在股票投资领域，数据的获取与分析是关键环节之一。无论是技术分析还是基本面分析，都需要依赖于准确的股票数据来制定有效的投资策略。为了满足这一需求，许多投资者和研究人员开始借助编程工具进行数据获取和分析，其中Python凭借其强大的数据处理能力和丰富的库资源，成为了越来越多投资者的首选工具。
本文将基于Datawhale开源量化投资学习指南，介绍股票数据获取的常见方法，涵盖数据分类、技术指标介绍、主流数据获取平台的应用等内容。通过实操Python代码，读者可以学习到如何利用现有数据平台（如BaoStock）进行数据获取与处理，从而为量化投资研究提供数据支持。
1. 股票数据的基本分类
股票数据根据信息来源和分析方法的不同，可以分为两大类：技术面数据和基本面数据。
1.1 技术面数据
技术面数据是通过分析历史价格、成交量等市场行为的变化，预测未来价格走势的指标。常见的技术面数据包括移动平均线、相对强弱指数（RSI）、MACD等。技术分析的核心假设是“市场价格反映一切”，即价格走势已经包含了所有市场参与者的预期。
1.2 基本面数据
基本面数据是指公司的财务状况和运营表现，包括盈利能力、资产负债表、现金流等。通过分析公司财务报表，投资者可以评估公司内在价值，判断其长期投资潜力。常见的基本面数据包括每股收益（EPS）、市盈率（PE）、市净率（PB）等。
2. 股票数据的常见指标介绍
股票分析中，技术面和基本面数据都有其重要的参考价值，以下是常见的几种指标。
2.1 技术面常见指标
-
移动平均线（Moving Average, MA）
移动平均线通过平滑价格波动来判断趋势。常见的有简单移动平均线（SMA）和指数移动平均线（EMA）。当短期移动平均线上穿长期移动平均线时，通常预示着上涨趋势，反之则可能是下跌趋势。 -
相对强弱指数（RSI）
RSI用于判断市场的超买超卖情况，其取值范围在0到100之间。低于30表示超卖，意味着可能出现反弹；高于70表示超买，可能出现回调。 -
MACD
MACD结合了移动平均线的长短期差异，通过信号线和柱状图判断价格趋势的强弱。MACD的“金叉”通常被视为买入信号，而“死叉”则是卖出信号。
2.2 基本面常见指标
-
每股收益（EPS）
EPS是衡量公司盈利能力的关键指标，表示公司每股股票带来的净利润。EPS越高，说明公司盈利能力越强。 -
市盈率（PE）
市盈率反映了市场对公司未来盈利的预期。较低的市盈率表示市场对公司预期较低，反之则表示较高的预期。 -
市净率（PB）
PB是股票市场价格与公司每股净资产的比值，用于评估股票是否被高估或低估。
3. Baostock的基础数据获取
3.1 Baostock简介
Baostock是一个开源的证券数据平台，支持免费获取沪深股票的历史数据和财务数据。通过Python API，用户可以方便地获取股票、指数、基金、债券等多种证券的历史行情。
3.2 获取A股历史K线数据
以下是使用Baostock获取沪深A股历史K线数据的示例：
import baostock as bs
import pandas as pd
# 登录系统
lg = bs.login()
# 获取沪深A股历史K线数据
rs = bs.query_history_k_data_plus("sh.600000",
"date,code,open,high,low,close,volume,amount",
start_date='2023-01-01', end_date='2023-12-31',
frequency="d", adjustflag="3")
# 将结果保存为DataFrame
data_list = []
while rs.next():
data_list.append(rs.get_row_data())
result = pd.DataFrame(data_list, columns=rs.fields)
# 保存到本地CSV文件
result.to_csv("history_A_stock_k_data.csv", index=False)
# 登出系统
bs.logout()
通过该代码可以获取指定股票的日线数据，包括开盘价、最高价、最低价、收盘价、成交量等。获取的数据可以存储为CSV文件，以供进一步分析。
4. pandas常见指标的数据清洗
在获取股票数据后，数据清洗是进行分析的第一步。通过pandas库，我们可以轻松完成数据清洗操作。
4.1 pandas介绍
pandas是一个用于数据处理和分析的Python库，提供了高效的数据操作工具。常见的DataFrame结构可以用于存储股票数据，并支持快速筛选、清洗、聚合和变换数据。
4.2 数据清洗步骤
处理缺失值
在分析数据时，缺失值是常见的问题。我们可以使用pandas的fillna()方法进行填充，或者使用dropna()方法删除缺失值。
# 删除缺失值
df.dropna(inplace=True)
# 用均值填充缺失值
df.fillna(df.mean(), inplace=True)
数据转换
股票数据中常包含多种格式的数据，使用pandas的astype()方法可以将数据转换为适当的类型。例如，将日期列转换为日期格式，将价格列转换为浮点数格式。
# 将日期列转换为日期格式
df['date'] = pd.to_datetime(df['date'])
# 将价格列转换为浮点数
df['close'] = df['close'].astype(float)
计算新指标
可以通过计算新指标来扩展数据集，例如计算简单移动平均线：
# 计算20日简单移动平均线
df['SMA_20'] = df['close'].rolling(window=20).mean()
5. 其他数据获取平台的介绍
除了Baostock，市场上还有其他多个数据获取平台提供不同的股票数据服务。
5.1 Tushare
Tushare是另一个流行的开源数据获取平台，提供A股、指数、基金等多种金融数据。通过Tushare，可以方便地获取股票的历史数据、实时行情、财务数据等。
5.2 聚宽
聚宽是一个提供量化投资策略研究和回测的平台，支持Python编程获取多种金融数据。用户可以使用聚宽的API接口获取股票、期货、基金、指数等数据，并通过策略回测进行验证。
5.3 Wind
Wind资讯是一款专业的金融数据平台，提供股票、债券、基金等全市场数据。Wind数据广泛应用于机构投资者，具有较高的数据准确性和专业性，适用于对数据质量要求较高的研究项目。
如果你觉得这篇博文对你有帮助，请点赞、收藏、关注我，并且可以打赏支持我！
欢迎关注我的后续博文，我将分享更多关于人工智能、自然语言处理和计算机视觉的精彩内容。
谢谢大家的支持！