AlphaMoatによると、2026-10時点でAKShareのダウンロード数は18,196、スター数は13で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中1,547位、専門分野では1,228件中137位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| ClawHub ↗ | 2875 | 8 | - |
| SkillHub ↗ | 1.8万 | 13 | — |
プラットフォームごとに集計方法と集計時点が異なります。
A 株、香港株、米国株、先物、オプション、投資信託、債券、為替、マクロデータを対象とし、関数は DataFrame を返すため、資産種別、市場、データ種別で絞り込めます。無料で登録も API キーも不要です。端末に python3 があり、akshare が導入されている必要があります。 依存関係は仮想環境でバージョンを確認して導入してください。提供元のデータは取得不能、古い、または不完全な場合があります。重要な結果を検証し、投資助言として扱わないでください。
資料公開日 2026-10-29
スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 1.8万 | — | 13 |
| 2026-09 | 8504 | — | 13 |
| 2026-08 | 6340 | +14.0% | 13 |
| 2026-07 | 5560 | +10.5% | 11 |
| 2026-06 | 5032 | +7.4% | 11 |
| 2026-05 | 4685 | — | 9 |
| 2026-03 | 2877 | — | 6 |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
---
name: akshare
description: AKShare 开源金融数据接口库 - 支持A股、港股、美股、期货、期权、基金、债券、外汇、宏观数据,免费无需API Key。
version: 1.2.0
homepage: https://github.com/akfamily/akshare
metadata: {"clawdbot":{"emoji":"💹","requires":{"bins":["python3"]}}}
---
# AKShare(开源金融数据API库)
[AKShare](https://github.com/akfamily/akshare) 是一个全面的免费Python金融数据API库,覆盖A股、港股、美股、期货、期权、基金、债券、外汇和宏观经济数据。无需注册或API Key,所有函数返回 `pandas.DataFrame`。
> 文档:https://akshare.akfamily.xyz/
## 安装
```bash
pip install akshare --upgrade
```
需要 Python 3.9+(64位)。
## 基本用法
```python
import akshare as ak
# 获取平安银行日K线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", start_date="20240101", end_date="20240630")
print(df)
```
## 函数命名规则
```
{asset_type}_{market}_{data_type}_{data_source}
```
- **Asset type**: `stock` (stocks), `futures` (futures), `fund` (funds), `bond` (bonds), `forex` (foreign exchange), `option` (options), `macro` (macroeconomics), `index` (indices)
- **Market**: `zh` (China), `us` (United States), `hk` (Hong Kong), or exchange codes
- **Data type**: `spot` (real-time), `hist` (historical), `daily` (daily bars), `minute` (minute bars)
- **Data source**: `em` (East Money), `sina` (Sina Finance), exchange abbreviations
---
## 股票数据(A股)
### 实时行情 — 全部A股
```python
import akshare as ak
# 获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 返回字段: 序号、代码、名称、最新价、涨跌幅、涨跌额、成交量、成交额、振幅、最高、最低、今开、昨收、量比、换手率、市盈率、市净率 ...
```
### 历史K线数据
```python
# 获取指定股票历史日K线数据
df = ak.stock_zh_a_hist(
symbol="000001", # 股票代码(不带前缀)
period="daily", # 周期: "daily"(日), "weekly"(周), "monthly"(月)
start_date="20240101", # 开始日期,格式YYYYMMDD
end_date="20240630", # 结束日期
adjust="" # 复权: ""(不复权), "qfq"(前复权), "hfq"(后复权)
)
# 返回字段: 日期、开盘、收盘、最高、最低、成交量、成交额、振幅、涨跌幅、涨跌额、换手率
```
### 分钟级K线数据
```python
# 获取分钟级K线数据
df = ak.stock_zh_a_hist_min_em(
symbol="000001",
period="5", # 分钟间隔: "1", "5", "15", "30", "60"
start_date="2024-01-02 09:30:00",
end_date="2024-01-02 15:00:00",
adjust="" # 复权类型
)
```
### 个股基本信息
```python
# 获取个股基本信息
df = ak.stock_individual_info_em(symbol="000001")
