
为什么散户也需要一套Python工具箱
很多人觉得Python是程序员的事,自己只想看看K线、算算均线,手动也能干。可你一旦想同时盯几十只股票、回测一个策略在过去五年的表现,手动操作就变成了体力活。Python的价值在于把重复劳动自动化,让你把精力花在判断上。而这一切的起点,是搞明白哪些库真正能打。
数据获取库:米从哪来
股票分析第一步是拿到干净的数据。国内散户最常用的是akshare和tushare。akshare免费、接口多,股票、期货、基金、宏观经济数据都能抓,缺点是接口偶尔变动,需要关注版本更新。tushare是老牌选择,数据质量稳定,但高级功能需要积分。
国外市场用yfinance最顺手,一行代码就能拉取美股、港股、ETF的日线数据,适合做全球资产配置的回测。pandas-datareader曾经是标配,现在逐渐被上面几个替代,但连接FRED等宏观数据库时仍然好用。

期货数据方面,akshare覆盖了国内主要交易所的日线和分钟线,vnpy生态里的数据接口更专业,适合有程序化交易需求的用户。
数据处理与指标计算库:把原始数据变成信号
拿到数据后,pandas是绝对的核心。它把表格数据变成DataFrame,算移动平均、收益率、波动率就是几行代码的事。numpy负责底层数值计算,pandas的很多功能依赖它。这两个库是地基,必须熟练。
技术指标计算可以用ta或pandas-ta。ta库轻量,支持RSI、MACD、布林带等常见指标,调用方式统一。pandas-ta功能更全,直接给DataFrame追加几十种指标列,适合快速实验。
量化回测绕不开backtrader。它把策略、数据、 broker 模拟、绩效统计串成一条流水线,支持股票和期货。另一款vectorbt基于numpy向量化计算,回测速度极快,适合参数扫描。zipline偏向美股生态,国内使用门槛稍高。
可视化库:让图表替你说话
matplotlib是画图老大哥,什么图都能画,但代码偏啰嗦。plotly交互性好,鼠标悬停能看到具体数值,适合做K线图和回测曲线。mplfinance专门画金融图表,几行代码就能生成带成交量的蜡烛图,比直接用matplotlib省事得多。
一个最小可运行示例
下面这段代码用akshare拉取贵州茅台日线,计算20日均线,并画出收盘价与均线。需要先安装akshare、pandas、mplfinance。
import akshare as ak
import pandas as pd
import mplfinance as mpf
df = ak.stock_zh_a_hist(symbol="600519", period="daily", start_date="20230101", end_date="20231231")
df["日期"] = pd.to_datetime(df["日期"])
df.set_index("日期", inplace=True)
df.rename(columns={"开盘":"Open","最高":"High","最低":"Low","收盘":"Close","成交量":"Volume"}, inplace=True)
df["MA20"] = df["Close"].rolling(20).mean()
ap = [mpf.make_addplot(df["MA20"], color="orange")]
mpf.plot(df, type="candle", volume=True, addplot=ap, style="charles")
这段代码跑通,你就有了一个可以反复用的行情看板。改动symbol和日期,就能看任意A股。期货数据把接口换成ak.futures_zh_daily_sina,参数换成对应合约代码即可。
组合使用的心法
库不在多,在于打通一条从数据到信号再到验证的链路。我的习惯是:akshare拿数据,pandas清洗和算指标,backtrader做策略回测,plotly画净值曲线。这条链路跑顺了,再根据需求替换或增加库。
不要一上来就追求全自动交易,先把分析环节跑通。回测结果好看不代表实盘能赚钱,但回测能帮你排除那些明显不靠谱的想法,这就已经省下真金白银了。
