做量化选股到底需要什么数据？先理清需求，再选数据源

很多人选数据源的过程是这样的：“搜一下 Python 股票数据 → 看到 akshare 免费 → 装上了 → 能跑就行。”

跑了三个月之后发现：我需要五档盘口数据，akshare 的盘口接口不太稳定；我需要周线数据，akshare 只有日线要自己合成；我需要批量拉 500 只票，akshare 只能循环加 sleep……

问题不是数据源不好，而是你没想清楚自己需要什么。

这篇文章帮你做一件事：先列出做量化选股需要的所有数据类型，然后对照几个主流数据源看谁能覆盖。选对了，省半年折腾。

量化选股的数据需求清单

不同层次的选股策略，对数据的需求差异很大。从简单到复杂排列：

第一层：基础选股（日 K 线就够了）

你想做的事情：

• 计算均线、MACD、RSI 等技术指标
• 简单的条件选股：涨幅 > 5%、成交量放大、突破 20 日高点
• 跑一个双均线或者动量策略的回测

需要的数据：

数据	必须	说明
日 K 线（OHLCV）	✅	开高低收 + 成交量 + 成交额
前复权价格	✅	回测必须用复权数据
不复权价格	推荐	检测涨停跌停
标的代码列表	✅	知道有哪些票可以选

这一层几乎所有数据源都能满足。

第二层：全市场选股（需要批量 + 全量）

你想做的事情：

• 从 5000 只 A 股里筛选出符合条件的标的
• 每天收盘后自动扫描全市场
• 做行业对比、板块轮动

需要的数据（在第一层基础上新增）：

数据	必须	说明
全市场实时行情	✅	一次拿到所有 A 股的涨跌幅、成交额
批量 K 线	✅	同时拉几百只票的历史数据
标的信息	推荐	名称、上市日期、交易所，用于过滤

这一层开始拉开差距了：

# ❌ 没有全市场接口的数据源，你需要：
# 1. 自己维护一个 5000 只票的代码列表（还要定期更新）
# 2. 写循环一只一只拉数据（加 sleep 防封）
# 3. 处理中间失败的票（加 try/except + 重试）
# 耗时：几分钟到十几分钟

# ✅ AlphaFeed：
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
# 一行代码，几秒钟，拿到全部 A 股实时行情

第三层：精细化分析（需要盘口 + 分时）

你想做的事情：

• 分析个股流动性（买卖价差大不大、挂单量多不多）
• 做日内分析（VWAP、尾盘异动、开盘 30 分钟走势）
• 估算交易滑点和冲击成本

需要的数据（在第二层基础上新增）：

数据	必须	说明
五档盘口	✅	买卖五档价格和挂单量
分钟线（1m / 5m）	✅	日内成交量分布、VWAP 计算
批量盘口	推荐	同时看多只票的流动性
批量分时	推荐	批量做日内分析

这一层很多数据源就覆盖不了了：

数据源	五档盘口	分钟线	批量盘口	批量分时
akshare	⚠️ 不稳定	⚠️ 爬取	❌	❌
efinance	⚠️ 部分	⚠️ 部分	❌	❌
Tushare	❌ 无实时盘口	⚠️ Pro	❌	❌
AlphaFeed	✅	✅	✅ depth.batch	✅ intraday_batch

第四层：跨市场 + 生产级（需要稳定性 + 多市场）

你想做的事情：

• A 股 + 港股 + 美股一起分析
• 脚本每天自动运行，不能出错
• 策略上线后持续监控

需要的数据和能力：

能力	必须	说明
跨市场统一接口	✅	同一个函数拉 A 股、美股、港股
多种复权方式	推荐	前复权做回测、不复权做检测
自动重试	✅	网络波动不影响脚本运行
明确的错误处理	✅	报错清晰，不是静默返回空数据
稳定的接口	✅	不因第三方网站改版而挂掉