# 返回字段: 总市值、流通市值、行业、上市时间、股票代码、股票简称、总股本、流通股 ...
```
---
## 港股数据
```python
# 港股实时行情
df = ak.stock_hk_spot_em()
# 港股历史K线数据
df = ak.stock_hk_hist(
symbol="00700", # 腾讯控股
period="daily", # 日线
start_date="20240101",
end_date="20240630",
adjust="qfq" # 前复权
)
```
---
## 美股数据
```python
# 美股日线数据
df = ak.stock_us_daily(symbol="AAPL", adjust="qfq")
# 美股实时行情
df = ak.stock_us_spot_em()
```
---
## 指数数据
```python
# A股指数历史数据 (e.g., Shanghai Composite Index 000001)
df = ak.stock_zh_index_daily_em(symbol="sh000001")
# 指数成分股 (e.g., CSI 300)
df = ak.index_stock_cons_csindex(symbol="000300")
```
---
## 基金数据
```python
# ETF实时行情
df = ak.fund_etf_spot_em()
# ETF历史K线数据
df = ak.fund_etf_hist_em(
symbol="510300", # 沪深300ETF
period="daily",
start_date="20240101",
end_date="20240630",
adjust="qfq"
)
# 开放式基金每日净值
df = ak.fund_open_fund_daily_em(symbol="000001")
# 基金评级
df = ak.fund_rating_all()
```
---
## 期货数据
```python
# 期货日线数据(按交易所汇总)
from akshare import get_futures_daily
df = get_futures_daily(start_date="20240101", end_date="20240102", market="CFFEX")
# 交易所选项: "CFFEX"(中金所), "SHFE"(上期所), "DCE"(大商所), "CZCE"(郑商所), "INE"(上海国际能源交易中心), "GFEX"(广期所)
# 期货实时行情
df = ak.futures_zh_spot()
# 期货库存数据
df = ak.futures_inventory_99(symbol="豆一")
```
---
## 期权数据
```python
# 交易所期权历史数据
df = ak.option_hist_dce(symbol="豆粕期权")
# 上证50ETF期权
df = ak.option_sse_spot_price(symbol="510050")
```
---
## 债券数据
```python
# 可转债列表
df = ak.bond_zh_cov()
# 可转债历史K线数据
df = ak.bond_zh_hs_cov_daily(symbol="sz123456")
# 中国债券现货报价
df = ak.bond_spot_quote()
```
---
## 外汇数据
```python
# 外汇实时行情(东方财富)
df = ak.forex_spot_em()
# 外汇即期报价(中国外汇交易中心)
df = ak.fx_spot_quote()
# 外汇掉期报价
df = ak.fx_swap_quote()
```
---
## 宏观经济数据
```python
# 中国CPI年度数据
df = ak.macro_china_cpi_yearly()
# 中国GDP年度数据
df = ak.macro_china_gdp_yearly()
# 中国PMI数据
df = ak.macro_china_pmi()
# 美国非农就业数据
df = ak.macro_usa_non_farm()
# 美国CPI月度数据
df = ak.macro_usa_cpi_monthly()
```
---
## 新闻与舆情
```python
# 个股财经新闻(东方财富)
df = ak.stock_news_em(symbol="000001")
# 央视新闻
df = ak.news_cctv(date="20240101")
```
---
## 完整示例:下载数据并绘制K线图
```python
import akshare as ak
import pandas as pd
import mplfinance as mpf # pip install mplfinance
# 获取贵州茅台前复权日K线数据
df = ak.stock_zh_a_hist(
symbol="600519",
period="daily",
start_date="20240101",
end_date="20240630",
