.kline.ma()`、`hp.kline.bbands()`、`hp.kline.macd()`）， 将结果列追加进面板后再调用 `hp.plot()`。 ## `qt.candle` 与 HistoryPanel 的关系 `qt.candle()` 是更高层的快捷入口，用于“一行代码画出某个标的的 K 线图”， 其内部逻辑可以概括为： 1. 解析 `stock`、`start`、`end` 等参数，从本地数据源取数； 2. 将价格数据适配为单标的 `HistoryPanel`； 3. 在 HistoryPanel 上追加用户需要的指标列（如 MA、布林带、MACD）； 4. 调用 `hp.plot(...)` 绘制图表。 因此，你可以在保留现有 `qt.candle` 调用方式的同时，直接在 HistoryPanel 上 做更细粒度的控制。 常见用法示例： ```python import qteasy as qt # 快速绘制日 K 线（内部走 HistoryPanel 可视化） df = qt.candle( stock='000300.SH', start='2023-06-01', end='2023-12-01', asset_type='IDX', plot_type='candle', interactive=True, ) print(df.head()) # df 为用于绘图的价格数据 ``` 其中 `plot_type` 的意义为： - `'candle'` / `'c'`：使用 OHLC 绘制蜡烛图； - `'ohlc'` / `'o'`：行为与 `'candle'` 接近，仅作为轻量别名保留； - `'line'` / `'l'`：只绘制一维价格折线（通常为 `close`）； - `'none'` / `'n'`：**只取数不绘图**，直接返回 `DataFrame`，方便你用 其它工具自行可视化。 Renko 图（`'renko'` / `'r'`）在新版中已不再内置支持；若需要 Renko 图， 建议使用专门的技术分析或画图库。 ## 获取历史数据，并将数据保存在DataSource中 如果`DataSource`中没有数据，那么`qteasy`将很难发挥所长，因此，首先需要将数据保存到`DataSource`中 `DataSource`类提供了`_fetch_table_data_from_tushare()`函数，来获取并存储历史数据到`DataSource`中，在这个函数的参数中可以直接给出一个`DataFrame`、一个csv文件名或excel文件名，同样也可以连接网络数据提供商的API获取数据。 使用`DataSource`对象获取、更新数据的方法包括： ### `DataSource._fetch_table_data_from_tushare(table, channel, df=None, f_name=None, **kwargs)` 从外部数据源获取数据，调整清洗数据以使它与数据源中的数据表匹配 数据获取渠道，指定本地文件、金融数据API，或直接给出local_df，支持以下选项： - 'df' : 通过参数传递一个df，该df的columns必须与table的定义相同 - 'csv' : 通过本地csv文件导入数据，此时必须给出f_name参数 - 'excel' : 通过一个Excel文件导入数据，此时必须给出f_name参数 - 'tushare' : 从Tushare API获取金融数据，请自行申请相应权限和积分 - 'other' : 其他金融数据API，尚未开发 ### `DataSource.update_table_data()` 检查输入的df，去掉不符合要求的列或行后，将数据合并到table中，包括以下步骤： 1. 检查下载后的数据表的列名是否与数据表的定义相同，删除多余的列 2. 如果datasource type是"db"，删除下载数据中与本地数据重复的部分，仅保留新增数据 3. 如果datasource type是"file"，将下载的数据与本地数据合并并去重 ### `DataSource.read_table_data()` ### 通过本地文件获取数据，并保存到DataSource中： 下面的示例代码将存储在`DataFrame`中的数据保存在`DataSource`中 ```python # stock_data 是事先准备好的股票价格数据，格式为pd.DataFrame df = ds_csv._fetch_table_data_from_tushare(table='stock_basic', channel='df', df=stock_data) ds_csv.update_table_data('stock_basic', df) ds_csv.table_data_exists('stock_basic') ``` ### 通过tushare获取数据，并保存到DataSource中： `tushare`是一个网络金融数据API，提供了大量的金融数据，不过某些数据需要积分才能获取，请自行申请`tushare`账号并获取相应积分 `tushare`的说明文档在这里：https://tushare.pro/document/2 连接到`tushare`获取数据的时候，只需要指定数据表的名称即可，`DataSource`会自行调用相应的`tushare API`下载数据： ```python df = ds_csv._fetch_table_data_from_tushare(table='trade_calendar', channel='tushare') ds_csv.update_table_data('trade_calendar', df) ds_csv.table_data_exists('trade_calendar') ``` ## 连接`tushare`下载数据并保存到本地数据源 `qteasy`提供了`tushare`数据接口，在获取相应`tushare`权限后，可以直接从`tushare`批量下载金融数据，并将数据更新到本地数据源中 例如，下面的命令将2022年3月起到9月之间的所有股票日K线数据下载到本地： 在下载数据前检察`stock_daily`表的信息： ### `qt.refill_data_source(data_source, *args, **kwargs)` 连接到`tushare`下载所需的数据并保存到相应的数据表，给出需要下载的数据表名称，通过`start_date`和`end_date`限定数据的范围，同时可以通过`freq`、`asset_type`等指定不同的数据类型，即可下载表格数据并保存到合适的位置。 重复的数据会被忽略或覆盖已有的数据。 > `qt.refill_data_source()`的`tables`参数指定需要补充的数据表； > 除了直接给出表名称以外，还可以通过表类型同时下载多个数据表的数据： > > - `cal` : 交易日历表，各个交易所的交易日历 > - `basics` : 所有的基础信息表，包括股票、基金、指数、期货、期权的基本信息表 > - `adj` : 所有的复权因子表，包括股票、基金的复权因子，用于生成复权价格 > - `data` : 所有的历史数据表，包括股票、基金、指数、期货、期权的日K线数据以及周、月K线数据 > - `events` : 所有的历史事件表，包括股票更名、更换基金经理、基金份额变动等数据 > - `report` : 财务报表，包括财务指标、三大财务报表、财务快报、月报、季报以及年报 > - `comp` : 指数成分表，包括各个指数的成份股及其百分比 > - `all` : 所有的数据表，以上所有数据表，由于数据量大，建议分批下载 数据下载到本地后，可以使用`qt.get_history_data()`来获取数据，如果同时获取多个股票的历史数据，每个股票的历史数据会被分别保存到一个`dict`中。 例如，通过检查发现，`stock_daily`表中的数据不够完整，最新的数据仅更新到2022年3月22日，数据共有1210万行： ```python qt.get_table_info('stock_daily', verbose=False) ``` , 1.57GB/12.1M records on disc primary keys: ----------------------------------- 1: ts_code: entries starts: 000001.SZ, end: 873527.BJ 2: trade_date: ** entries starts: 1990-12-19, end: 2022-03-22 此时使用`qt.refill_data_source()`函数，批量获取2022年3月以后一直到10月底的`stock_daily`数据 ```python qt.refill_data_source(tables='stock_daily', start_date='20220301', end_date='20221031') ``` 数据下载过程中会通过进度条显示下载进度，同时显示下载读取的数据量和总耗时。由于数据需要分批下载，下载大量的数据可能非常耗时。默认情况下 qteasy会通过多线程并行下载提高速度，但下载频率过快可能会导致tushare权限问题。 [########################################]8/8-100.0% 65417wrtn in 2'24"448 [########################################]163/163-100.0% 786300wrtn in 2'42"199 下载完成后重新检查`stock_daily`的数据：可以发现数据已经增加到1280万行，增加了70万行数据，数据覆盖的日期也达到了2022年10月31日。 ```python qt.get_table_info('stock_daily', verbose=False) ``` , 1.57GB/12.8M records on disc primary keys: ----------------------------------- 1: ts_code: entries starts: 000001.SZ, end: 873527.BJ 2: trade_date: ** entries starts: 1990-12-19, end: 2022-10-31 ## 本地数据的获取和可视化 只要本地数据源中有了数据，就可以非常容易地获取这些数据，如果是量价数据，还可以非常容易地可视化（打印为K线图或价格曲线图） ### 股票或资产的基本信息数据 ### `qt.get_basic_info(code_or_name: str, asset_types=None, match_full_name=False, printout=True, verbose=False)` 获取一个股票或证券的基本信息，`code_or_name`可以是股票的代码，或者股票名称，默认情况下系统会进行全剧匹配查找匹配的证券，如`‘000001’`会匹配到多种不同的证券，所有匹配的证券都会被列出，除非在`asset_type`中指定一种或几种证券类型。 如果设置`match_full_name=True`，则会通过股票或基金的全名来模糊匹配证券 ### `qt.get_stock_info(code_or_name: str, asset_types=None, match_full_name=False, printout=True, verbose=False)` `get_basic_info()`的别称 ### 筛选股票代码 ### `qt.filter_stocks(date: str = 'today', **kwargs)` 根据发行日期、地区、行业、规模、指数成份等多种可用的信息筛选出一部分股票，打印出股票的信息 ### `qt.filter_stock_codes(date: str = 'today', **kwargs)` 根据发行日期、地区、行业、规模、指数成份等多种可用的信息筛选出一部分股票，返回股票的完整代码 ### 提取金融历史数据 ### **`qt.get_history_data(htypes, shares=None, start=None, end=None, freq=None, asset_type=None, adj=None, as_data_frame=True, group_by=None, **kwargs)`** 这个函数从默认`QT_DATA_SOURCE`中提取数据，根据输入的数据类型、股票代码、日期范围以及频率等参数，输出多个`DataFrame`或`HistoryPanel`对象 这些`DataFrame`保存在一个dict中，这个dict的键为股票代码或数据类型，值为按股票代码或数据类型分组的数据框 ### 量价数据的可视化 ### **`qt.candle(stock=None, start=None, end=None, stock_data=None, asset_type=None, freq=None, plot_type='candle', interactive=True, data_source=None, **kwargs）`** 这个函数从本地数据源中提取股票的价格数据，并生成一张完整的动态高级K线图 示例： ## 查找证券的基本信息 使用`qt.get_basic_info()`获取证券的基本信息 在`DataSource`中准备好相关的金融数据后，还可以方便地查找证券的信息，通过证券代码（六位数字）或证券的名称搜索证券，并打印出详细信息。 