用 Python yfinance 玩转金融数据：从股票爬取到分析可视化的实战指南

class 卑微码农:
    def __init__(self):
        self.技能 = ['能读懂十年前祖传代码', '擅长用Ctrl+C/V搭建世界', '信奉"能跑就别动"的玄学']
        self.发量 = 100  # 初始发量
        self.咖啡因耐受度 = '极限'
        
    def 修Bug(self, bug):
        try:
            # 试图用玄学解决问题
            if bug.严重程度 == '离谱':
                print("这一定是环境问题！")
            else:
                print("让我看看是谁又没写注释...哦，是我自己。")
        except Exception as e:
            # 如果try块都救不了，那就...
            print("重启一下试试？")
            self.发量 -= 1  # 每解决一个bug，头发-1
 
 
# 实例化一个我
我 = 卑微码农()

引言

如果你是股票投资者、金融分析师，或者想入门量化交易，一定遇到过这样的问题：哪里能免费获取可靠的股票数据？如何快速拿到历史价格、财务报表、分红记录？用 Python 爬取金融数据时，要么被 API 收费劝退，要么因反爬机制卡壳。而 yfinance—— 这个基于雅虎财经数据的 Python 库，正是解决这些痛点的 “神器”。

它能免费获取全球股票、基金、加密货币等金融产品的实时与历史数据，一行代码搞定过去 10 年的日 K 线，三行代码下载公司财报，还能轻松获取分红、拆股、市值等关键信息。更重要的是，它完全免费、无需注册 API 密钥，且用法简单到新手也能快速上手。

本文从实际场景出发，通过 “环境搭建→基础数据获取→高级分析→可视化实战” 的递进结构，搭配可直接运行的代码示例（附股票代码说明），帮你从 0 到 1 掌握 yfinance 的核心用法，轻松搞定 90% 的金融数据需求。

一、为什么 yfinance 是金融数据分析的 “首选工具”？

在 yfinance 出现之前，获取金融数据的方式总有各种局限：

雅虎财经官网：手动下载数据效率低，无法批量获取，更不能自动化分析；
付费 API（如 Alpha Vantage、IEX Cloud）：免费额度有限，超出后按调用次数收费，对个人用户不友好；
pandas-datareader 旧版：曾支持雅虎财经数据，但 2017 年雅虎关闭 API 后失效，后续虽有非官方接口，但稳定性差；
爬虫脚本：自己写爬虫爬取金融网站，需处理反爬、解析 HTML，维护成本高。

而 yfinance 的核心优势在于 **“免费、稳定、易用”**，它相当于雅虎财经的 “非官方 Python 接口”，能：

获取全品类金融数据：股票、指数（如美股 SP500、A 股沪深 300）、基金、加密货币、外汇等；
覆盖多维度信息：历史价格（开盘 / 最高 / 最低 / 收盘 / 成交量）、实时报价、财务报表（资产负债表、利润表）、分红记录、拆股信息、公司基本面（市值、市盈率等）；
支持灵活的数据粒度：按分钟、小时、日、周、月获取数据，最长可追溯到几十年前；
无缝衔接 pandas：返回数据直接是 DataFrame 格式，可直接用 pandas 进行清洗、分析、可视化；
完全免费且无需配置：不用注册账号，不用申请 API 密钥，安装后即可使用。

无论是个人投资者分析股票走势、学生做金融课程作业，还是开发者搭建量化交易原型，yfinance 都是性价比极高的选择。

二、环境搭建：3 分钟搞定 yfinance 安装

yfinance 是第三方库，需要手动安装，支持 Python 3.6 及以上版本，推荐搭配 pandas（数据处理）和 matplotlib/seaborn（可视化）使用。

2.1 安装 yfinance

# 基础安装（推荐使用pip）
pip install yfinance

# 安装最新版本（包含最新功能和bug修复）
pip install yfinance --upgrade

2.2 验证安装

安装完成后，在 Python 环境中导入库，若不报错则安装成功：

import yfinance as yf  # 约定俗成的简写，必须记住
import pandas as pd    # 用于数据处理
import matplotlib.pyplot as plt  # 用于可视化