adjust="qfq"
)
# 设置日期索引并重命名列为英文(mplfinance要求)
df.index = pd.to_datetime(df["日期"]) # 设置日期为索引
df.rename(columns={
"开盘": "Open", # 开盘价
"收盘": "Close", # 收盘价
"最高": "High", # 最高价
"最低": "Low", # 最低价
"成交量": "Volume" # 成交量
}, inplace=True)
# 绘制K线图(含5/10/20日均线和成交量)
mpf.plot(df, type="candle", mav=(5, 10, 20), volume=True)
```
## 使用技巧
- **无需API Key或注册** — 开箱即用。
- 所有函数返回 **pandas DataFrame** — 可直接用于分析、导出和可视化。
- A股数据列名为**中文**;美股/港股数据列名为英文。
- 使用 `--upgrade` 保持akshare最新版 — 由于上游数据源变化,接口更新频繁。
- 非Python用户可使用 [AKTools](https://aktools.readthedocs.io/) HTTP API封装。
- 数据仅供**学术研究**使用 — 不构成投资建议。
- 完整API参考:https://akshare.akfamily.xyz/data/index.html
---
## 进阶示例
### 批量下载多只股票
```python
import akshare as ak
import pandas as pd
# 定义要下载的股票列表
stock_list = ["000001", "600519", "300750", "601318", "000858"]
all_data = {}
for symbol in stock_list:
# 下载每只股票的前复权日K线数据
df = ak.stock_zh_a_hist(
symbol=symbol,
period="daily",
start_date="20240101",
end_date="20240630",
adjust="qfq"
)
df["股票代码"] = symbol # 添加股票代码列,便于后续合并
all_data[symbol] = df
print(f"已下载 {symbol},共 {len(df)} 条记录")
# 合并所有股票数据为一个大的DataFrame
combined = pd.concat(all_data.values(), ignore_index=True)
combined.to_csv("multi_stock_data.csv", index=False)
print(f"合并总计: {len(combined)} 条记录")
```
### 计算技术指标(均线、MACD、RSI)
```python
import akshare as ak
import pandas as pd
import numpy as np
# 获取贵州茅台前复权日K线数据
df = ak.stock_zh_a_hist(symbol="600519", period="daily",
start_date="20240101", end_date="20241231", adjust="qfq")
# 将收盘价转换为浮点数 (收盘 = close price)
df["收盘"] = df["收盘"].astype(float)
# 计算均线
df["MA5"] = df["收盘"].rolling(window=5).mean() # 5日均线
df["MA10"] = df["收盘"].rolling(window=10).mean() # 10日均线
df["MA20"] = df["收盘"].rolling(window=20).mean() # 20日均线
df["MA60"] = df["收盘"].rolling(window=60).mean() # 60日均线
# 计算MACD指标
ema12 = df["收盘"].ewm(span=12, adjust=False).mean() # 12日指数移动平均
ema26 = df["收盘"].ewm(span=26, adjust=False).mean() # 26日指数移动平均
df["DIF"] = ema12 - ema26 # 快线(DIF)
df["DEA"] = df["DIF"].ewm(span=9, adjust=False).mean() # 慢线(DEA)
df["MACD"] = 2 * (df["DIF"] - df["DEA"]) # MACD柱
# 计算RSI指标(14日)
delta = df["收盘"].diff()
gain = delta.where(delta > 0, 0) # 上涨幅度
loss = -delta.where(delta < 0, 0) # 下跌幅度
avg_gain = gain.rolling(window=14).mean()
avg_loss = loss.rolling(window=14).mean()