使用证券名称搜索时，支持模糊查找或使用通配符： 例如，通过六位代码获取证券信息： ```python qt.get_basic_info('601728') ``` found 1 matches, matched codes are {'E': {'601728.SH': '中国电信'}, 'IDX': {}, 'FT': {}, 'FD': {}, 'OPT': {}, 'count': 1} More information for asset type E: ------------------------------------------ ts_code 601728.SH name 中国电信 area 北京 industry 电信运营 fullname 中国电信股份有限公司 list_status L list_date 2021-08-20 ------------------------------------------- 也可以直接通过证券名称来查找证券，模糊查找匹配多个证券，例如： ```python qt.get_basic_info('中国证券') ``` Too many matched codes 128, best matched are {'E': {'000728.SZ': '国元证券'}, 'IDX': {'100630.CIC': '中金证券'}, 'FD': {'001552.OF': '天弘中证证券保险A'}} pass "verbose=Ture" to view all matched assets More information for asset type E: ------------------------------------------ ts_code 000728.SZ name 国元证券 area 安徽 industry 证券 fullname 国元证券股份有限公司 list_status L list_date 1997-06-16 ------------------------------------------- More information for asset type IDX: ------------------------------------------ ts_code 100630.CIC name 中金证券 fullname 中金证券指数 publisher 中金公司 category 其他 list_date None ------------------------------------------- More information for asset type FD: ------------------------------------------ ts_code 001552.OF name 天弘中证证券保险A management 天弘基金 custodian 国泰君安 fund_type 股票型 issue_date 2015-06-29 issue_amount 0.05 invest_type 被动指数型 type 契约型开放式 ------------------------------------------- 通过证券名称匹配证券时，支持通过通配符查找： ```python qt.get_basic_info('中国?通') ``` found 2 matches, matched codes are {'E': {'600050.SH': '中国联通', '601698.SH': '中国卫通'}, 'IDX': {}, 'FD': {}, 'count': 2} More information for asset type E: ------------------------------------------ ts_code 600050.SH 601698.SH name 中国联通 中国卫通 area 北京 北京 industry 电信运营 电信运营 fullname 中国联合网络通信股份有限公司 中国卫通集团股份有限公司 list_status L L list_date 2002-10-09 2019-06-28 ------------------------------------------- 默认情况下，并不会查找证券的全名，如果有必要，可以匹配全名，例如: ```python # 使用‘贵州钢绳’为关键字搜索股票代码，不匹配全名时，找不到匹配的结果： qt.get_basic_info('贵州钢绳') ``` 结果如下： found 0 matches, matched codes are {'E': {}, 'IDX': {}, 'FD': {}, 'count': 0} ```python # 然而如果设置了匹配全名`match_full_name=True`，则能够找到匹配的代码： qt.get_basic_info('贵州钢绳', match_full_name=True) ``` 结果如下： found 1 matches, matched codes are {'E': {'600992.SH': '贵绳股份'}, 'IDX': {}, 'FD': {}, 'count': 1} More information for asset type E: ------------------------------------------ ts_code 600992.SH name 贵绳股份 area 贵州 industry 钢加工 fullname 贵州钢绳股份有限公司 list_status L list_date 2004-05-14 ------------------------------------------- `qt.filter_stocks`被用来根据某些标准筛选股票，例如： ```python # 筛选2000年以后发行的HS300指数成份股 qt.filter_stocks(date = '20000101', index='000300.SH') ```
symbol name area industry market list_date exchange
ts_code
000001.SZ 000001 平安银行 深圳 银行 主板 1991-04-03 SZSE
000002.SZ 000002 万科A 深圳 全国地产 主板 1991-01-29 SZSE
000063.SZ 000063 中兴通讯 深圳 通信设备 主板 1997-11-18 SZSE
000069.SZ 000069 华侨城A 深圳 旅游景点 主板 1997-09-10 SZSE
000100.SZ 000100 TCL科技 广东 元器件 主板 2004-01-30 SZSE
... ... ... ... ... ... ... ...
