一、简介以及环境安装
TuShare是一个著名的免费、开源的python财经数据接口包。其官网主页为：TuShare -财经数据接口包。该接口包如今提供了大量的金融数据，涵盖了股票、基本面、宏观、新闻的等诸多类别数据（具体请自行查看官网），并还在不断更新中。TuShare可以基本满足量化初学者的回测需求
环境安装：pip install tushare。如果是老版本升级，可以用升级命令pip install tushare --upgrade3，在python中导入包：import tushare as ts
二.Tushare的使用
如何用tushare获取股票行情数据，使用的是ts.get_hist_data()函数或者ts.get_k_data（）函数。输入参数为：
code：股票代码，即6位数字代码，或者指数代码（sh=上证指数 sz=深圳成指 hs300=沪深300指数 sz50=上证50 zxb=中小板 cyb=创业板） start：开始日期，格式YYYY-MM-DD end：结束日期，格式YYYY-MM-DD ktype：数据类型，D=日k线 W=周 M=月 5=5分钟 15=15分钟 30=30分钟 60=60分钟，默认为D retry_count：当网络异常后重试次数，默认为3 pause:重试时停顿秒数，默认为0
返回值说明：
date：日期
open：开盘价
high：最高价
close：收盘价
low：最低价
volume：成交量
price_change：价格变动
p_change：涨跌幅
ma5：5日均价
ma10：10日均价
ma20:20日均价
v_ma5:5日均量
v_ma10:10日均量
v_ma20:20日均量
turnover:换手率[注：指数无此项]
案例应用：
使用tushare包获取某股票(贵州茅台)的历史行情数据。
#获取k线数据，加载至DataFrame中 df = ts.get_k_data("600519",start="1988-01-01") #将从Tushare中获取的数据存储至本地 df.to_csv("600519.csv") #将原数据中的时间作为行索引，并将字符串类型的时间序列化成时间对象类型 df = pd.read_csv("600519.csv", index_col='date',parse_dates=['date'])[['open','close','high','low']] # index_col将某一列的数据作为源数据的索引,parse_dates解析为时间类型
输出该股票所有收盘比开盘上涨3%以上的日期。
#输出该股票所有收盘比开盘上涨3%以上的日期。 b_indexs = (df['close'] - df['open'])/df['open']>0.03 b_indexs # 返回布尔值，可以将这组布尔值作为行索引 df[b_indexs].index # 获得符合条件的日期即行索引 """ 输出结果DatetimeIndex(['2001-08-27', '2001-08-28', '2001-09-10', '2001-12-21', '2002-01-18', '2002-01-31', '2003-01-14', '2003-10-29', '2004-01-05', '2004-01-14', ... '2018-09-18', '2018-09-26', '2018-10-19', '2018-10-31', '2018-11-13', '2018-12-28', '2019-01-15', '2019-02-11', '2019-03-01', '2019-03-18'], dtype='datetime64[ns]', name='date', length=295, freq=None)"""
输出该股票所有开盘比前日收盘跌幅超过2%的日期。
condition = (df['open']-df['close'].shift(1))/df['close'].shift(1)<=-0.02 # shift(1) 表示这一列整体向下偏移一位 df[condition].index 执行结果为： DatetimeIndex(['2001-09-12', '2002-06-26', '2002-12-13', '2004-07-01', '2004-10-29', '2006-08-21', '2006-08-23', '2007-01-25', '2007-02-01', '2007-02-06', '2007-03-19', '2007-05-21', '2007-05-30', '2007-06-05', '2007-07-27', '2007-09-05', '2007-09-10', '2008-03-13', '2008-03-17', '2008-03-25', '2008-03-27', '2008-04-22', '2008-04-23', '2008-04-29', '2008-05-13', '2008-06-10', '2008-06-13', '2008-06-24', '2008-06-27', '2008-08-11', '2008-08-19', '2008-09-23', '2008-10-10', '2008-10-15', '2008-10-16', '2008-10-20', '2008-10-23', '2008-10-27', '2008-11-06', '2008-11-12', '2008-11-20', '2008-11-21', '2008-12-02', '2009-02-27', '2009-03-25', '2009-08-13', '2010-04-26', '2010-04-30', '2011-08-05', '2012-03-27', '2012-08-10', '2012-11-22', '2012-12-04', '2012-12-24', '2013-01-16', '2013-01-25', '2013-09-02', '2014-04-25', '2015-01-19', '2015-05-25', '2015-07-03', '2015-07-08', '2015-07-13', '2015-08-24', '2015-09-02', '2015-09-15', '2017-11-17', '2018-02-06', '2018-02-09', '2018-03-23', '2018-03-28', '2018-07-11', '2018-10-11', '2018-10-24', '2018-10-25', '2018-10-29', '2018-10-30'], dtype='datetime64[ns]', name='date', freq=None)
假如我从2010年1月1日开始，每月第一个交易日买入1手股票，每年最后一个交易日卖出所有股票，到今天为止，我的收益如何？
price_last = df['open'][-1] df = df['2010':'2019'] #剔除首尾无用的数据 #Pandas提供了resample函数用便捷的方式对时间序列进行重采样，根据时间粒度的变大或者变小分为降采样和升采样： df_monthly = df.resample("M").first() df_yearly = df.resample("A").last()[:-1] #去除最后一年 cost_money = 0 hold = 0 #每年持有的股票 for year in range(2010, 2019): cost_money -= df_monthly.loc[str(year)]['open'].sum()*100 hold += len(df_monthly[str(year)]['open']) * 100 if year != 2019: cost_money += df_yearly[str(year)]['open'][0] * hold hold = 0 #每年持有的股票 cost_money += hold * price_last print(cost_money)