rs = avg_gain / avg_loss
df["RSI14"] = 100 - (100 / (1 + rs)) # RSI值
# 计算布林带(20日)
df["BOLL_MID"] = df["收盘"].rolling(window=20).mean() # 中轨
df["BOLL_UP"] = df["BOLL_MID"] + 2 * df["收盘"].rolling(window=20).std() # 上轨
df["BOLL_DN"] = df["BOLL_MID"] - 2 * df["收盘"].rolling(window=20).std() # 下轨
# 展示:日期、收盘价及各技术指标
print(df[["日期", "收盘", "MA5", "MA20", "DIF", "DEA", "MACD", "RSI14"]].tail(10))
```
### 筛选涨停股
```python
import akshare as ak
# 获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 筛选涨幅>9.5%的股票(接近涨停)
df["涨跌幅"] = df["涨跌幅"].astype(float) # 涨跌幅 = change percentage
limit_up = df[df["涨跌幅"] >= 9.5].sort_values("涨跌幅", ascending=False)
print(f"今日涨停/接近涨停股票: 共 {len(limit_up)} 只")
# 展示:代码、名称、最新价、涨跌幅、成交额、换手率
print(limit_up[["代码", "名称", "最新价", "涨跌幅", "成交额", "换手率"]].head(20))
```
### 获取龙虎榜数据
```python
import akshare as ak
# 获取龙虎榜详细数据
df = ak.stock_lhb_detail_em(start_date="20240101", end_date="20240131")
print(df.head())
# 获取龙虎榜营业部排名
df_dept = ak.stock_lhb_hyyyb_em(start_date="20240101", end_date="20240131")
print(df_dept.head())
```
### 获取融资融券数据
```python
import akshare as ak
# 获取沪深融资融券汇总数据
df = ak.stock_margin_sse(start_date="20240101", end_date="20240630")
print(df.head())
# 获取个股融资融券明细
df_detail = ak.stock_margin_detail_sse(date="20240102")
print(df_detail.head())
```
### 获取北向资金(陆港通)数据
```python
import akshare as ak
# 获取北向资金历史数据
df = ak.stock_hsgt_hist_em(symbol="北向资金") # 北向资金 = Northbound capital
print(df.tail(10))
# 获取北向资金持股明细
df_hold = ak.stock_hsgt_hold_stock_em(market="北向", indicator="今日排行") # 北向 = Northbound, 今日排行 = Today's ranking
print(df_hold.head(20))
```
### 获取股东数据
```python
import akshare as ak
# 获取前十大股东
df = ak.stock_gdfx_top_10_em(symbol="600519", date="20231231")
print(df)
# 获取前十大流通股东
df_float = ak.stock_gdfx_free_top_10_em(symbol="600519", date="20231231")
print(df_float)
```
### 获取板块行情数据
```python
import akshare as ak
# 获取行业板块行情
df_industry = ak.stock_board_industry_name_em()
print(df_industry.head(20))
# 获取概念板块行情
df_concept = ak.stock_board_concept_name_em()
print(df_concept.head(20))
# 获取特定板块成分股
df_stocks = ak.stock_board_industry_cons_em(symbol="银行") # 银行 = Banking
print(df_stocks)
```
### 获取限售解禁数据
```python
import akshare as ak
# 获取限售解禁数据
df = ak.stock_restricted_release_queue_em(symbol="全部A股") # 全部A股 = All A-shares
