AkShare项目新增股本批量数据接口的技术实现
功能概述
在金融数据分析领域,获取上市公司股本变动数据对于投资者和分析师具有重要意义。AkShare项目近期新增了一个重要功能接口——stock_hold_change_cninfo,该接口能够从巨潮资讯网批量获取上市公司股本变动数据,包括总股本、流通股本等关键指标。
技术实现细节
该接口通过访问巨潮资讯的公开API获取数据,主要实现了以下技术要点:
-
市场分类参数处理:接口支持多种市场分类查询,包括深市主板、沪市、创业板、科创板、北交所以及全部市场。通过建立symbol_map字典实现了市场代码的映射转换。
-
请求头构造:为了绕过网站的反爬机制,接口使用了JavaScript代码生成动态的mcode验证参数,这是通过py_mini_racer库执行预置的JavaScript代码实现的。
-
数据清洗与转换:获取的原始JSON数据经过以下处理步骤:
- 转换为Pandas DataFrame格式
- 重命名列使其更具可读性
- 对日期字段进行标准化处理
- 对数值字段进行类型转换
-
字段说明:接口返回的数据包含以下重要字段:
- 证券代码和简称
- 交易市场信息
- 公告日期和变动日期
- 变动原因说明
- 总股本、已流通股份、流通受限股份等量化指标
- 已流通比例百分比数据
使用场景
这一功能接口特别适用于以下分析场景:
-
股本变动趋势分析:通过批量获取多家公司的股本变动数据,可以分析市场整体的股本变化趋势。
-
个股研究:研究特定股票的流通股比例变化,评估其流动性和潜在的市场影响。
-
市场比较:比较不同市场板块(如主板与创业板)在股本结构上的差异。
-
事件研究:结合变动原因字段,分析特定事件(如增发、配股等)对公司股本结构的影响。
技术优势
相比自行爬取或处理原始数据,这一接口具有以下优势:
-
数据标准化:返回的数据已经过清洗和格式化,省去了用户自行处理的时间。
-
性能优化:通过API直接获取数据,比网页爬取更高效稳定。
-
完整性保障:接口设计考虑了各种异常情况,如日期格式异常、数值转换错误等。
-
易用性:简单的参数设计和清晰的返回结构降低了使用门槛。
实现启示
这一功能的实现展示了金融数据接口开发的几个重要原则:
-
参数灵活性:通过symbol参数支持多种查询条件,提高了接口的适用范围。
-
数据完整性:不仅返回数值数据,还保留了变动原因等文本信息,为后续分析提供了更多维度。
-
类型安全:对所有字段进行严格的类型转换,确保后续计算的准确性。
-
文档完整性:函数文档字符串详细说明了参数选项和返回内容,便于用户理解和使用。
这一功能的加入进一步丰富了AkShare项目在股本数据分析方面的能力,为金融数据分析师和研究者提供了又一实用工具。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00