Tushare金融数据Skill:一句话打通220+中国金融市场数据接口
- 数据覆盖广:通过 Tushare Pro 获取 A 股、港股、美股、基金、期货、债券及宏观经济等 220+ 个数据接口,一个技能覆盖绝大多数中文金融数据需求。
- 上手门槛低:只需配置一个令牌、安装
tushare与pandas两个 Python 依赖,即可用几行代码取回标准 DataFrame。 - 调用方式自然:在 AI 对话中直接描述需求(如“查某只股票 12 月日线行情”),技能会自动匹配接口并生成可运行代码。
- 结果可直接分析:所有接口统一返回 pandas DataFrame,方便接续做统计、绘图、回测或写入报表。
- 适合人群明确:量化研究者、金融分析师、财经内容创作者、需要宏观数据的业务人员都能快速受益。
该技能叫什么?如何一键安装 AI 技能提升开发效率?
技能中文名:Tushare金融数据Skill 技能英文名:cn-finance-data 技能ID:14332
它要解决的问题很具体:中国金融数据分散在交易所、数据商、统计部门等不同来源,字段口径不一、接口风格各异,开发者往往要花大量时间在“找数据、对字段、写取数脚本”上。本技能把 Tushare Pro 的 220+ 个数据接口封装成一套可被 AI 直接调用的能力,覆盖股票行情、财务报表、指数成分、基金净值、期货期权、债券,以及 GDP、CPI 等宏观经济指标,让“提问即取数”成为可能。
“一键安装”的核心思路并不是让开发者背下所有接口,而是让 AI 技能承担三件事:识别意图 → 匹配接口 → 生成并执行取数代码。安装流程如下:
第一步:确认安装前提
- 一个可用的 Python 环境;
- 已安装
tushare与pandas两个库; - 一个 Tushare Pro 令牌(Token)。
第二步:配置令牌 若尚未配置令牌,技能会主动询问并引导:访问 https://tushare.pro 注册账号,获取令牌后写入环境变量:
export TUSHARE_TOKEN="your_token"
第三步:验证依赖是否就绪 执行官方提供的自检命令:
python -c "import tushare, pandas; print('OK')"
若报错,则安装依赖:
pip install tushare pandas
第四步:在 AI 技能入口启用本技能
将技能添加到你的 AI 客户端/智能体环境中(具体入口与安装命令以官方说明为准),技能声明允许调用 Bash(python:*) 与 Read,因此可以执行 Python 取数脚本并读取接口文档。
第五步:验证是否生效 用一句最简单的请求测试,例如“帮我取 000001.SZ 在 2024 年 12 月的日线行情”。若技能返回 DataFrame 形态的行情数据,说明令牌、依赖与技能链路均已打通;若提示令牌缺失或依赖报错,按上述步骤回查即可。
该技能的主要功能和特点
- 220+ 接口全覆盖:按类别组织为股票数据(39 个接口)、指数数据(18 个接口)、基金数据(11 个接口)、期货期权(16 个接口)、宏观经济(10 个接口)、港股美股(23 个接口)、债券数据(16 个接口),形成完整的中文金融数据地图。
- 行情与财务双线打通:既能取
pro.daily()日线行情、pro.index_daily()指数日线,也能取pro.fina_indicator()财务指标(如 ROE)、pro.income()利润表数据,基本面与技术面数据一次到位。 - 宏观数据随手可取:
pro.gdp()、pro.cpi()等接口让 GDP、CPI 等宏观经济指标不必再去统计局网站手工扒表。 - 统一的数据格式约定:日期统一为
YYYYMMDD,股票代码统一为ts_code形式(如000001.SZ、600000.SH),返回统一为 pandas DataFrame,省去大量格式清洗工作。 - 内置接口速查与文档索引:技能附带接口速查表与按类别组织的接口文档索引,AI 可先“查文档”再“写代码”,减少接口名与参数记错的情况。
- 自然语言触发:当用户提到金融数据查询、股票历史行情、财务指标分析、宏观数据获取,或出现 Tushare、数据接口、量化数据源等关键词时自动触发。
和普通做法相比,它的差异在于:普通方式需要人工翻文档、逐个试参数、处理报错;本技能把“找接口—读参数—写代码—跑结果”这条链路交给 AI 完成,人只需要描述业务问题。
如何使用该技能?
