2. 获取并管理金融数据
qteasy是一个完全本地化部署和运行的量化交易分析工具包，具备以下功能：
金融数据的获取、清洗、存储以及处理、可视化、使用
量化交易策略的创建，并提供大量内置基本交易策略
向量化的高速交易策略回测及交易结果评价
交易策略参数的优化以及评价
交易策略的部署、实盘运行
通过本系列教程，您将会通过一系列的实际示例，充分了解qteasy的主要功能以及使用方法。
2.1. 开始前的准备工作
在开始本教程前，请完成以下工作：
完成
qteasy的安装并升级到最新版本注册
tushare pro账户并确保有一定的积分（大多数高级数据需要较多积分才能下载）完成
qteasy.cfg文件的配置，将tushare_token写入配置文件完成
mysql数据库的配置，并将数据库配置写入qteasy.cfg·(可选项)完成
ta-lib的安装 (可选项)
在上一篇教程中，我介绍了如何新建一个虚拟环境，并在新的虚拟环境中安装并初始化qteasy，如果还没有完成这一步的朋友，请移步前一篇教程完成qteasy的安装和基础配置。
另外，为了方便后续图表等功能的使用，建议使用jupyter notebook来进行开发，您可以在新建的虚拟环境中运行以下命令安装jupyter notebook：
(bash): pip install notebook
安装完成后，可以使用下面命令启动jupyter notebook：
(bash): jupyter notebook
启动后，就可以在浏览器中的一个交互式开发环境中运行代码了，如下图所示：
如果不使用jupyter notebook，也可以使用ipython：
(bash): pip install ipython
ipython 运行在terminal中，但是对图表的支持没有那么好
2.2. 获取基础数据以及价格数据
如上一篇教程介绍，刚刚初始化的qteasy是无法调用任何历史数据的，所有历史数据都必须首先下载到本地，保存到一个称为Datasource的数据仓库之后，才能完成后续所有需要数据的工作，例如调用历史数据，进行策略的回测和优化等等。
qteasy需要使用的数据种类很多，所有的数据都是保存在一些预定义的数据表中，Datasource就是一系列数据表的集合。其中最基础的数据表包括：
trade_calendar- 交易日历数据，包括不同交易所的开市、闭市日期计划，每年底更新下一年的交易日历stock_basics- 股票基础信息，包括沪深股市所有股票的基本信息，包括代码、名称、全称、上市日期、分类等等基础信息index_basics- 指数基础信息，包括沪深股市所有指数的基本信息，包括代码、名称、全称等等信息
在配置好tushare_token以后，第一次导入qteasy时，如果系统未找到交易日历数据，会显示信息提示交易日历无法读取。
关于DataSource数据源对象的更多信息，请参见DataSource Reference
>>> import qteasy as qt
提示信息：
UserWarning: trade calendar is not loaded, some utility functions may not work properly, to download trade calendar, run
"qt.refill_data_source(tables='trade_calendar')"
qteasy提供了一个函数get_table_overview()来显示本地存储的数据信息，运行这个函数，可以打印出本地保存的数据表的清单，存储的数据量、占用的磁盘空间大小、以及数据范围等等。
>>> qt.get_table_overview()
数据表分析过程可能会花费几分钟时间，其间会显示进度条显示分析进度。分析完成以后，会显示本地数据源的数据表清单，以及数据表的数据范围等信息。
如果当前数据源中没有任何数据，会输出如下：
Analyzing local data source tables... depending on size of tables, it may take a few minutes
Analyzing completed!
Analyzing tables: 100%|█████████████████████████| 104/104 [00:00<00:00, 9107.58it/s]
Finished analyzing datasource:
file://csv@qt_root/data/
0 table(s) out of 104 contain local data as summary below, to view complete list, print returned DataFrame
===============================tables with local data===============================
Empty DataFrame
Columns: [has_data, size, records, min2, max2]
Index: []
如果本地数据源中没有数据，将会显示上面的内容。此时需要下载数据到本地数据源。
下载交易日历和基础数据
我们可以调用refill_data_source函数下载交易日历和基础数据。这个函数是qteasy的标准数据下载接口函数，所有的历史数据类型均可以通过此接口下载。这个函数的基本参数是tables，传入数据表的名称即可下载相应的数据到本地存储了。使用refill_data_source下载交易数据时，qteasy会自动进行数据清洗，排除重复数据，去除错误数据，发生错误自动重试，并将下载的数据合并到本地数据表中。目前qteasy仅支持通过tushare下载金融数据，未来还会增加其他的金融数据接口，丰富用户选择。
要下载前面提到的交易日历、股票和指数的基本信息，只需要运行下面的代码：
>>> qt.refill_data_source(tables='trade_calendar, stock_basic, index_basic')
数据下载过程中会显示进度条显示下载进度。
输出如下：
Filling data source file://csv@qt_root/data/ ...
