企业官网建设流程全解析

股票数据源怎么选，不能先问“哪家最好”，而要先问数据准备给谁用。普通看盘、Python 量化回测、盘中实时监控和 AI Agent 调用，实际上是四种不同任务：看盘重视信息呈现，回测重视历史一致性，实时系统重视延迟与授权，Agent 还要求工具语义和错误状态清楚。

如果只记住一个结论，可以这样选：

• 日常看盘：优先使用东方财富、同花顺、通达信或券商客户端；
• Python 学习和历史研究：从 Tushare、AkShare、Baostock 等结构化数据工具入手；
• 盘中监控和正式业务：评估券商行情、专业行情 API 或 Wind、Choice、iFinD 等商业服务；
• AI Agent：在合适的数据源之上增加函数工具或 MCP 层，不要让模型直接猜网页内容。

这不是一张数据源排名榜。数据覆盖再广，只要与任务不匹配，接入后仍然会返工。

一、为什么看盘软件不等于量化数据源

看盘软件首先解决的是“人怎样快速理解市场”。行情列表、分时图、K 线、新闻、公告、资金和自选股都经过界面组织，用户看到异常时可以自己切换页面核对。

量化程序面对的却是另一套问题：

1. 股票代码和交易日是否统一；
2. 停牌日、除权日和新股上市日怎样处理；
3. 前复权、后复权和不复权是否明确；
4. 成交量按股还是按手，成交额按元还是万元；
5. 历史字段调整后，旧任务能否继续运行。

因此，一个看起来信息丰富的网页，不一定适合作为回测数据入口。页面字段可能变化，列表可能分页，数据也可能只为终端展示授权。量化研究更需要稳定的结构、可重复拉取和本地留存。

二、做历史回测，重点不是“接口多”，而是时间一致

历史研究常见的起点包括 Tushare、AkShare 和 Baostock，但三者适合的工作方式并不完全相同。

Tushare：适合长期维护结构化研究数据

Tushare 的行情、财务、指数和基础资料分类较系统，适合定时更新到自己的数据库。它更像研究数据工程的上游：程序按交易日补数据，本地再完成清洗、因子计算和回测。

选择前要逐个确认所需接口的权限、频率和更新时间。不能因为一个接口可用，就默认同一平台上的所有数据都有相同开放范围。

AkShare：适合快速探索公开数据

AkShare 覆盖的数据类型很多，安装 Python 包后就能验证不少研究想法。它很适合找数据、做原型和一次性分析。

由于部分接口会受上游公开页面影响，生产使用时应增加缓存、字段校验和异常监控。更稳妥的方式，是让 AkShare 负责采集，自己的数据库负责保存稳定结构。

Baostock：适合低门槛历史行情入门

Baostock 的历史 K 线和部分基础数据足以覆盖许多教学和入门回测任务。需求不复杂时，简单往往就是优势。

如果研究依赖盘口、题材、异动或更丰富的事件数据，则需要补充其他来源。

回测最容易漏掉的两个问题

第一个是未来数据。财务报告的报告期不等于市场实际可见日期，回测时必须使用公告日或可获得时间，不能把后来披露的信息提前放入历史。

第二个是样本偏差。只用当前仍上市的股票回测，会漏掉历史退市标的；只拿今天的指数成分回看过去，也会产生幸存者偏差。

所以，回测数据是否可信，常常取决于时间边界和样本处理，而不是接口返回了多少列。

三、做盘中实时监控，先问延迟和授权

“能返回最新价”和“能用于实时系统”并不是一回事。实时行情至少要区分：

• 收盘后更新；
• 分钟级或延时行情；
• 实时快照；
• 盘口与逐笔成交；
• 集合竞价和异动推送。

如果只是每天收盘后运行一次选股，没有必要为极低延迟付费。如果要做盘中预警，几分钟的不确定延迟就可能让结果失去意义。

实时任务还应检查高峰期限流、断线重连、批量能力、历史补全和商业使用授权。正式系统通常更适合评估券商行情、专业数据 API，以及 Wind、Choice、iFinD 等具备数据服务能力的商业产品，而不是把公开网页接口直接暴露给用户。

四、机构投研为什么通常选择专业数据服务

机构采购 Wind、Choice、iFinD 等产品，买的不只是几个行情字段，还包括跨市场覆盖、数据治理、研究工具、授权边界和服务支持。

这类方案适合团队研究、正式报告和内部业务系统，但采购成本与接入环境也更高。个人开发者做一个历史行情原型，通常没有必要一开始就采购完整终端；正式机构项目也不应依赖授权不清的数据去承担生产任务。

判断是否需要商业服务，可以看三个问题：

1. 数据错误是否会直接影响客户或业务决策；
2. 是否需要稳定的实时性、审计和售后支持；
3. 是否要在团队、产品或商业系统中持续使用。

三个问题中有两个回答“是”，就不该只比较免费接口。

五、AI Agent 用股票数据，为什么还需要工具层

给 WorkBuddy、Codex、Claude、Cursor、豆包、扣子或自建 Agent 接股票数据时，难点不只在数据获取。模型还要知道什么时候调用哪个工具、日期参数怎么填，以及失败后能不能重试。

一个适合 Agent 的数据工具，至少应明确：

1. 工具名称与用途；
2. 股票代码、市场、日期、复权方式和单位；
3. 请求日期与实际交易日期；
4. 空数据、数据未更新、限流、无权限和系统故障的区别；
5. 返回结果能否继续筛选、比较和生成报告。

MCP 是给 Agent 暴露工具的一种方式。以悟道 A股 MCP 为例，它更偏向把市场概览、K 线、涨停梯队、题材、资金和公告等研究任务整理成模型可发现、可调用的工具。它不是替代 Tushare、Wind 或券商行情，而是位于数据源和 Agent 之间的工具层。

实际工程中更常见的组合是：

历史研究数据 -> 本地数据库 盘中实时行情 -> 有延迟与授权保障的服务 业务计算结果 -> 统一字段和状态 Agent -> 通过函数工具或 MCP 调用

这样做的好处是，底层数据源可以替换，Agent 的调用方式和业务语义仍然保持稳定。

六、用一张决策表完成第一轮选择

七、数据源上线前，至少做这 8 项验收

不要只验证“接口返回 200”。建议固定一组样本，连续观察正常交易日与边界日期：

• 主板、创业板、科创板、北交所股票各选几只；
• 加入停牌、退市整理、新上市和名称变更样本；
• 对比开高低收、成交量和成交额的单位；
• 分别检查前复权、后复权和不复权；
• 周末查询时记录请求日期与实际交易日；
• 交易高峰期测试批量请求和限流；
• 主动制造无权限、空结果和参数错误；
• 记录一段时间内的成功率、延迟和字段变化。

测试通过后，再决定是否扩大股票池和调用频率。数据系统的问题往往不在正常样本，而在停牌、节假日、除权和服务异常这些边界状态。

最后总结

股票数据源怎么选，可以归纳为四句话：

看盘，选信息呈现与交易流程顺手的终端；回测，选历史结构稳定且时间口径清楚的数据；实时，选延迟、授权和服务有保障的行情；Agent，选能够明确描述工具、日期和错误状态的接入层。

不要寻找一个包办所有任务的“万能数据源”。先按用途拆分，再组合历史库、实时服务和 Agent 工具层，项目通常更稳定，后续替换成本也更低。

延伸阅读：股票数据源的场景对比与验收维度可参考 股票数据源哪个好？A股看盘、量化回测与 AI Agent 数据源对比 | 悟道数据

本文只讨论数据工程与研究工具，不构成投资建议。