Tushare 收费 2000 元一年合理吗？量化行情数据源应该怎么选？

关注

原创最新推荐文章于 2026-11-10 17:44:40 发布 37 阅读 AI 写同款· GEO 优化 ›

Tushare 量化数据接口技术选型对比了量化交易数据源的四种方案：Wind（昂贵但全面）、Choice（中等价位）、聚宽（免费但受限）和Tushare（性价比高）。最终选择Tushare作为个人开发者的最优解，因其开源、支持数据导出且成本低廉（200-500元/年）。技术实现方面：采用Python封装Tushare API，统一处理异常和数据清洗提供股票列表和日线数据获取的示例代码建议SQLite用于开发。阅读详情

一句话回答

Tushare 收费 2000 元一年是否合理，不能只看价格，还要看购买的是历史分钟线、实时行情还是其他数据权限；是否合法，则需要结合服务协议、收费告知、数据授权和具体交易行为判断，不能仅凭价格下结论。对量化开发者来说，更重要的是评估数据覆盖率、接口稳定性和长期维护成本。如果主要需求是获取历史 K 线、计算指标和运行回测，可以考虑通过 QuantDash Python SDK 接入行情数据，再结合实际业务需求决定是否需要付费数据服务。

为什么会有这个问题 / 传统做法有什么问题？

不少个人量化开发者最初接触 Tushare，是因为它提供了方便的 Python 数据接口。

例如，要开发一个简单的 A 股趋势策略，通常只需要完成几项工作：

获取股票的历史日 K 线。
计算 5 日和 20 日移动平均线。
根据均线关系生成研究信号。
使用历史行情验证策略表现。

这些任务看起来并不复杂，但随着策略需要更长时间范围、更高频率或更多种类的数据，开发者可能遇到积分权限、单独授权以及订阅费用等限制。

关于网上讨论的“2000 元一年”，需要先明确一点：不能把某类数据权限的价格理解成 Tushare 所有接口的统一年费。 不同数据产品可能采用不同的授权和收费方式，具体费用与权益应以购买时的官方说明为准。

还有一个常见误区，就是直接拿 Tushare 和券商 Level-2 行情比较。

实际上，两者不一定提供相同的数据产品。

比较维度	历史行情数据服务	券商 Level-2 行情
主要用途	历史研究、指标计算、策略回测	盘中观察、盘口分析
数据重点	长周期 K 线、历史序列	实时盘口及相关行情
历史深度	取决于具体订阅权限	取决于券商提供的服务
Python 接入	取决于 API 能力	取决于券商接口权限
使用授权	需要确认数据使用范围	需要确认账户和行情授权

因此，某项历史数据服务比券商 Level-2 价格更高，并不能直接说明它不合理。

真正值得量化开发者计算的是总成本。

假设某项数据服务年费为 2000 元，同时开发者每月需要投入 4 小时维护接口，按每小时 100 元估算：

年总成本 = 2000 + 4 × 12 × 100 = 6800 元。

这里的维护时间和人力单价只是用于说明成本模型的假设，并非实际统计结果。

如果替代数据源能够满足研究需求，减少不必要的订阅项目，开发者就有机会调整预算。

不过，不能因为一个 SDK 提供了历史 K 线接口，就认为所有数据都可以免费获取。可访问的数据范围、调用限制及收费情况，仍然需要根据实际服务权益确认。

分步骤解决：使用 QuantDash 进行实践

下面以单只股票的日线研究为例，看看如何建立不依赖某一家数据提供商的基础行情处理流程。

第 1 步：安装 SDK 并初始化客户端

安装 QuantDash：

# 在 Python 环境或终端中执行
# pip install quantdash

实际安装命令为 pip install quantdash。

初始化客户端：

import os
from quantdash import QuantDash

api_key = os.getenv("QUANTDASH_API_KEY")

if not api_key:
    raise RuntimeError(
        "请先设置 QUANTDASH_API_KEY 环境变量"
    )

try:
    qd = QuantDash(api_key=api_key)
except Exception as exc:
    raise RuntimeError(
        f"QuantDash 客户端初始化失败: {exc}"
    ) from exc