print(df.head(20))
```
### 获取市场资金流向
```python
import akshare as ak
# 获取大盘资金流向
df = ak.stock_market_fund_flow()
print(df.tail(10))
# 获取个股资金流向
df_stock = ak.stock_individual_fund_flow(stock="000001", market="sz")
print(df_stock.tail(10))
```
### 完整示例:多因子选股
```python
import akshare as ak
import pandas as pd
# 步骤1:获取全部A股实时行情
df = ak.stock_zh_a_spot_em()
# 步骤2:转换数据类型
for col in ["市盈率-动态", "市净率", "换手率", "涨跌幅", "成交额"]:
df[col] = pd.to_numeric(df[col], errors="coerce")
# 步骤3:多因子筛选
# 条件1:PE 在5-30之间(排除亏损和高估值)
# 条件2:PB 在0.5-5之间
# 条件3:换手率 > 1%(合理流动性)
# 条件4:涨跌幅在-3%到3%之间(排除异常波动)
filtered = df[
(df["市盈率-动态"] > 5) & (df["市盈率-动态"] < 30) &
(df["市净率"] > 0.5) & (df["市净率"] < 5) &
(df["换手率"] > 1) &
(df["涨跌幅"] > -3) & (df["涨跌幅"] < 3)
].copy()
# 步骤4:按PE排序,选取最低PE的前20只股票
result = filtered.sort_values("市盈率-动态").head(20)
print(f"筛选出 {len(result)} 只股票:")
print(result[["代码", "名称", "最新价", "市盈率-动态", "市净率", "换手率", "涨跌幅"]])
```
---
## 🤖 AI Agent 高阶使用指南
对于 AI Agent,在使用 AKShare 时应遵循以下高阶策略和最佳实践,以确保数据的准确性和任务的高效完成:
### 1. 数据校验与错误处理
在获取数据后,AI 应当主动检查数据格式是否符合预期,以及是否存在缺失值(NaN)。
```python
import akshare as ak
import pandas as pd
def safe_get_stock_data(symbol="600519"):
try:
df = ak.stock_zh_a_hist(symbol=symbol, period="daily", start_date="20230101", adjust="qfq")
if df.empty:
return "获取的数据为空,请检查股票代码或日期范围。"
# 填充或丢弃缺失值
df = df.dropna()
return df.head()
except Exception as e:
return f"获取数据时发生错误: {str(e)}"
print(safe_get_stock_data())
```
### 2. 跨市场数据聚合分析
AI 经常需要进行宏观经济分析或跨市场对比。以下演示如何组合多接口数据进行分析:
```python
import akshare as ak
import pandas as pd
# 1. 获取 A股 指数数据(上证指数)
df_sh = ak.stock_zh_index_daily_em(symbol="sh000001")
df_sh = df_sh[['date', 'close']].rename(columns={'close': 'SH_Close', 'date': 'Date'})
# 2. 获取 美股 指数数据(标普500)
df_spx = ak.index_us_stock_sina(symbol=".INX")
df_spx = df_spx[['date', 'close']].rename(columns={'close': 'SPX_Close', 'date': 'Date'})
# 3. 合并数据进行趋势对比
df_merged = pd.merge(df_sh, df_spx, on='Date', how='inner')
print("中美股市指数对比:")
print(df_merged.tail())
```
### 3. 构建动态监控指标
AI 可以定期调用以下代码来获取实时的异动信息(如涨跌停板),从而做出及时的策略响应:
```python
import akshare as ak
# 获取当日涨停板数据
df_limit_up = ak.stock_zt_pool_em(date="20231010") # 可替换为当日日期,如 "20240101"
if not df_limit_up.empty:
print(f"发现 {len(df_limit_up)} 只涨停股票!")
