AKShare中基金历史数据获取的注意事项
2025-05-21 02:47:42作者:鲍丁臣Ursa
在使用AKShare金融数据接口时,获取基金历史数据需要特别注意不同类型基金对应的不同函数。近期有用户反馈在使用fund_etf_hist_em函数获取LOF基金数据时返回空值的问题,这实际上是由于函数选择不当导致的。
问题背景
用户尝试使用fund_etf_hist_em函数获取代码为"160719"的基金历史数据,虽然东方财富网站上有对应数据,但接口返回为空。经过排查发现,这是因为"160719"是一只LOF基金(上市型开放式基金),而非ETF基金。
解决方案
AKShare针对不同类型的基金提供了专门的函数:
- 对于ETF基金,使用
fund_etf_hist_em函数 - 对于LOF基金,使用
fund_lof_hist_em函数
正确的做法应该是:
df = ak.fund_lof_hist_em("160719", period="daily", start_date="20231205", end_date="20241205", adjust="qfq")
技术要点
-
基金类型识别:在使用AKShare获取基金数据前,应先确认基金的具体类型。常见的场内基金包括ETF、LOF等,它们有不同的交易机制和特点。
-
函数参数说明:
period:支持"daily"(日线)、"weekly"(周线)、"monthly"(月线)adjust:支持"qfq"(前复权)、"hfq"(后复权)、""(不复权)
-
数据源验证:当接口返回空数据时,建议先验证数据源网站是否确实存在该数据,以及基金代码是否正确。
最佳实践
- 建立基金代码与类型的映射关系,在获取数据前先判断基金类型
- 对接口返回结果进行空值检查,及时发现并处理异常情况
- 定期关注AKShare的更新日志,了解函数变动情况
通过正确选择函数和参数,可以确保从AKShare获取到准确的基金历史数据,为量化分析和投资研究提供可靠的数据支持。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
941
868
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
394
292
暂无简介
Dart
911
219
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557