into 3 table(s) (parallely): {'trade_calendar', 'index_basic', 'stock_basic'}
<trade_calendar> 72609 wrn: 100%|███████████████| 8/8 [00:03<00:00, 2.39task/s]
<index_basic> 12456 wrn: 100%|██████████████████| 8/8 [00:00<00:00, 9.68task/s]
<stock_basic> 5484 wrn: 100%|███████████████████| 4/4 [00:00<00:00, 5.45task/s]
Data refill completed! 90549 rows written into 3/3 table(s)!
下载完成后，再次运行qt.get_table_overview()函数
>>> qt.get_table_overview()
可以看到数据已经成功下载到本地：
Analyzing local data source tables... depending on size of tables, it may take a few minutes
Analyzing tables: 100%|████████████████████████| 104/104 [00:00<00:00, 967.60it/s]
Analyzing completed!
Finished analyzing datasource:
file://fth@qt_root/data/
3 table(s) out of 104 contain local data as summary below, to view complete list, print returned DataFrame
===============================tables with local data===============================
Has_data Size_on_disk Record_count Record_start Record_end
table
trade_calendar True 1.3MB 73K CFFEX SZSE
stock_basic True 651KB 5K None None
index_basic True 1.1MB 12K None None
可以看到，三张数据表已经被下载到本地数据源，数据源的类型为"file://csv@qt_root/data/"类型（即数据以csv文件形式存储在qt根路径的/data/路径下），包含三张数据表，其中交易日历的范围涵盖到2024年年底。
查看股票和指数的基础数据
上面的基础数据下载好之后，建议重新启动IDE，重新导入qteasy。这时，我们就可以使用qteasy筛选和查找股票/指数了。
查找股票/指数详细信息可以使用get_stock_info()或者get_basic_info()函数，两个函数功能相同，都可以根据输入的证券代码、名称或者关键字查找证券的信息，支持通配符或者模糊查找；如果同一个代码对应不同的qt_code，例如股票000001代表平安银行，对应qt_code: 000001.SZ，而指数000001代表上证指数，qt_code: 000001.SZ，qteasy会罗列出所有的证券信息：
# 通过完整的qt_code获取信息
>>> qt.get_basic_info('000001.SZ')
输出如下:
found 1 matches, matched codes are {'E': {'000001.SZ': '平安银行'}, 'count': 1}
More information for asset type E:
------------------------------------------
ts_code 000001.SZ
name 平安银行
area 深圳
industry 银行
fullname 平安银行股份有限公司
list_status L
list_date 1991-04-03
-------------------------------------------
更多的输出可以查看下图：
在上面的例子中，系统只找到了类型为股票和指数的证券，如果还需要查找基金、期货等更多的证券信息，用同样的方法下载更多的基础数据表即可：
fund_basic: 基金基础数据
future_basic: 期货基础数据
除了查找股票或证券的基本信息以外，我们还能用qt.filter_stock()函数来筛选股票：
>>> qt.filter_stocks(date='20240212', industry='银行', area='上海')
输出如下：
name area industry market list_date exchange
qt_code
600000.SH 浦发银行 上海 银行 主板 1999-11-10 SSE
601229.SH 上海银行 上海 银行 主板 2016-11-16 SSE
601328.SH 交通银行 上海 银行 主板 2007-05-15 SSE
601825.SH 沪农商行 上海 银行 主板 2021-08-19 SSE
下载沪市股票数据
金融数据中最重要的数据类型非量价数据莫属。接下来，我们就来下载历史价格数据。
qteasy的历史数据全都是以K线数据的形式存储在数据表中的，目前支持的K线数据包括：
分钟K线 - 1分钟/5分钟/15分钟/30分钟/60分钟K线
日K线
周K线
月K线
我们同样使用qt.refill_data_source()函数下载股票数据。最常用的股票日K线数据保存在stock_daily表中。不过由于数据量较大，我们最好在下载数据时限定数据的范围，通过start_date/end_date参数，指定下载数据的起始日期，分批下载历史数据，否则，下载的过程将会非常漫长：
>>> qt.refill_data_source(tables='stock_daily', start_date='20230101', end_date='20231231')
上面的代码下载了2023年全年所有已上市股票的日K线数据，同样，下面的代码可以用来下载常用指数（上证指数和沪深300指数）的日K线数据：
>>> qt.refill_data_source(tables='index_daily', symbols='000001, 000300', start_date='20231231', end_date='20240208')
