如何用 Python 轻松搞定量化交易数据获取？一个免费库打通四大金融市场-平芜编程栈

如何用 Python 轻松搞定量化交易数据获取？一个免费库打通四大金融市场

【免费下载链接】efinanceefinance 是一个可以快速获取基金、股票、债券、期货数据的 Python 库，回测以及量化交易的好帮手！🚀🚀🚀项目地址: https://gitcode.com/gh_mirrors/ef/efinance

做量化交易的第一道坎，往往不是策略写不出来，而是数据不知道从哪里拿。说句得罪人的实话：量化交易数据获取本该是整套流程里最简单的一环，却劝退了最多新手。

我第一次搭交易系统时就栽在这里：想同时盯股票和基金，先注册了两个数据服务商的账号，一个要配 API 密钥，另一个返回全英文字段，还得写脚本做字段映射；等想把债券、期货也接进来时，我已经在四份风格迥异的文档里晕头转向。一周过去，策略一行没写，光在跟数据格式搏斗。

后来我遇到 efinance 这个开源库，才意识到这件事本可以不这么痛苦。

一个库，给四大金融市场统一的数据入口 🎯

efinance 是免费、开源的 Python 库，基于东方财富网的数据源，把股票、基金、债券、期货四类金融数据封装成风格一致的 API。最打动我的一点：不需要注册、不需要密钥、不需要理解底层接口，装好就能用——相当于一套开箱即用的免费金融数据接口。

安装只需一条命令：

pip install efinance

然后，三行代码就能用 Python 获取股票历史数据，比如贵州茅台二十多年的日 K 线：

import efinance as ef # 获取贵州茅台的历史日 K 线，默认返回前复权数据 stock_df = ef.stock.get_quote_history('600519') print(f'共 {len(stock_df)} 行记录') print(stock_df[['日期', '开盘', '收盘', '涨跌幅']].tail(3))

返回的是规整的 pandas DataFrame，日期、开高低收、成交量、成交额、涨跌幅、换手率等常用列一应俱全，拿到就能直接进 pandas 做计算。它还支持传入代码列表一次批量拉取——传列表时返回一个以代码为键的字典。

"换一家数据源就要重学一套接口"的体验，在这里被统一掉了。

实战主线：用 efinance 搭一个迷你数据看板

光看单函数没感觉，下面用一个小项目串起完整流程：做一个覆盖四大金融市场的迷你看板，体验一遍量化交易数据获取的真实节奏。

看板核心代码只有十几行：

import efinance as ef # 1. 股票：贵州茅台今年以来的日 K 线 stock = ef.stock.get_quote_history('600519', beg='2026-01-01') # 2. 基金：白酒指数基金的历史净值 fund = ef.fund.get_quote_history('161725') # 3. 债券：全市场可转债实时行情（取前 5 行演示） bond = ef.bond.get_realtime_quotes().head(5) # 4. 期货：先取全市场行情，用第一个合约的行情 ID 再取历史数据 futures_id = ef.futures.get_realtime_quotes().iloc[0]['行情ID'] futures = ef.futures.get_quote_history(futures_id) # 顺手算个 5 日均线，验证数据可直接进入分析流程 stock['MA5'] = stock['收盘'].rolling(5).mean() print('股票最新收盘:', stock['收盘'].iloc[-1]) print('基金最新净值:', fund['单位净值'].iloc[-1]) print('债券样例:', bond[['债券代码', '债券名称', '涨跌幅']]) print('期货最新收盘:', futures['收盘'].iloc[-1])

运行后，四个市场的关键数据一次性汇总到控制台。全程没有注册账号、没有配置密钥，从安装到跑通不到十分钟。拿到 DataFrame 之后，画 K 线、算指标、喂给机器学习模型，都交给熟悉的 pandas 生态即可。

3 个必须避开的坑

用了几个月，我踩过几个印象深刻的坑，提前帮你绕开：

坑一：默认拉全量历史数据，循环请求容易触发限流

get_quote_history默认从 1900 年拉到今天，动辄几千行。如果你在循环里对几十只股票各拉一次全量，很容易被数据源限流，表现为偶发超时或空返回。

应对有两招：一是用beg、end参数按需缩小时间范围；二是加一层本地缓存，避免重复请求：

import os import time import pandas as pd def fetch_with_cache(code, cache_dir='./data'): """本地缓存 6 小时，减少重复请求""" path = os.path.join(cache_dir, f'{code}.csv') os.makedirs(cache_dir, exist_ok=True) if os.path.exists(path) and time.time() - os.path.getmtime(path) < 6 * 3600: return pd.read_csv(path) df = ef.stock.get_quote_history(code) df.to_csv(path, index=False) return df

坑二：频率和复权参数没搞清楚，算出的指标对不上

get_quote_history有两个常用参数：klt控制频率，fqt控制复权方式。我最初用日线参数去取分钟级数据，返回空表，排查半天才发现是频率代码写错了。常用频率对照如下：

klt 值	含义	典型用途
101	日线	趋势分析、回测
102	周线	中期波段
103	月线	资产配置
1 / 5 / 15 / 30 / 60	对应分钟线	日内交易

fqt取值为 1 前复权、2 后复权、3 不复权。回测建议用默认的前复权，研究分红除权才需要不复权数据。

坑三：批量请求没有错误兜底，一次网络抖动拖垮整个脚本

数据源偶尔抽风是常态，批量拉数时一定要给单次失败留退路。简单的做法是把重试逻辑包进一个函数，失败时按指数退避等待再试，连续失败就返回空表，而不是让整个程序崩溃。网络不稳定时，这层兜底能省下大把排查时间。

想继续深入？这些入口别错过 📌

API 文档：四个模块全部函数的参数说明和示例在 docs/api.md。
示例代码：examples/ 下有股票、基金、债券、期货四个 Jupyter Notebook，照着跑一遍基本就上手了，适合作为量化交易入门的第一份练习材料。
版本动态：新功能与接口调整记录在 changelog.md，升级前值得扫一眼。
源码学习：想了解实现细节或二次开发，可以克隆仓库git clone https://gitcode.com/gh_mirrors/ef/efinance后阅读源码。