步骤 1:明确数据需求 把需求说清楚,最好包含标的、时间范围、字段维度。例如:“取 600000.SH 2024 年全年日线行情”“查某公司近三年 ROE”“取最近五年 GDP 数据”。
步骤 2:让技能匹配接口 技能会依据需求在接口索引中找到对应方法。常用接口如下:
| 数据类型 | 接口方法 | 说明 |
|---|---|---|
| 股票列表 | pro.stock_basic() |
获取所有股票列表 |
| 日线行情 | pro.daily() |
获取日线行情数据 |
| 财务指标 | pro.fina_indicator() |
财务指标(ROE 等) |
| 利润表 | pro.income() |
利润表数据 |
| 指数行情 | pro.index_daily() |
指数日线数据 |
| 基金净值 | pro.fund_nav() |
基金净值数据 |
| GDP 数据 | pro.gdp() |
国内生产总值 |
| CPI 数据 | pro.cpi() |
居民消费价格指数 |
步骤 3:阅读对应接口文档
技能会查看 reference/接口文档/[接口名].md 了解参数含义与取值范围,确认必填项与可选项。
步骤 4:生成并执行取数代码 典型代码形态如下:
import tushare as ts
# 初始化(使用环境变量中的令牌)
pro = ts.pro_api()
# 调用接口
df = pro.daily(ts_code='000001.SZ', start_date='20241201', end_date='20241231')
输入示例:“帮我取 000001.SZ 从 2024-12-01 到 2024-12-31 的日线行情。”
输出说明:返回一个 pandas DataFrame,包含该股票区间内的日线记录,日期参数需写成 20241201 这类 YYYYMMDD 格式。
步骤 5:接续分析
拿到 DataFrame 后可直接做统计、画图、计算收益率或写入文件。由于返回格式统一,多接口数据可以按 ts_code 与交易日期自然对齐。
使用提示:日期必须是 YYYYMMDD;股票代码必须是带交易所后缀的 ts_code;接口调用频次与积分权限受 Tushare 平台规则约束,具体以官方说明为准。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| Tushare金融数据Skill(cn-finance-data) | AI 技能形态的中文金融数据入口 | 220+ 接口,覆盖股票、指数、基金、期货期权、债券、宏观、港美股 | 需 Python 环境、tushare/pandas 依赖与 Tushare 令牌;由 AI 生成代码 |
AI 对话中快速取数、量化研究、财务与宏观分析 | 优势:接口全、中文语境友好、自然语言触发、返回 DataFrame;不足:依赖 Tushare 平台权限与积分规则 |
| Tushare 官方 Python SDK 直用 | 数据平台原生客户端 | 与平台接口一一对应,功能最全 | 需自行读文档、写代码、调参数 | 有明确需求的成熟开发流程 | 优势:控制力强、无中间层;不足:需人工翻文档排错,学习成本高 |
| 通用金融数据终端(如行情软件自带导出) | 面向人工查看的图形化终端 | 行情浏览、指标查看、手工导出 | 门槛低,但多为手动操作 | 盯盘、人工查阅、临时导出 | 优势:直观易用;不足:难以批量、无法直接进代码流水线,字段口径迁移麻烦 |
| 通用大模型直接问行情 | 纯对话式问答 | 回答金融概念与常识性问题 | 零门槛 | 概念解释、泛化讨论 | 优势:无需配置;不足:无法保证数据来源与可复现性,缺少结构化数据返回 |
选型建议:如果需求是“稳定、可复现、能进代码流水线”的结构化金融数据,本技能与官方 SDK 更合适;若只是临时看一眼行情,图形化终端更省事;若只是问概念,通用对话即可,但不宜作为数据依据。
该技能的典型应用场景与实际体验情况