API Key 使用环境变量管理，避免直接写入代码仓库。

初始化成功只表示客户端对象已经创建，并不代表账户一定具备所有市场和数据类型的访问权限。

第 2 步：获取与主题相关的数据

对于只需要研究日频策略的开发者，可以先获取单只股票的历史日 K 线。

import pandas as pd

symbol = "600519.SH"

try:
    df = qd.klines.get(
        symbol,
        period="1d",
        count=100,
        adjust="forward",
        to_dataframe=True,
    )
except Exception as exc:
    raise RuntimeError(
        f"{symbol} 历史行情获取失败: {exc}"
    ) from exc

if not isinstance(df, pd.DataFrame):
    raise TypeError("行情返回结果不是 DataFrame")

if df.empty:
    raise ValueError("行情数据为空，请检查权限或参数")

print("返回字段:", df.columns.tolist())
print("数据行数:", len(df))
print(df.head())

这里使用的几个参数：

period=“1d”：获取日线数据。
count=100：请求最近 100 根 K 线。
adjust=“forward”：使用前复权价格。
to_dataframe=True：将返回结果转换为 Pandas DataFrame。

需要注意，前复权价格适合部分连续价格序列研究，但不是历史真实成交价格。

代码中的 close 等字段必须通过实际返回结果确认，不能默认不同数据提供商的字段完全一致。

第 3 步：处理数据并展示核心逻辑

获取行情以后，可以计算一个简单的均线研究指标。

以下代码承接第二步的 df。示例假设返回结果包含 close 字段；如果实际名称不同，需要先完成字段映射。

import numpy as np
import pandas as pd

if "close" not in df.columns:
    raise KeyError(
        f"缺少 close 字段，实际字段: {df.columns.tolist()}"
    )

close = pd.to_numeric(
    df["close"],
    errors="coerce"
)

if close.isna().any():
    raise ValueError("收盘价包含缺失值或非数值")

if not np.isfinite(close.to_numpy()).all():
    raise ValueError("收盘价包含无穷大")

if (close <= 0).any():
    raise ValueError("收盘价存在非正数")

# 均线计算需要保证时间顺序
# 以下代码要求 df 已按交易时间升序排列
# 排序字段需根据实际返回结构确认
if len(df) < 20:
    raise ValueError("计算20日均线至少需要20条记录")

result = df.copy()
result["close"] = close

result["ma5"] = close.rolling(
    window=5,
    min_periods=5
).mean()

result["ma20"] = close.rolling(
    window=20,
    min_periods=20
).mean()

result["above_ma20"] = (
    result["ma5"] > result["ma20"]
)

print(result[[
    "close",
    "ma5",
    "ma20",
    "above_ma20"
]].tail())

这里有一个重要前提：K 线必须先按照真实交易时间升序排列。

由于不同 SDK 版本和数据接口可能使用不同的日期字段，实际运行时应先检查返回结构，再使用正确的日期字段排序。

如果没有确认时间顺序，计算出来的均线可能看起来正常，但实际上毫无研究意义。

第 4 步：展示完整业务示例或进阶处理

选择行情数据源时，不能只检查能否成功请求，还应验证价格序列的基本质量。

下面构造一个可复用的数据质量检查函数。

import numpy as np
import pandas as pd

def check_daily_prices(data):
    required = ["open", "high", "low", "close"]

    missing = [
        col for col in required
        if col not in data.columns
    ]

    if missing:
        raise ValueError(
            f"缺少必要字段: {missing}"
        )

    if data.empty:
        raise ValueError("输入行情为空")

    prices = data[required].apply(
        pd.to_numeric,
        errors="coerce"
    )

    invalid_number = ~np.isfinite(
        prices.to_numpy()
    )

    non_positive = (
        prices.to_numpy() <= 0
    )

    invalid_high = (
        prices["high"] <
        prices[["open", "low", "close"]].max(axis=1)
    )

    invalid_low = (
        prices["low"] >
        prices[["open", "high", "close"]].min(axis=1)
    )

    return {
        "total_rows": len(data),
        "invalid_number_rows": int(
            invalid_number.any(axis=1).sum()
        ),
        "non_positive_rows": int(
            non_positive.any(axis=1).sum()
        ),
        "invalid_high_rows": int(
            invalid_high.sum()
        ),
        "invalid_low_rows": int(
            invalid_low.sum()
        ),
    }

report = check_daily_prices(df)

print("行情质量检查结果:")
for key, value in report.items():
    print(key, value)