603486.SH 603486 科沃斯 江苏 家用电器 主板 2018-05-28 SSE
605499.SH 605499 东鹏饮料 深圳 软饮料 主板 2021-05-27 SSE
688561.SH 688561 奇安信-U 北京 软件服务 科创板 2020-07-22 SSE
688599.SH 688599 天合光能 江苏 电气设备 科创板 2020-06-10 SSE
688981.SH 688981 中芯国际 上海 半导体 科创板 2020-07-16 SSE

397 rows × 7 columns

```python # 筛选行业为“航空或全国地产,且区域为‘上海、北京及山东“的股票 qt.filter_stocks(industry='航空, 全国地产', area='上海,北京,山东') ```
name area industry market list_date exchange
ts_code
000402.SZ 金融街 北京 全国地产 主板 1996-06-26 SZSE
000620.SZ 新华联 北京 全国地产 主板 1996-10-29 SZSE
002111.SZ 威海广泰 山东 航空 中小板 2007-01-26 SZSE
002829.SZ 星网宇达 北京 航空 中小板 2016-12-13 SZSE
002933.SZ 新兴装备 北京 航空 中小板 2018-08-28 SZSE
002985.SZ 北摩高科 北京 航空 中小板 2020-04-29 SZSE
300034.SZ 钢研高纳 北京 航空 创业板 2009-12-25 SZSE
300719.SZ 安达维尔 北京 航空 创业板 2017-11-09 SZSE
300965.SZ 恒宇信通 北京 航空 创业板 2021-04-02 SZSE
600118.SH 中国卫星 北京 航空 主板 1997-09-08 SSE
600372.SH 中航电子 北京 航空 主板 2001-07-06 SSE
600657.SH 信达地产 北京 全国地产 主板 1993-05-24 SSE
600708.SH 光明地产 上海 全国地产 主板 1996-06-06 SSE
600748.SH 上实发展 上海 全国地产 主板 1996-09-25 SSE
600760.SH 中航沈飞 山东 航空 主板 1996-10-11 SSE
600791.SH 京能置业 北京 全国地产 主板 1997-01-30 SSE
600823.SH 世茂股份 上海 全国地产 主板 1994-02-04 SSE
```python # 获取历史数据：股票00001.SH的日K线数据 qt.get_history_data(shares='000001.SH', htypes='open,high,low,close,vol', freq='d', start='20200101', end='20201231') ``` 生成的结果是一个`dict`，默认情况下以股票代码为`key`，`value`是一个包含所有需要类型的历史数据的`DataFrame`： {'000001.SH': open high low close vol 2020-01-02 3066.34 3098.10 3066.34 3085.20 292470208.0 2020-01-03 3089.02 3093.82 3074.52 3083.79 261496667.0 2020-01-06 3070.91 3107.20 3065.31 3083.41 312575842.0 2020-01-07 3085.49 3105.45 3084.33 3104.80 276583111.0 2020-01-08 3094.24 3094.24 3059.13 3066.89 297872553.0 ... ... ... ... ... ... 2020-12-25 3351.79 3397.01 3348.35 3396.56 294546895.0 2020-12-28 3396.36 3412.52 3383.65 3397.29 316181542.0 2020-12-29 3399.29 3407.09 3376.09 3379.04 311769185.0 2020-12-30 3375.01 3414.45 3374.42 3414.45 291023543.0 2020-12-31 3419.73 3474.92 3419.73 3473.07 335673926.0 [261 rows x 5 columns]} 如果需要同时读取多个股票的多种数据，也可以实现。而且可以设置不同的数据频率 ```python # 获取历史数据：股票00001.SH, 000002.SH的多种价格和财务指标数据，且将数据整理为‘周'频率 qt.get_history_data(shares='000001.SH, 000002.SH, 000003.SH', htypes='pe, ebitda, pb, eps, total_income', freq='w', start='20200101', end='20200228') ``` 结果如下： {'000001.SH': pe ebitda pb eps total_income 2020-01-03 14.22 NaN 1.42 NaN NaN 2020-01-10 14.23 NaN 1.42 NaN NaN 2020-01-17 14.14 NaN 1.41 NaN NaN 2020-01-24 13.70 NaN 1.36 NaN NaN 2020-01-31 13.70 NaN 1.36 NaN NaN 2020-02-07 13.29 NaN 1.32 NaN NaN 2020-02-14 13.48 NaN 1.34 NaN NaN 2020-02-21 13.85 NaN 1.39 NaN NaN 2020-02-28 13.14 NaN 1.32 NaN NaN, '000002.SH': pe ebitda pb eps