# 查看yfinance版本（可选）
print("yfinance版本：", yf.__version__)  # 输出如：0.2.31

2.3 准备工作：了解股票代码格式

使用 yfinance 获取数据时，需要知道金融产品的 “代码”，不同市场的代码格式不同：

美股：直接用股票代码（如苹果 AAPL、微软 MSFT、特斯拉 TSLA）；
A 股：在代码后加 “.SS”（上交所，如贵州茅台 600519.SS）或 “.SZ”（深交所，如宁德时代 300750.SZ）；
港股：在代码后加 “.HK”（如腾讯00700.HK）；
指数：如标普 500^GSPC、纳斯达克 ^IXIC、沪深 300000300.SS；

可以在雅虎财经官网（https://finance.yahoo.com/）搜索公司名称，获取对应的代码。

三、基础操作：获取单只股票的核心数据

yfinance 的核心用法是通过Ticker对象操作单只股票，获取价格、财务数据等信息。我们以苹果公司（代码 AAPL）为例，演示基础操作。

3.1 创建 Ticker 对象：绑定股票

# 创建苹果公司的Ticker对象（参数是股票代码）
aapl = yf.Ticker("AAPL")

# 后续所有关于苹果股票的操作，都通过这个aapl对象实现

Ticker对象就像一个 “股票数据接口”，通过它可以调用各种方法获取数据。

3.2 获取股票基本信息：公司概况、市值、市盈率

想快速了解一家公司的基本情况（如行业、市值、市盈率），用info属性：

# 获取苹果公司的基本信息（返回字典）
aapl_info = aapl.info

# 打印关键信息（字典键值对形式）
print("公司名称：", aapl_info["longName"])  # 苹果公司
print("行业：", aapl_info["industry"])      # 电子设备制造
print("市值（美元）：", aapl_info["marketCap"])  # 约2.8万亿（实时变动）
print("市盈率（TTM）：", aapl_info["trailingPE"])  # 约30（实时变动）
print("52周最高价（美元）：", aapl_info["fiftyTwoWeekHigh"])
print("52周最低价（美元）：", aapl_info["fiftyTwoWeekLow"])
print("股息率（%）：", aapl_info["dividendYield"] * 100)  # 乘以100转为百分比

info返回的字典包含上百个键，常用的有：

公司信息：longName（全称）、sector（板块）、industry（行业）、country（国家）；
估值指标：marketCap（市值）、trailingPE（动态市盈率）、forwardPE（前瞻市盈率）、bookValue（每股净资产）；
价格指标：currentPrice（当前价格）、fiftyTwoWeekHigh/fiftyTwoWeekLow（52 周高低价）；
分红指标：dividendYield（股息率）、payoutRatio（派息率）。

如果想查看所有信息，直接打印aapl_info即可（建议用pd.Series(aapl_info)格式化输出）。

3.3 获取历史价格数据：日 K、周 K、月 K 线

获取历史价格是最常用的功能，通过history()方法实现，支持自定义时间范围和数据粒度。

3.3.1 基础用法：获取指定时间范围的日线数据

# 获取苹果公司2023年的日K线数据
aapl_hist = aapl.history(
    start="2023-01-01",  # 开始日期（格式YYYY-MM-DD）
    end="2023-12-31",    # 结束日期（左闭右开，不包含end当天）
    interval="1d"        # 数据粒度：1d（日线）、1wk（周线）、1mo（月线）
)

# 查看数据结构（返回pandas DataFrame）
print(aapl_hist.head())  # 打印前5行

输出结果是一个索引为日期的 DataFrame，包含以下列：

Open：开盘价
High：最高价
Low：最低价
Close：收盘价
Volume：成交量
Dividends：股息（非分红日为 0）
Stock Splits：拆股比例（非拆股日为 0）