从本地获取股价数据
当股价数据保存在本地之后，就可以随时提取出来使用了。
我们可以使用qt.get_history_data()函数来获取股票的量价数据。这个函数是qteasy的一个通用接口，可以用来获取各种类型的数据。在函数的参数中指定数据的类型（通过数据类型ID）、股票的代码以及其他参数，就可以获取相应的数据了。如果要获取刚刚下载的K线价格，需要设置数据类型为"open, high, low, close, vol"以获取开盘价、最高价、最低价、收盘价和交易量：
>>> qt.get_history_data(
... 'open, high, low, close, vol', # 数据类型，分别为开盘价、最高价、最低价、收盘价、成交量
... shares='000001.SZ', # 股票代码：平安银行
... start='20230101', # 数据开始日期
... end='20230301', # 数据结束日期
... )
得到结果如下：
{'000001.SZ':
open high low close vol
2023-01-04 13.71 14.42 13.63 14.32 2189682.53
2023-01-05 14.40 14.74 14.37 14.48 1665425.18
2023-01-06 14.50 14.72 14.48 14.62 1195744.71
2023-01-09 14.75 14.88 14.52 14.80 1057659.11
2023-01-10 14.76 14.89 14.39 14.44 1269423.39
2023-01-11 14.45 14.78 14.39 14.67 830566.12
2023-01-12 14.77 14.77 14.53 14.67 625694.84
2023-01-13 14.67 14.95 14.55 14.95 949085.83
2023-01-16 14.95 15.28 14.85 15.08 1560039.89
2023-01-17 15.13 15.18 14.77 14.97 935834.54
2023-01-18 14.95 15.18 14.91 15.11 718434.03
2023-01-19 15.13 15.25 14.87 15.09 641875.20
2023-01-20 15.16 15.24 15.00 15.13 608590.08
2023-01-30 15.60 15.74 14.89 15.15 1374317.50
2023-01-31 15.24 15.51 14.96 14.99 1030497.84
2023-02-01 15.03 15.08 14.51 14.70 1653421.48}
上面函数的输出是一个字典，字典的键为shares参数指定的所有股票的代码，而值为一个DataFrame，包含该股票在指定期间的历史数据，这里我们指定了数据类型为K线量价数据。当然，我们也可以指定其他的数据类型，只要这些数据已经下载到了本地，就可以直接读取。
例如，指定数据类型htypes='pe, pb, total_mv'可以获取股票的市盈率、市净率和总市值等三项财务指标。如果某些指标存在缺失值的时候，可以定义填充方式填充缺失值，还可以对数据进行重新采样，将每日的数据变为每周或每小时数据。
关于get_history_data函数参数的详细解释，请参见qteasy文档
生成K线图
使用量价数据，更加方便易读的方法是将数据显示为K线图。
qteasy提供了qt.candle()函数，用于显示专业K线图，只要数据下载到本地后，就可以立即显示K线图：
>>> qt.candle('600004.SH', start='20230101', end='20230301')
下载复权因子数据到本地后，就可以显示复权价格了：
>>> qt.refill_data_source(tables='adj', start_date='20230101', end_date='20230601')
>>> qt.candle('600004.SH', start='20230101', end='20230301', adj='b')
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，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。
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，为了显示下面示例中的K线图，您需要下载相应的数据。
>>> 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])
2.3. 数据类型DataType的查找
前面提到过，qteasy中的所有数据类型均被封装为DataType对象，代表一种可以被直接使用的历史数据，每个DataType均有一个唯一的ID，通过这个ID，可以提取数据，在交易策略中引用该数据类型，完成qteasy中所需的工作。
为了更加了解qteasy中的数据类型，我们可以用qt.find_history_data()函数来查询所需的数据类型。qteasy中定义的数据类型是与数据频率、资产类型挂钩的，也就是说，不同资产的收盘价是不同的数据类型，不同频率的收盘价也是不同的。
qt.find_history_data()函数可以根据输入查找相关的数据类型，并且显示它们的ID，数据表、说明等相关信息，例如，搜索‘close’（收盘价）可以找到所有相关的数据类型：
>>> qt.find_history_data('close')
得到下面输出：
matched following history data,
use "qt.get_history_data()" to load these historical data by its data_id:
------------------------------------------------------------------------
freq asset table desc
data_id
close d E stock_daily 股票日K线 - 收盘价
close w E stock_weekly 股票周K线 - 收盘价
close m E stock_monthly 股票月K线 - 收盘价
close 1min E stock_1min 股票60秒K线 - 收盘价
... ... ... ... ...