total_income 2020-01-03 NaN NaN NaN NaN NaN 2020-01-10 NaN NaN NaN NaN NaN 2020-01-17 NaN NaN NaN NaN NaN 2020-01-24 NaN NaN NaN NaN NaN 2020-01-31 NaN NaN NaN NaN NaN 2020-02-07 NaN NaN NaN NaN NaN 2020-02-14 NaN NaN NaN NaN NaN 2020-02-21 NaN NaN NaN NaN NaN 2020-02-28 NaN NaN NaN NaN NaN, '000003.SH': pe ebitda pb eps total_income 2020-01-03 NaN NaN NaN NaN NaN 2020-01-10 NaN NaN NaN NaN NaN 2020-01-17 NaN NaN NaN NaN NaN 2020-01-24 NaN NaN NaN NaN NaN 2020-01-31 NaN NaN NaN NaN NaN 2020-02-07 NaN NaN NaN NaN NaN 2020-02-14 NaN NaN NaN NaN NaN 2020-02-21 NaN NaN NaN NaN NaN 2020-02-28 NaN NaN NaN NaN NaN} 保存到本地的股票量价数据可以直接以K线图的形式显示出来，下面是一些示例： ## 历史价格数据的可视化 `qteasy`支持使用动态K线图展示数据，此时不需要从`DataSource`中读取数据，直接使用`qt.candle()`函数即可实现： ```python data = qt.candle('000004.SZ') ``` ![png](../tutorials/img/output_20_2.png) `qt.candle()`函数支持传入K线图的开始日期、结束日期、K线频率、复权方式以显示不同区间和频率的K线图，也支持传入移动均线的时长和macd的不同参数显示不同的均线，例如，传入下面的参数显示一段时间内的60分钟K线图，且使用后复权价格: ```python data = qt.candle('000004.SZ', start='20220110', end='20220318', adj='b', freq='H') ``` ![png](../tutorials/img/output_22_2.png) `qt.candle()`函数还支持通过股票名称显示K线图，如果输入是股票名称，会自动模糊查找，并且支持通配符。例如： ```python data = qt.candle('国华网安', start='20220110', end='20220318', adj='b', freq='H') ``` ![png](../tutorials/img/output_24_2.png) 下面是更多的K线图例子，展示了股票、基金、指数等不同的资产类别，不同的数据频率，不同的均线设定、不同的图表类型等 ```python import qteasy as qt df = qt.candle('159601', start='20210420', freq='d') df = qt.candle('000001.SH', start = '20211221', asset_type='IDX', plot_type='c') df = qt.candle('000300.SH', start = '20220331', asset_type='IDX', mav=[], plot_type='c') df = qt.candle('000300.SH', start = '20221021', asset_type='IDX', mav=[], plot_type='c', freq='30min') df = qt.candle('601728', freq='30min', adj='b', plot_type='c') df = qt.candle('沪镍主力', start = '20211130', mav=[5, 12, 36]) df = qt.candle('510300', start='20200101', asset_type='FD', adj='b', mav=[]) df = qt.candle('格力电器', start='20220101', asset_type='E', adj='f', mav=[5, 10, 20, 30]) df = qt.candle('513100', asset_type='FD', adj='f', mav=[]) df = qt.candle('110025', asset_type='FD', adj='f', mav=[9, 28]) df = qt.candle('001104', asset_type='FD', adj='f', mav=[12, 26]) ``` ![png](../tutorials/img/output_18_1.png) ![png](../tutorials/img/output_18_2.png) ![png](../tutorials/img/output_18_3_copy.png) ![png](../tutorials/img/output_18_4.png) ![png](../tutorials/img/output_18_5.png) ![png](../tutorials/img/output_18_6.png) ![png](../tutorials/img/output_18_7.png) ![png](../tutorials/img/output_18_8.png) ![png](../tutorials/img/output_18_9.png) ![png](../tutorials/img/output_18_10.png) ![png](../tutorials/img/output_18_11.png)