3.3.2 简化用法：按时间周期获取（无需手动写日期）

# 获取过去1年的周线数据
aapl_1y_weekly = aapl.history(period="1y", interval="1wk")

# 获取过去3个月的月线数据
aapl_3mo_monthly = aapl.history(period="3mo", interval="1mo")

# period参数可选值：1d（1天）、5d（5天）、1mo（1个月）、3mo（3个月）、6mo（6个月）、
# 1y（1年）、2y（2年）、5y（5年）、10y（10年）、ytd（今年以来）、max（全部历史）

3.3.3 复权处理：获取调整后价格

股票分红或拆股后，价格会出现 “断层”，history()默认返回 “未复权” 价格。若需要 “后复权” 价格（即考虑分红再投资后的连续价格），需指定auto_adjust=True：

# 获取复权后的价格（推荐用于趋势分析）
aapl_adjusted = aapl.history(period="5y", auto_adjust=True)
# 此时Close列即为复权后的收盘价

3.4 获取实时价格：最新报价

history()获取的是历史数据，若想获取当前最新价格，可用以下两种方式：

方式 1：从 info 中提取（简单但可能有延迟）

# 从基本信息中获取当前价格
current_price = aapl.info["currentPrice"]
print(f"苹果当前价格：{current_price:.2f}美元")

方式 2：用 history 获取最近 1 条数据（更实时）

# 获取最近1天的价格（包含最新收盘价）
latest_data = aapl.history(period="1d")
# 提取最新收盘价
latest_close = latest_data["Close"].iloc[-1]  # iloc[-1]取最后一行
print(f"苹果最新收盘价：{latest_close:.2f}美元")

注意：yfinance 的实时数据有 15-20 分钟延迟，这是雅虎财经的限制，免费接口无法获取真正的实时数据（需付费订阅）。

3.5 获取分红与拆股记录

对于长期投资者，分红和拆股是重要参考，yfinance 可直接提取这些信息：

3.5.1 分红记录

# 获取苹果公司的分红记录
aapl_dividends = aapl.dividends

# 打印近5次分红
print(aapl_dividends.tail(5))  # 索引是分红日期，值是每股分红金额（美元）

输出示例：

Date
2023-02-10    0.23
2023-05-12    0.24
2023-08-11    0.24
2023-11-10    0.25
2024-02-09    0.25
Name: Dividends, dtype: float64

3.5.2 拆股记录

# 获取苹果公司的拆股记录
aapl_splits = aapl.splits

# 打印所有拆股记录（苹果历史上多次拆股，如1:7、1:4）
print(aapl_splits)

输出示例（拆股比例表示每 1 股拆为 n 股）：

Date
2014-06-09    7.0
2020-08-31    4.0
Name: Stock Splits, dtype: float64

四、高级功能：财务报表、多股票批量获取与筛选

除了价格数据，yfinance 还能获取公司财务报表（资产负债表、利润表等），并支持批量处理多只股票，满足更深入的分析需求。

4.1 获取财务报表：资产负债表、利润表、现金流量表

财务报表是分析公司基本面的核心数据，yfinance 提供了balance_sheet（资产负债表）、income_stmt（利润表）、cashflow（现金流量表）三个属性。

4.1.1 资产负债表

# 获取苹果公司的资产负债表（按年度）
aapl_balance_sheet = aapl.balance_sheet

# 查看前5行（每行是一个科目，每列是一个财年）
print(aapl_balance_sheet.head())

输出示例（科目为行，财年为列，数值单位：美元）：

                                 2023-09-30    2022-09-30    2021-09-30    2020-09-30
Total Assets               352755000000.0  352583000000.0  351002000000.0  323888000000.0
Total Liabilities Net Minority Interest  290437000000.0  287912000000.0  287912000000.0  258549000000.0
Total Equity Gross Minority Interest   62318000000.0   64671000000.0   63090000000.0   65339000000.0
...

