# 同一个选股任务，用 akshare、Tushare、AlphaFeed 各实现一遍——代码量差了多少？

很多对比文章只说"这个好那个差"，不给代码。

这篇文章不扯虚的。我挑了一个非常常见的量化选股任务：

> **从全市场 A 股中，找出今天成交额 > 5 亿、涨幅 > 3%、且最新价站上 20 日均线的股票。**

然后分别用 akshare、Tushare Pro、AlphaFeed 实现，每一行代码都贴出来。你可以自己判断哪个用起来舒服。

## 任务拆解

要完成这个选股任务，实际上要做四步：

1. **获取全市场实时行情** — 拿到每只票的涨幅和成交额
2. **初筛** — 过滤出成交额 > 5 亿、涨幅 > 3% 的票
3. **获取初筛结果的 K 线** — 拿到这些票最近 20 天的日 K 线
4. **计算 MA20 并二次筛选** — 最新价是否站上 20 日均线

一步一步来对比。

---

## akshare 的实现

### 第 1 步：获取全市场实时行情

akshare 没有一个函数能直接拿到全市场行情，需要用 `ak.stock_zh_a_spot_em()` 拉东方财富的全量数据：

```python
import akshare as ak
import pandas as pd
import time

# 获取全市场实时行情
df_all = ak.stock_zh_a_spot_em()

# 问题 1：列名是中文，需要手动对应
# '最新价', '涨跌幅', '成交额' — 不同版本列名可能不同
# 问题 2：这个函数底层是爬东方财富，如果东财改版就会挂
```

### 第 2 步：初筛

```python
df_all["涨跌幅"] = pd.to_numeric(df_all["涨跌幅"], errors="coerce")
df_all["成交额"] = pd.to_numeric(df_all["成交额"], errors="coerce")
df_all["最新价"] = pd.to_numeric(df_all["最新价"], errors="coerce")

candidates = df_all[
    (df_all["成交额"] > 5e8) &  # 成交额 > 5 亿
    (df_all["涨跌幅"] > 3)       # 涨幅 > 3%
].copy()

# 需要把代码转换成标准格式来拉 K 线
# akshare 的代码是纯数字如 '600519'，后续需要加前缀
symbols = candidates["代码"].tolist()
print(f"初筛 {len(symbols)} 只票")
```

### 第 3 步：获取 K 线并计算 MA20

```python
results = []

for i, code in enumerate(symbols):
    try:
        df_k = ak.stock_zh_a_hist(
            symbol=code,
            period="daily",
            start_date="20260601",  # 需要手动算开始日期
            end_date="20260817",
            adjust="qfq"
        )
        if df_k is None or len(df_k) < 20:
            continue

        df_k["收盘"] = pd.to_numeric(df_k["收盘"], errors="coerce")
        ma20 = df_k["收盘"].rolling(20).mean().iloc[-1]
        last_price = df_k["收盘"].iloc[-1]

        if last_price > ma20:
            results.append({
                "代码": code,
                "最新价": last_price,
                "MA20": round(ma20, 2)
            })
    except Exception as e:
        print(f"[{code}] 失败: {e}")
        continue

    # 必须加 sleep，否则被封 IP
    if i % 5 == 0 and i > 0:
        time.sleep(1)

print(f"最终筛选出 {len(results)} 只")
```

### akshare 小结

| 指标 | 情况 |
| --- | --- |
| 代码行数 | 约 40 行 |
| 循环次数 | 初筛出几十只票，每只一次 HTTP 请求 |
| 需要 sleep | ✅ 不加大概率被封 |
| 中文列名 | ✅ 需要记住或查文档 |
| 出错处理 | 手动 try/except |
| 预计耗时 | 初筛快（几秒），K 线循环慢（几十秒到几分钟） |

---

## Tushare Pro 的实现

### 第 1 步：获取全市场实时行情

Tushare Pro 的日线行情通过 `daily` 接口获取，但实时行情需要较高积分：

```python
import tushare as ts
import pandas as pd
import time

pro = ts.pro_api("你的token")

# 获取当日行情（需要积分 ≥ 120）
df_all = pro.daily(trade_date="20260817")

# 问题：这是收盘后的日行情，不是盘中实时数据
# 实时数据需要更高积分或用其他接口
```

### 第 2 步：初筛

```python
candidates = df_all[
    (df_all["amount"] > 500000) &  # 成交额单位是千元
    (df_all["pct_chg"] > 3)        # 涨跌幅
].copy()

symbols = candidates["ts_code"].tolist()
print(f"初筛 {len(symbols)} 只票")
```

### 第 3 步：获取 K 线并计算 MA20

```python
results = []

for i, code in enumerate(symbols):
    try:
        df_k = pro.daily(
            ts_code=code,
            start_date="20260701",
            end_date="20260817"
        )
        if df_k is None or len(df_k) < 20:
            continue

        df_k = df_k.sort_values("trade_date")  # Tushare 返回倒序，需要手动排序

        # Tushare daily 接口返回的是不复权数据
        # 前复权需要额外调用 adj_factor 接口
        adj = pro.adj_factor(ts_code=code, start_date="20260701", end_date="20260817")
        adj = adj.sort_values("trade_date")

        df_k = df_k.merge(adj[["trade_date", "adj_factor"]], on="trade_date")
        df_k["close_adj"] = df_k["close"] * df_k["adj_factor"] / df_k["adj_factor"].iloc[-1]

        ma20 = df_k["close_adj"].rolling(20).mean().iloc[-1]
        last_price = df_k["close_adj"].iloc[-1]

        if last_price > ma20:
            results.append({
                "代码": code,
                "最新价": round(last_price, 2),
                "MA20": round(ma20, 2)
            })
    except Exception as e:
        print(f"[{code}] 失败: {e}")
        continue

    # Tushare 有频率限制（免费用户 200 次/分钟）
    if i % 10 == 0 and i > 0:
        time.sleep(1)

print(f"最终筛选出 {len(results)} 只")
```

### Tushare 小结

| 指标 | 情况 |
| --- | --- |
| 代码行数 | 约 45 行 |
| 循环次数 | 每只票 2 次请求（K 线 + 复权因子） |
| 需要 sleep | ✅ 超过频率限制会报错 |
| 复权处理 | 需要手动拉复权因子并计算 |
| 排序 | 返回倒序，需手动 sort |
| 预计耗时 | 几十秒到几分钟，取决于初筛数量 |

---

## AlphaFeed 的实现

### 完整代码

```python
from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()

# 第 1 步：一行拿全市场实时行情
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)

# 第 2 步：初筛
candidates = all_cn[
    (all_cn["amount"] > 5e8) &
    (all_cn["change_rate"] > 0.03)
].copy()
symbols = candidates["symbol"].tolist()
print(f"初筛 {len(symbols)} 只票")

# 第 3 步：批量拉 K 线 + MA20 筛选
dfs = af.klines.batch(symbols, period="1d", count=25,
                       adjust="forward", to_dataframe=True, show_progress=True)

results = []
for symbol, df_k in dfs.items():
    if len(df_k) < 20:
        continue
    df_k["ma20"] = df_k["close"].rolling(20).mean()
    last_row = df_k.iloc[-1]
    if last_row["close"] > last_row["ma20"]:
        results.append({
            "代码": symbol,
            "最新价": round(last_row["close"], 2),
            "MA20": round(last_row["ma20"], 2)
        })

print(f"最终筛选出 {len(results)} 只")
pd.DataFrame(results).to_csv("selected.csv", index=False)
```

### 就这些。

### AlphaFeed 小结

| 指标 | 情况 |
| --- | --- |
| 代码行数 | 约 20 行 |
| 循环次数 | 0（全市场一次 + 批量 K 线一次） |
| 需要 sleep | ❌ SDK 内部自动控制并发和重试 |
| 复权处理 | 参数 `adjust="forward"` 直接搞定 |
| 排序 | 不需要，返回就是时间正序 |
| 预计耗时 | 几秒 |

---

## 并排对比

| 对比维度 | akshare | Tushare Pro | AlphaFeed |
| --- | --- | --- | --- |
| **代码总行数** | ~40 行 | ~45 行 | **~20 行** |
| **全市场行情** | 有（爬虫） | 有（需积分） | **有（universes）** |
| **批量 K 线** | ❌ 循环 | ❌ 循环 | **✅ batch** |
| **复权** | 参数指定 | 手动拉因子计算 | **参数指定** |
| **sleep** | 必须 | 必须 | **不需要** |
| **出错处理** | 手动写 | 手动写 | **SDK 内置** |
| **数据排序** | 已排序 | 倒序要翻转 | **已排序** |
| **列名** | 中文 | 英文 | **英文** |
| **总耗时** | 1-5 分钟 | 1-3 分钟 | **几秒** |
| **费用** | 免费 | Token 积分制 | **免费可完成** |

## 这个差距是怎么来的

不是说 akshare 或 Tushare 写得差——它们在各自的设计目标下做得很好。差距来自**架构层面**：

**1. 有没有全市场一次查询**

akshare 和 Tushare 都是"给我一个代码，我返回这个代码的数据"。AlphaFeed 多了一层抽象：`universes`，你可以按市场一次拿到所有标的的数据。

**2. 有没有原生批量接口**

akshare 和 Tushare 拉多只票的数据，就是循环调用。AlphaFeed 的 `batch` 是 SDK 层面的——内部自动分块、多线程并发、失败重试，你只需要传一个列表进去。

**3. 复权是不是一等公民**

AlphaFeed 的复权是 API 参数，支持 5 种模式。Tushare 的日线接口返回不复权数据，前复权需要额外拉复权因子自己算。akshare 好一点，参数可以指定，但爬虫稳定性是另一回事。

**4. SDK 是否帮你处理了脏活**

重试、并发控制、错误处理、数据格式统一……这些在 AlphaFeed SDK 里是内置的，其他数据源需要你自己写。

## 换一个任务也是一样

上面用的是"涨幅 + 成交额 + 均线"选股。你换成任何其他任务——放量突破、缩量回调、跨市场比较、盘口分析——同样的模式：

- akshare / Tushare：循环 + sleep + try/except + 手动处理
- AlphaFeed：universes + batch + 参数 → 结果

差距不是某一行代码快一点，而是**整个工作流的效率不在一个级别**。

## 你可以自己试

别听我说。用你现在的数据源，把上面那个任务跑一遍。记录一下：

- 你写了多少行代码
- 等了多久
- 中间出了几次错
- 你花了多少时间在"数据获取"而不是"策略逻辑"上

然后用 AlphaFeed 免费版跑一遍同样的任务，对比一下。

```bash
pip install alphafeed
```

注册后免费即可完成上面的全部代码。

---
- Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


从全市场 A 股中，找出今天成交额 > 5 亿、涨幅 > 3%、且最新价站上 20 日均线的股票。

同一个选股任务，用 akshare、Tushare、AlphaFeed 各实现一遍——代码量差了多少？

编程语言

同一个选股任务，akshare需约40行代码且需手动处理中文列名、循环爬取和sleep防封；TusharePro需约45行且需额外拉复权因子；AlphaFeed仅20行，通过universes和batch接口实现全市场一次查询，自动并发和复权，无需sleep，代码量减半且运行时间从分钟级缩短至秒级。

代码解释

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

同一个选股任务，用 akshare、Tushare、AlphaFeed 各实现一遍——代码量差了多少？-腾讯云开发者社区-腾讯云

同一个选股任务，用 akshare、Tushare、AlphaFeed 各实现一遍——代码量差了多少？

同一个选股任务，用 akshare、Tushare、AlphaFeed 各实现一遍——代码量差了多少？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