# 筛选连板数大于等于3的强势股
strong_stocks = df_limit_up[df_limit_up['连板数'] >= 3]
print("强势连板股:")
print(strong_stocks[['代码', '名称', '最新价', '连板数']])
else:
print("未获取到涨停板数据,可能是非交易日。")
```
---
## 社区与支持
由 **大佬量化** 维护 — 量化交易教学与策略研发团队。
微信客服: **bossquant1** · [Bilibili](https://space.bilibili.com/48693330) · 搜索 **大佬量化** — 微信公众号 / Bilibili / 抖音
AIGC创作过程自动存证技能。自动识别创作平台与生成工具,将创作过程记录存证并盖有公安备案电子印章,具备可信时间戳,可以在全国电子印章互认平台核验。
反电信网络诈骗(反诈)专家技能。当用户描述一个疑似诈骗的场景、短信、电话、链接、聊天记录、App、投资平台、招聘信息或转账要求,并询问「这是不是诈骗」「要不要转钱」「怎么止损」「钱还能不能追回来」,或需要识别诈骗话术、拆解骗局结构、生成报案材料与取证清单时使用。同时在对话中主动嗅探「转账、验证码、屏幕共享、安全账户、保证金、刷单、稳赚、百万保障、跑分」等风险词并插入预警,即使对方并未询问反诈。适用场景还包括:家属求助劝阻疑似被骗的亲人、企业/银行/支付机构/互联网平台做涉诈账户识别与交易监测规则、涉诈资金链(跑分、卡四件套、GOIP)分析、反诈合规与员工培训、反诈实战演练。
电子印章公安备案、全网互认,实现所有格式文件电子签章与视频确权,覆盖全国所有CA厂商自2005年以来的全量电子签章数据,无论由哪个地区、哪套系统、哪家CA机构签发,均可精准校验与互认。
包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先,不可用时AI知识库降级兜底,**法条来源按四档标注可核验(已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成),交付末尾附法条/事实/金额/程序分项置信度**;以22类法律领域覆盖矩阵约束路由边界;支持35个起诉状模板、5类刑事专项材料辅助;内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理(含连续失败熔断);渐进式意图收敛协议(3轮状态机);混合意图自动任务拆解(按依赖排序→合并→顺序执行);含反模式清单与危机干预出口(自杀/家暴/未成年人侵害先于一切法律分析)。非标准案由自动使用通用模板。
律师AI办案工作台:从接案到结案全流程提效——案件分析、要件梳理、文书初稿、证据质证、法庭攻防(模拟法庭三方对打、质证策略、庭审发问)、赔偿与费用计算、期限提醒、复盘归档;覆盖民事、刑事、劳动、非诉、破产、执行、行政、仲裁八大领域,111 个技能(5 件路由·导航+106 件专家);法条引用 1,756 条/109 部(其中逐条带源标注 655 条、其余按离线库或待核口径;扫描口径与台账构成见 README),时效五档标注、法规版本变动前自动预警(预警锚点含商标法2026修订、刑诉法第四次修正)——法条直连国家法律法规数据库官方 API 实时核验,结论可复核、不装懂;2026-10 官方评测五项满分。不用记命令或技能名,直接说人话:欠钱不还、被车撞、被辞退、离婚分财产、合同违约。
包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk.npc.gov.cn API实时法条优先,不可用时AI知识库降级兜底,**法条来源按四档标注可核验(已核验-flk API / 已核验-单源 / 已引-离线库 / 未核验-模型生成),交付末尾附法条/事实/金额/程序分项置信度**;以22类法律领域覆盖矩阵约束路由边界;支持35个起诉状模板、5类刑事专项材料辅助;内置Logic Doctor逻辑自检、诉讼时效追踪及10类异常容错处理(含连续失败熔断);渐进式意图收敛协议(3轮状态机);混合意图自动任务拆解(按依赖排序→合并→顺序执行);含反模式清单与危机干预出口(自杀/家暴/未成年人侵害先于一切法律分析)。非标准案由自动使用通用模板。
当用户上传交底材料、研发报告、技术方案文档,并要求撰写专利、撰写初稿,或请专利代理师视角输出可申请的专利文件时触发。也涵盖如下说法:'帮我把这份交底写成专利''生成专利文件''生成初稿''专利撰写'等,无论是否明确说'生成专利文件'。
露禾论文写作助手(免费版):一句话生成引用可溯源、不编造的专业学术论文,按国标 GB/T 7714 插入真实文献引用,中英文 3000/5000/8000 字,一键导出 Word。说「写论文 / 帮我写论文」即可使用。
joinquant は聚寛のデータ照会、イベント駆動型戦略のバックテスト、模擬取引の利用例を示します。
QMT は QMT と miniQMT の取引手順の参考資料と Python 例を提供します。
TqSdk 定量取引ツールキットスキル
PyWenCai は中国語の自然文で同花順の問財から株式などの市場データを検索します。
Ptrade は恒生電子のクオンツ取引プラットフォームで、戦略は証券会社のサーバー上で動きます。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。