4.1.2 利润表

# 获取苹果公司的利润表（按年度）
aapl_income_stmt = aapl.income_stmt

# 查看营收、净利润等关键科目
print("营收：\n", aapl_income_stmt.loc["Total Revenue"])  # 按科目名提取
print("净利润：\n", aapl_income_stmt.loc["Net Income"])

输出示例（展示每年的营收和净利润）：

营收：
 2023-09-30    383353000000.0
2022-09-30    387537000000.0
2021-09-30    365817000000.0
2020-09-30    274515000000.0
Name: Total Revenue, dtype: float64

净利润：
 2023-09-30    96995000000.0
2022-09-30    99803000000.0
2021-09-30    94680000000.0
2020-09-30    57411000000.0
Name: Net Income, dtype: float64

4.1.3 现金流量表

# 获取苹果公司的现金流量表（按年度）
aapl_cashflow = aapl.cashflow

# 查看经营活动现金流
print("经营活动现金流：\n", aapl_cashflow.loc["Operating Cash Flow"])

4.1.4 获取季度财务报表

默认获取的是年度报表，若需要季度数据，用quarterly_前缀：

# 季度资产负债表
aapl_quarterly_balance = aapl.quarterly_balance_sheet

# 季度利润表
aapl_quarterly_income = aapl.quarterly_income_stmt

4.2 批量获取多只股票数据：yf.download ()

当需要分析多只股票（如对比苹果、微软、谷歌）时，用yf.download()更高效，可一次性获取多只股票的数据。

4.2.1 批量获取历史价格

# 定义要分析的股票代码列表（苹果、微软、谷歌）
tickers = ["AAPL", "MSFT", "GOOGL"]

# 批量获取2023年的日线数据
multi_stocks = yf.download(
    tickers=tickers,
    start="2023-01-01",
    end="2023-12-31",
    interval="1d",
    auto_adjust=True  # 复权处理
)

# 查看数据结构（MultiIndex多层索引：第一层是指标，第二层是股票代码）
print(multi_stocks.head())

返回的 DataFrame 是多层索引结构：

列索引第一层：Open、High、Low、Close、Volume（指标）；
列索引第二层：AAPL、MSFT、GOOGL（股票代码）。

提取单只股票的数据：

# 提取苹果的收盘价
aapl_close = multi_stocks["Close"]["AAPL"]

# 提取所有股票的收盘价（形成新的DataFrame）
all_close = multi_stocks["Close"]

4.2.2 批量获取基本信息：快速筛选股票

通过yf.Tickers（注意是复数）批量创建多个 Ticker 对象，再提取基本信息进行筛选：

# 批量创建多只股票的Tickers对象
tickers = yf.Tickers("AAPL MSFT GOOGL AMZN META")  # 空格分隔股票代码

# 提取每只股票的市值和市盈率，筛选出市值大于1万亿美元且市盈率<30的股票
筛选结果 = []
for ticker in tickers.tickers:  # 遍历每只股票
    info = ticker.info
    # 处理可能的缺失值（部分股票信息可能不全）
    market_cap = info.get("marketCap", 0)
    pe = info.get("trailingPE", float("inf"))  # 默认为无穷大（不满足条件）
    
    if market_cap > 1e12 and pe < 30:  # 市值>1万亿，市盈率<30
        筛选结果.append({
            "代码": ticker.ticker,
            "名称": info.get("longName", "未知"),
            "市值(万亿)": market_cap / 1e12,
            "市盈率": pe
        })

# 转为DataFrame展示
筛选_df = pd.DataFrame(筛选结果)
print(筛选_df)

这个方法可用于快速从多只股票中筛选出符合条件的标的（如低市盈率、高股息率等）。

4.3 获取指数成分股：如标普 500、沪深 300

想获取某个指数的所有成分股（如标普 500 包含的 500 只股票），可通过yf.Ticker对象的components属性：

# 获取标普500指数的成分股
sp500 = yf.Ticker("^GSPC")  # 标普500代码是^GSPC
sp500_components = sp500.components

# 查看前10只成分股
print(sp500_components.head(10))  # 索引是股票代码，包含公司名称等信息

输出示例（标普 500 前 10 大成分股，按权重排序）：

                 company
symbol                  
AAPL           Apple Inc.
MSFT         Microsoft Corp.
AMZN         Amazon.com Inc.
NVDA        NVIDIA Corporation
GOOGL     Alphabet Inc. Class A
...