close h FD fund_hourly 基金小时K线 - 收盘价
close d Any top_list 融资融券交易明细 - 收盘价
========================================================================
再例如，搜索市盈率pe，可以得到：
>>> qt.find_history_data('pe')
得到下面输出：
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
========================================================================
查找到相应的数据之后，只需要查看该数据所属的数据表，将该数据表下载到本地数据源中(refill_data_source(tables, ...))，即可使用这些数据(qt.get_history_data(htype, shares, ...))了。
简单介绍DataType对象
如上文所示，qteasy中的数据类型是以DataType对象的形式存在的，每个数据类型都有一个唯一的ID，通过这个ID可以提取数据，在交易策略中引用该数据类型，完成qteasy中所需的工作。
DataType代表了可以从数据源中提取出来的一种历史数据，例如，股票日K线的收盘价就是一种历史数据，股票周K线的收盘价又是另一种历史数据，股票月K线的收盘价又是另一种历史数据，虽然它们都是收盘价，但由于频率不同，所以被封装为不同的数据类型。
DataType类封装了统一的数据获取API和属性，大大方便了历史数据在qteasy中的使用。当我们需要使用某种历史数据时，只需要通过该ID使用get_history_data直接获取即可。
而需要在交易策略中使用某种数据，只要在交易策略定义过程中注册该数据的ID，就可以直接在策略中直接使用了，而不需要关心该数据是如何存储的，如何下载的，如何清洗的等等细节问题。
2.4. 定期下载数据到本地
为了保持本地数据源的数据更新，我们可以使用qt.refill_data_source()函数定期下载数据到本地。创建一个文件refill_data.py，并在其中写入以下代码：
import qteasy as qt
if __name__ == '__main__':
# 解析命令行参数，--tabls参数表示数据表类型，--start_date和--end_date表示下载数据的起始日期和结束日期
import argparse
parser = argparse.ArgumentParser(description='refill data source')
parser.add_argument('--tables', type=str, default='stock_daily', help='data table type')
parser.add_argument('--start_date', type=str, default='20230101', help='start date')
parser.add_argument('--end_date', type=str, default='20231231', help='end date')
parser.add_argument('--parallel', type=bool, default=True, help='parallel download')
parser.add_argument('--merge_type', type=str, default='update', help='merge type')
args = parser.parse_args()
tables = args.tables
start_date = args.start_date
end_date = args.end_date
parallel = args.parallel
merge_type = args.merge_type
if tables == 'events':
# 下载低频data和event数据，下载周期较长以cover所有的季度月度周度数据 （每周下载或每月下载）
tables = 'stock_weekly, stock_monthly, index_weekly, index_monthly, '
tables += 'income, balance, cashflow, financial, forecast, express, comp, report, events'
elif tables == 'basics':
# 下载基础数据，下载周期较长以cover所有的季度月度周度数据 （每周下载或每月下载）
tables = 'basics'
elif tables == 'daily':
# 下载日频数据，下载周期较短以减少下载负载 （每天或每周下载）
tables = 'adj, stock_daily, fund_daily, future_daily, options_daily, stock_indicator, stock_indicator2, index_indicator, shibor, libor, hibor, index_daily'
elif tables == 'stock_mins':
tables = 'adj, stock_1min, stock_5min, stock_15min, stock_30min, stock_hourly'
elif tables == 'index_mins':
tables = 'adj, index_1min, index_5min, index_15min, index_30min, index_hourly'
elif tables == 'fund_mins':
tables = 'adj, fund_1min, fund_5min, fund_15min, fund_30min, fund_hourly'
else:
tables == tables
qt.refill_data_source(tables=tables,
start_date=start_date,
end_date=end_date,
parallel= parallel,
merge_type=merge_type)
上面的脚本文件提供了最基本的数据下载功能，可以根据需要修改tables和start_date、end_date参数，以及parallel和merge_type参数，来下载不同的数据类型和不同的数据范围。
您可以自行改进脚本文件以实现更多的功能
要下载2023年全年的stock_daily数据，只需要在命令行中运行以下命令：
(bash): python -m refill_data --tables stock_daily --start_date 20230101 --end_date 20231231
2.5. 回顾总结
至此，我们已经初步了解了qteasy中对数据的管理方式，了解了数据下载的方法。下载了基本数据以及一些量价数据。我们学会了如何提取数据、如何显示K线图。最后，我们还学会了查询数据的方法，如果需要某种数据，知道如何查询，如何下载和调用这些数据。
在下一篇教程中，我们将进一步加深对qteasy的了解，我们将学会如何创建交易策略，如何运行并回测交易策略。
关于qteasy的更多介绍，请参见qteasy文档