场景一:量化研究者的数据准备
痛点:策略回测前要先拼行情、财务、指数成分三套数据,字段与日期格式反复对齐。
使用方式:先 pro.stock_basic() 拿股票池,再用 pro.daily() 批量取行情,用 pro.index_daily() 取基准指数,用 pro.fina_indicator() 补充 ROE 等因子。
实际体验:统一 ts_code 与 YYYYMMDD 口径后,多表合并顺畅;需注意接口权限与调用频率限制,批量拉取前先确认积分是否足够(以官方说明为准)。
场景二:金融分析师的财报速查
痛点:临时要对比几家公司利润表与财务指标,手工整理耗时。
使用方式:直接提出“取某公司近三年利润表与 ROE”,技能匹配 pro.income() 与 pro.fina_indicator() 并生成代码。
实际体验:上手快,无需记忆参数名;建议提问时明确报告期与字段,避免返回过宽的数据表。
场景三:财经内容创作者的宏观数据引用
痛点:写稿需要 GDP、CPI 等权威口径数据,网页摘录易出错且不便复用。
使用方式:请求“取最近若干年 GDP 与 CPI 数据”,技能调用 pro.gdp() 与 pro.cpi() 返回 DataFrame,再转成图表或表格。
实际体验:数据获取环节显著缩短,注意不同指标口径与更新节奏不同,成稿前应核对发布时间。
场景四:开发者的数据管道搭建 痛点:内部报表系统需要稳定取数逻辑,但不想为每个接口写适配层。 使用方式:让技能生成标准取数脚本,嵌入既有 Python 工程,统一走环境变量读取令牌。 实际体验:脚本形态规范、可直接复用;建议把令牌放入环境变量而非硬编码,并对返回结果做空值与字段校验。
总体来看,上手难度偏低(前提是令牌与依赖已就绪),效果取决于需求描述的清晰度:说得越具体,返回越精准。
该技能能为用户带来的价值
- 效率提升:把“翻文档、试参数、改报错”的重复劳动压缩为一次自然语言描述,接口查找与代码编写环节大幅省时。
- 门槛降低:不熟悉 Tushare 接口命名与参数规则的人,也能通过业务语言拿到结构化数据,非专业开发岗位同样可用。
- 口径统一:日期、代码、返回格式三处统一约定,减少跨数据源清洗成本,让分析时间真正花在分析上。
- 覆盖面带来的长期价值:220+ 接口意味着今天做股票、明天做基金、后天做宏观,不需要更换工具链,技能可长期复用。
- 可复现性:生成的代码可直接保存为脚本,形成可审计、可重复运行的取数资产,利于团队协作与结果复核。
常见问题 FAQ
Q1:这个技能怎么安装?需要准备什么?
A:先准备 Python 环境并安装依赖 pip install tushare pandas,在 https://tushare.pro 注册获取令牌后配置环境变量 export TUSHARE_TOKEN="your_token",再在 AI 客户端中启用本技能(安装入口以官方说明为准)。用 python -c "import tushare, pandas; print('OK')" 自检依赖是否就绪。
Q2:使用它收费吗? A:技能本身是取数能力的封装,数据来自 Tushare Pro 平台。平台的注册、积分与接口权限规则由其官方制定,部分接口可能受积分限制,具体费用与权限以官方说明为准。
Q3:它适合谁用? A:适合量化研究者、金融分析师、财经内容创作者、需要宏观数据的产品与运营人员,以及希望把取数逻辑沉淀为脚本的开发者。若只需要临时看行情,图形化终端可能更直接。
Q4:为什么我调用后返回空数据或报错?
A:优先检查三处:令牌是否已写入环境变量、日期是否为 YYYYMMDD 格式、股票代码是否为 ts_code(如 000001.SZ)。此外,接口权限不足或区间内无交易日也会导致空结果。
Q5:它和直接用 Tushare 官方 SDK 有什么区别? A:底层数据源一致。官方 SDK 需要自己查文档、写参数;本技能由 AI 完成接口匹配、文档查阅与代码生成,更适合“边问边取数”的场景;若追求完全可控的工程化实现,两者也可结合使用。