注意：部分指数（如沪深 300）的components可能返回空值，这是因为雅虎财经未提供完整数据，可尝试其他数据源补充。

五、数据可视化：用图表直观展示股票特征

获取数据后，通过可视化能更直观地发现趋势和规律。我们结合 matplotlib 和 seaborn，演示几个常用的金融图表。

5.1 股票价格走势：收盘价折线图

import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("whitegrid")  # 设置图表风格
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]  # 解决中文显示问题

# 获取苹果和微软过去5年的复权收盘价
tickers = ["AAPL", "MSFT"]
df = yf.download(tickers, period="5y", auto_adjust=True)["Close"]

# 绘制折线图
plt.figure(figsize=(12, 6))  # 图表大小
plt.plot(df["AAPL"], label="苹果（AAPL）", linewidth=2)
plt.plot(df["MSFT"], label="微软（MSFT）", linewidth=2)

# 添加标题和标签
plt.title("苹果与微软近5年股价走势（复权后）", fontsize=15)
plt.xlabel("日期", fontsize=12)
plt.ylabel("收盘价（美元）", fontsize=12)
plt.legend()  # 显示图例
plt.show()

通过这个图表，可以直观对比两只股票的长期走势和涨幅差异。

5.2 成交量柱状图：分析交易活跃度

# 获取特斯拉过去1年的日线数据（包含成交量）
tsla = yf.download("TSLA", period="1y", interval="1d")

# 创建图表（价格和成交量共用x轴）
fig, ax1 = plt.subplots(figsize=(12, 6))

# 绘制收盘价（左y轴）
ax1.plot(tsla["Close"], color="blue", label="收盘价")
ax1.set_ylabel("收盘价（美元）", color="blue")
ax1.tick_params(axis="y", labelcolor="blue")

# 创建右侧y轴，绘制成交量
ax2 = ax1.twinx()
ax2.bar(tsla.index, tsla["Volume"], color="gray", alpha=0.3, label="成交量")
ax2.set_ylabel("成交量", color="black")
ax2.tick_params(axis="y", labelcolor="black")

# 添加标题和图例
plt.title("特斯拉近1年股价与成交量", fontsize=15)
fig.legend(loc="upper left")
plt.show()

成交量往往与价格波动相关（如价格大涨时成交量放大，可能预示趋势延续）。

5.3 均线分析：判断短期与长期趋势

均线（如 5 日均线、20 日均线）是技术分析的常用工具，5 日均线反映短期趋势，20 日均线反映中期趋势：

# 获取茅台（600519.SS）过去1年的日线数据
maotai = yf.download("600519.SS", period="1y", auto_adjust=True)["Close"]

# 计算5日均线和20日均线（用rolling窗口函数）
ma5 = maotai.rolling(window=5).mean()  # 5日均线：过去5天收盘价的均值
ma20 = maotai.rolling(window=20).mean()  # 20日均线

# 绘制图表
plt.figure(figsize=(12, 6))
plt.plot(maotai, label="收盘价", alpha=0.7)
plt.plot(ma5, label="5日均线", color="orange")
plt.plot(ma20, label="20日均线", color="green")

plt.title("贵州茅台近1年收盘价与均线", fontsize=15)
plt.xlabel("日期")
plt.ylabel("价格（人民币）")
plt.legend()
plt.show()