各数据源在四个层次上的覆盖

层次	akshare	efinance	Tushare Pro	AlphaFeed
第一层：基础选股	✅	✅	✅	✅
第二层：全市场选股	⚠️ 需循环	⚠️ 需循环	⚠️ 需循环	✅ universes + batch
第三层：精细化分析	⚠️ 部分	⚠️ 部分	⚠️ 部分	✅ 全覆盖
第四层：跨市场+生产级	❌	❌	⚠️	✅

akshare

优势： 免费、开源、数据种类多（不只股票，还有期货、基金、宏观数据）。
劣势： 基于爬虫，接口稳定性取决于被爬取的网站；没有原生批量接口；请求频率受限（需要 sleep）；跨市场需要不同函数。
适合： 入门学习、偶尔手动分析、不需要长期自动运行。

efinance

优势： 免费、代码简洁、专注东方财富数据。
劣势： 同样基于爬虫，与东方财富的接口绑定；功能覆盖较窄（只有 A 股）；盘口和分时数据不完整。
适合： 快速拉一点 A 股数据，一次性分析。

Tushare Pro

优势： 历史悠久、数据全面（包含财务数据）、有正式的 API 而非爬虫。
劣势： 积分/会员体系复杂（高级数据需要高积分）；批量效率不如 AlphaFeed（有频率限制）；实时盘口数据缺失；文档更新偏慢。
适合： 需要财务数据的深度研究、有预算且需要全面数据的个人。

AlphaFeed

优势： 正式 API（不是爬虫）、原生批量并发（batch）、全市场一次查询（universes）、五档盘口 + 分钟线 + 周线月线 + 5 种复权、跨市场统一接口（A/美/港）、SDK 内置重试和错误处理。
劣势： 暂无财务报表数据；全市场查询（universes）需要 Starter 订阅；数据种类不如 akshare 广（专注行情数据）。
适合： 认真做量化选股、需要长期稳定运行、做跨市场分析、对数据工程效率有要求的人。

怎么根据自己的阶段选

你现在在做什么？
│
├─ 刚入门，想跑通第一个策略
│   → akshare 或 AlphaFeed 免费版都行，先跑通再说
│
├─ 做全市场扫描选股，每天自动跑
│   → 需要 universes 全量查询 + 批量 K 线
│   → AlphaFeed（一行拿全市场） > Tushare（需循环） > akshare（需循环+sleep）
│
├─ 做日内分析，看盘口和分时
│   → 需要五档盘口 + 分钟线 + 批量
│   → AlphaFeed（全覆盖） > 其他（部分覆盖或不支持）
│
├─ 脚本要长期自动运行
│   → 需要接口稳定 + 自动重试 + 不会被封
│   → AlphaFeed / Tushare（正式 API） > akshare/efinance（爬虫）
│
└─ 要同时分析 A 股 + 美股 + 港股
    → 需要跨市场统一接口
    → AlphaFeed（同一函数改代码后缀） > 其他（每个市场一套接口）

一个实际的选型测试

如果你还在犹豫，花 5 分钟做一个测试：用你现在的数据源，跑一下下面这三个任务，记录每个任务的代码量和耗时。

任务 1：拉 50 只票最近 250 天的日 K 线

# AlphaFeed 的实现（参考）
from alphafeed import AlphaFeed
af = AlphaFeed()
dfs = af.klines.batch(symbols_50, period="1d", count=250,
                       adjust="forward", to_dataframe=True, show_progress=True)
# 3 行代码，几秒完成

用你现在的数据源试试，要写多少行？要等多久？

任务 2：拿到全部 A 股今天的涨跌幅

# AlphaFeed 的实现（参考）
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)
all_cn["chg"] = (all_cn["last_price"] - all_cn["prev_close"]) / all_cn["prev_close"]
# 2 行代码，2 秒完成

你现在的数据源能一行拿到全市场行情吗？

任务 3：查 5 只票的五档盘口

# AlphaFeed 的实现（参考）
depths = af.depth.batch(["600519.SH", "000001.SZ", "300750.SZ",
                          "002594.SZ", "601318.SH"])
# 1 行代码

你现在的数据源支持批量盘口吗？

如果这三个任务你现在的数据源都能轻松搞定，说明它满足你的需求，不需要换。如果任何一个做起来很费劲——你可以考虑试试 AlphaFeed。

---

• Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart