首先我们获取每天的行情数据，因为我们的模型最终需要根据行情数据进行优化，也就是说行情数据就是判断模型好坏的标准。当然我们也会对这个数据本身进行分析，例如涨停板的分析，连续涨停的分析。

这里我们的数据获取是通过tushare 完成的，当然你可以可以通过一些券商平台提供提供的接口完成，我这里使用的tushare，它提供了Python，Java 的接口，不过使用之前你需要去注册一个账号，然后获取到一个token ，由于代码很简单就不解释。

所以这里你的先安装Python 的tushare 模块，直接执行pip install tushare 即可,关于Api 的基本使用可以去看官网，这里就不解释了

每日行情数据获取

这个代码很简单我们就不解释了

# 导入tushare
import datetime
import time
import tushare as ts
# 初始化pro接口
pro = ts.pro_api('xxxxxxxx',timeout=130)
basePath="/Users/kingcall/workspace/tmp/量化交易/trade/{0}.csv"
def getDataByDate(date):
    path =basePath.format(date)
    try:
        df = pro.daily(trade_date=date)
        df.to_csv(path, header=True,index=None)
        print(date,path)
    except (ConnectionError, TimeoutError):
        try:
            time.sleep(3)
            df = pro.bak_basic(trade_date=date)
            df.to_csv(path)
        except Exception:
            print("错误:{0}".format(date))
    except Exception as e:
        print(e)
        print("错误:{0}".format(date))
if __name__ == '__main__':
    # 获取过去多少天的
    for i in range(20):
       # 从那一天开始
        day=datetime.date(2022,10,30)-datetime.timedelta(days=i)
        # 时间格式化
        date=day.strftime("%Y%m%d")
        getDataByDate(date)

输出的字段含义如下

名称	类型	描述
ts_code	str	股票代码
trade_date	str	交易日期
open	float	开盘价
high	float	最高价
low	float	最低价
close	float	收盘价
pre_close	float	昨收价(前复权)
change	float	涨跌额
pct_chg	float	涨跌幅 （未复权，如果是复权请用 通用行情接口 ）
vol	float	成交量 （手）
amount	float	成交额 （千元）

我们将获取到的数据放到/Users/kingcall/workspace/tmp/量化交易/trade 文件夹下

运行日志如下

数据文件目录如下

交易日期获取

这个数据我们不用每天都获取，可以看作是一个时间维表

import tushare as ts
basePath="/Users/kingcall/workspace/tmp/量化交易/{0}.csv"
pro = ts.pro_api('xxxx',timeout=130)
def loadDates():
    df = pro.trade_cal(exchange='', start_date='20180101', end_date='20221230')
    dataPath=basePath.format("dates")
    print(dataPath)
    df.to_csv(dataPath)
loadDates()

输出的字段含义如下

名称	类型	默认显示	描述
exchange	str	Y	交易所 SSE上交所 SZSE深交所
cal_date	str	Y	日历日期
is_open	str	Y	是否交易 0休市 1交易
pretrade_date	str	Y	上一个交易日

公司基本信息获取

这个信息也不是经常变化，我们也不用每天都去获取，只要每隔一段时间进行更新维护即可

def loadCompany():
    # exchange交易所代码 ，SSE上交所 SZSE深交所
    df1 = pro.stock_company(exchange='SZSE', fields='ts_code,exchange,chairman,manager,secretary,reg_capital,setup_date,province,city,introduction,website,email,office,employees,main_business,business_scope')
    df2 = pro.stock_company(exchange='SSE', fields='ts_code,exchange,chairman,manager,secretary,reg_capital,setup_date,province,city,introduction,website,email,office,employees,main_business,business_scope')
    # 由于国内的公司在国内只能在同一个交易所上市，要不是深交所要不是上交所，但是这个时候可以去港交所或者是纽交所的
    # 所以我们直接合并就行
    df=df1.append(df2)
    dataPath=basePath.format("company")
    print(dataPath)
    df.to_csv(dataPath)

输出的字段含义如下

名称	类型	默认显示	描述
ts_code	str	Y	股票代码
exchange	str	Y	交易所代码 ，SSE上交所 SZSE深交所
chairman	str	Y	法人代表
manager	str	Y	总经理
secretary	str	Y	董秘
reg_capital	float	Y	注册资本
setup_date	str	Y	注册日期
province	str	Y	所在省份
city	str	Y	所在城市
introduction	str	N	公司介绍
website	str	Y	公司主页
email	str	Y	电子邮件
office	str	N	办公室
employees	int	Y	员工人数
main_business	str	N	主要业务及产品
business_scope	str	N	经营范围

股票基本信息

股票基本信息也不是经常变化的，所以我们也是当作维表维护即可

def loadStocks():
    df = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,fullname,enname,cnspell,market,exchange,curr_type,list_status,list_date,delist_date,is_hs')
    dataPath=basePath.format("stocks")
    print(dataPath)
    df.to_csv(dataPath)

输出的字段含义如下

名称	类型	默认显示	描述
ts_code	str	Y	TS代码
symbol	str	Y	股票代码
name	str	Y	股票名称
area	str	Y	地域
industry	str	Y	所属行业
fullname	str	N	股票全称
enname	str	N	英文全称
cnspell	str	N	拼音缩写
market	str	Y	市场类型（主板/创业板/科创板/CDR）
exchange	str	N	交易所代码
curr_type	str	N	交易货币
list_status	str	N	上市状态 L上市 D退市 P暂停上市
list_date	str	Y	上市日期
delist_date	str	N	退市日期
is_hs	str	N	是否沪深港通标的，N否 H沪股通 S深股通

完整代码与最终数据

我们上面的代码我们都是定义成方法的形式了，接下来调用这些方法即可

if __name__ == '__main__':
    loadDates()
    loadCompany()
    loadStocks()

运行日志如下

数据如下

总结

这里我们获取到了基本的数据，后面我们会介绍将这些数据入库，还有就是我们提到了这里有三张表的数据我们当作维度表维护，等到了数仓环节我们会介绍如何去维护维度表。