均线交叉是常见信号：5 日均线上穿 20 日均线（金叉）可能预示上涨，下穿（死叉）可能预示下跌。

5.4 股票收益率对比：分析投资回报

比较多只股票的收益率（涨跌幅），能直观展示投资回报差异：

# 获取4只科技股过去3年的收盘价
tickers = ["AAPL", "MSFT", "GOOGL", "AMZN"]
df = yf.download(tickers, period="3y", auto_adjust=True)["Close"]

# 计算累计收益率：(当前价格 / 初始价格) - 1（初始价格设为100，便于对比）
df_normalized = (df / df.iloc[0] * 100)  # 标准化：初始值为100

# 绘制收益率曲线
plt.figure(figsize=(12, 6))
for column in df_normalized.columns:
    plt.plot(df_normalized[column], label=column)

plt.title("科技股近3年累计收益率对比（初始值=100）", fontsize=15)
plt.xlabel("日期")
plt.ylabel("累计收益（初始100）")
plt.legend()
plt.show()

通过标准化处理，能清晰看出哪只股票在过去 3 年表现更好（曲线越高，收益越高）。

六、实战案例：美股科技股基本面与技术面综合分析

我们以 “美股四大科技股（苹果 AAPL、微软 MSFT、谷歌 GOOGL、亚马逊 AMZN）” 为分析对象，从基本面（财务指标）和技术面（价格走势）两方面展开分析，完整演示 yfinance 的实战应用。

6.1 分析目标

对比四只股票的基本估值（市值、市盈率、股息率）；
分析近 3 年营收和净利润增长情况；
对比近 1 年股价走势和收益率；
筛选出 “估值合理且增长稳定” 的标的。

6.2 代码实现

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style("whitegrid")
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

# 1. 准备数据：定义股票列表
tickers_list = ["AAPL", "MSFT", "GOOGL", "AMZN"]

# 2. 基本面分析：获取估值指标
fundamental_data = []
for ticker in tickers_list:
    stock = yf.Ticker(ticker)
    info = stock.info
    # 提取关键指标（处理可能的缺失值）
    fundamental_data.append({
        "代码": ticker,
        "公司名称": info.get("longName", "未知"),
        "市值(万亿)": round(info.get("marketCap", 0) / 1e12, 2),
        "市盈率(TTM)": round(info.get("trailingPE", 0), 2),
        "股息率(%)": round(info.get("dividendYield", 0) * 100, 2),
        "营收增长率(%)": round(info.get("revenueGrowth", 0) * 100, 2)
    })

# 转为DataFrame并展示
fundamental_df = pd.DataFrame(fundamental_data)
print("基本面估值指标：")
print(fundamental_df)

# 3. 财务增长分析：营收和净利润
# 获取利润表（年度）
income_stmt_list = []
for ticker in tickers_list:
    stock = yf.Ticker(ticker)
    income_stmt = stock.income_stmt.T  # 转置：行是财年，列是科目
    income_stmt["代码"] = ticker
    income_stmt_list.append(income_stmt[["Total Revenue", "Net Income", "代码"]])

# 合并数据
income_combined = pd.concat(income_stmt_list)
# 只保留近3年数据
income_3y = income_combined.sort_index().tail(3 * len(tickers_list))  # 3年×4只股票

# 绘制营收增长柱状图
plt.figure(figsize=(12, 6))
sns.barplot(x=income_3y.index, y="Total Revenue", hue="代码", data=income_3y)
plt.title("四大科技股近3年营收对比（美元）", fontsize=15)
plt.xticks(rotation=45)
plt.ylabel("营收（10亿美元）")  # 注意单位转换
plt.show()

# 4. 技术面分析：近1年股价走势与收益率
# 获取近1年收盘价
price_data = yf.download(tickers_list, period="1y", auto_adjust=True)["Close"]
# 计算累计收益率（标准化）
return_data = (price_data / price_data.iloc[0] - 1) * 100  # 转为百分比

# 绘制收益率曲线
plt.figure(figsize=(12, 6))
for column in return_data.columns:
    plt.plot(return_data.index, return_data[column], label=column, linewidth=2)

plt.title("四大科技股近1年累计收益率（%）", fontsize=15)
plt.xlabel("日期")
plt.ylabel("累计收益率（%）")
plt.legend()
plt.show()

# 5. 筛选结果：找出市盈率<30且近1年收益率>10%的股票
latest_return = return_data.iloc[-1]  # 最新累计收益率
filter_mask = (fundamental_df["市盈率(TTM)"] < 30) & (latest_return > 10)
filtered = fundamental_df[filter_mask]
print("\n筛选结果（市盈率<30且近1年收益率>10%）：")
print(filtered)

6.3 分析结论（示例）

估值对比：微软市值最高（约 2.9 万亿美元），谷歌市盈率最低（约 25），苹果股息率最高（约 0.55%）；
财务增长：微软和苹果营收稳定增长，亚马逊近 1 年营收增速最快（约 12%）；
股价表现：近 1 年英伟达（未在列表中）涨幅最高，但列表中微软涨幅领先（约 25%）；
筛选结果：微软和谷歌同时满足 “市盈率 < 30” 和 “近 1 年收益率 > 10%”，估值合理且表现稳定。

七、避坑指南：yfinance 新手常遇到的 8 个问题

1. 数据延迟或缺失：“为什么获取的价格和官网不一样？”

原因：yfinance 数据来自雅虎财经，免费接口有 15-20 分钟延迟，部分小众股票数据可能不全。解决：实时数据需付费订阅雅虎财经高级版；缺失数据可尝试更换股票代码（如 A 股用 “.SS” 而非 “.CN”）。

2. 财务报表为空：“为什么 balance_sheet 返回空 DataFrame？”

原因：部分公司（尤其是非美国公司）的财务数据未被雅虎财经收录，或财年未结束。解决：检查股票代码是否正确（如港股用 “.HK”）；尝试获取季度报表（quarterly_balance_sheet）；补充其他数据源（如新浪财经）。

3. 批量获取时部分股票数据缺失：“multi_stocks 里有 NaN 值”

原因：不同股票的交易日可能不同（如 A 股休市时美股正常交易）。解决：用dropna()删除全 NaN 行，或用fillna(method='ffill')向前填充：

multi_stocks = multi_stocks.dropna(how="all")  # 删除全是NaN的行

4. 时间范围错误：“start 日期设置了但数据从更早开始”

原因：end参数是 “左闭右开”，若设置end="2023-12-31"，实际包含到 2023-12-30；若股票在 start 日期前无数据，会自动从最早日期开始。解决：检查股票上市时间（通过info["firstTradeDateEpochUtc"]），确保 start 日期在上市之后。

5. 索引格式问题：“无法按日期筛选数据”

原因：history()返回的索引是DatetimeIndex，若转为字符串会导致筛选失败。解决：保持索引为 datetime 格式，用loc筛选：

# 正确：按日期范围筛选
df_2023_q1 = aapl_hist.loc["2023-01-01":"2023-03-31"]

6. 拆股后价格异常：“股价突然下跌 90%”

原因：未启用复权处理，拆股（如 1:10）会导致价格 “断崖式下跌”。解决：获取数据时设置auto_adjust=True，使用复权后的价格：

aapl_hist = aapl.history(period="5y", auto_adjust=True)  # 复权处理

7. 运行速度慢：“批量获取 100 只股票要等很久”

原因：单线程请求速度有限，股票数量越多耗时越长。解决：减少不必要的股票数量；缩短时间范围；使用多线程批量获取（进阶）。

8. 代码突然报错：“以前能运行现在不行了”

原因：雅虎财经接口变动（历史上多次发生），导致 yfinance 适配失效。解决：升级 yfinance 到最新版本：pip install yfinance --upgrade；查看官方 GitHub（https://github.com/ranaroussi/yfinance）的 issue，确认是否有兼容问题。